常見的7種數據分析手段

隨著人口和流量紅利的下降，網際網路行業必然會朝著精益化運營的方向發展。數據分析在很多網際網路人的工作中越發顯得重要，而對於產品經理來說，更是如此。本文將為產品經理介紹數據分析的基本思路，並基於此，衍生出 2 個常見方法和 7 個應用手段，希望在數據分析的實際應用中能給大家帶來幫助。

一、數據分析的基本思路

數據分析應該以業務場景為起始思考點，以業務決策作為終點。

基本思路為 5 步，首先要挖掘業務含義、制定分析計劃、從分析計劃中拆分出需要的數據、再根據數據分析的手段提煉業務洞察，最終產出商業決策。

接下來，我們用一個案例來具體說明這5步思路：

某國內 P2P 借貸類網站，市場部在百度和 hao123 上都有持續的廣告投放，吸引網頁端流量；最近內部同事建議嘗試投放 Google 的 SEM；另外，也需要評估是否加入金山網絡聯盟進行深度廣告投放。在這種多渠道的投放場景下，產品經理該如何進行深度決策？

1. 挖掘業務含義

首先要了解市場部想優化什麼，並以此為核心的 KPI 去衡量。

渠道效果的評估，最重要的是業務轉化：對P2P類網站來說，是否『發起借貸』遠遠比『用戶數量』重要。

所以無論是 Google 還是金山渠道，都要根據用戶群體的不同，優化相應用戶的落地頁，提升轉化。

2. 制定分析計劃

以『發起借貸』為核心轉化點，分配一定的預算進行流量測試，觀察對比註冊數量及 ROI 效果，可以持續觀察這部分用戶的後續價值。

3. 拆分查詢數據

根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單類型數據，進行用戶分群。

4. 提煉業務洞察

在不同渠道進行投放時，要根據 KPI 的變化，推測業務含義。比如谷歌渠道的效果不好，可能因為谷歌大部分的流量在海外，可能會造成轉化率低。而金山網絡聯盟有很多展示位置，要持續監測不同位置的效果，做出最後判斷。

5. 產出商業決策

最後根據數據洞察，指導渠道的投放決策制。比如停止谷歌渠道的投放，繼續跟進金山網絡聯盟進行評估，而落地頁要根據數據指標持續地進行優化。

二、常見的數據分析方法

1、內外因素分解法

內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然後再一步步解決每一個問題。

案例：

社交招聘類網站，一般分為求職者端和企業端，向企業端收費方式之一是購買職位的廣告位。業務端人員發現『發布職位』數量在過去的6個月裡有緩慢下降的趨勢。對於這類某一數據下降的問題，從產品經理的角度來說，可以如何拆解？

根據內外因素分解法，『內部可控因素』：產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化。

• 『外部可控因素』：市場競爭對手近期行為、用戶使用習慣的變化、招聘需求隨時間的變化；
• 『內部不可控因素』：產品策略（移動端/PC端）、公司整體戰略、公司客戶群定位（比如只做醫療行業招聘）；
• 『外部不可控因素』：網際網路招聘行業趨勢、整體經濟形勢、季節性變化；

2、DOSS

DOSS 是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。

案例：某在線教育平臺，提供免費課程視頻，同時售賣付費會員，為付費會員提供更多高階課程內容。如果我想將一套計算機技術的付費課程，推送給一群持續在看C++免費課程的用戶，產品經理應該如何輔助分析？

按DOSS的思路分解如下：

• 『具體問題』：預測是否有可能幫助某一群組客戶購買課程。
• 『整體』：首先根據這類人群的免費課程的使用情況進行數據分析，之後進行延伸，比如對整體的影響，除了計算機類，對其他類型的課程都進行關注。
• 『單一回答』：針對該群用戶進行建模，監控該模型對於最終轉化的影響。
• 『規模化』：之後推出規模化的解決方案，對符合某種行為軌跡和特徵的行為進行建模，將課程推薦模型加入到產品設計中。

三、數據分析的應用手段

根據基本分析思路，常見的有7種數據分析的手段。

1、畫像分群

畫像分群是聚合符合某中特定行為的用戶，進行特定的優化和分析。

比如在考慮註冊轉化率的時候，需要區分移動端和 Web 端，以及美國用戶和中國用戶等不同場景。這樣可以在渠道策略和運營策略上，有針對性地進行優化。

2、趨勢維度

建立趨勢圖表可以迅速了解市場， 用戶或產品特徵的基本表現，便於進行迅速迭代；還可以把指標根據不同維度進行切分，定位優化點，有助於決策的實時性；

3、漏鬥洞察

通過漏鬥分析可以從先到後的順序還原某一用戶的路徑，分析每一個轉化節點的轉化數據。

所有網際網路產品、數據分析都離不開漏鬥，無論是註冊轉化漏鬥，還是電商下單的漏鬥，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行為。

關注註冊流程的每一個步驟，可以有效定位高損耗節點。

4、行為軌跡

行為軌跡是進行全量用戶行為的還原。只看 PV、UV 這類數據，無法全面理解用戶如何使用你的產品。了解用戶的行為軌跡，有助於運營團隊關注具體的用戶體驗，發現具體問題，根據用戶使用習慣設計產品，投放內容。

5、留存分析

留存是了解行為或行為組與回訪之間的關聯，留存老用戶的成本要遠遠低於獲取新用戶，所以分析中的留存是非常重要的指標之一。

除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的註冊用戶回訪率，產品團隊關注每一個新功能對於用戶的回訪的影響等。

6、A/B測試

A/B測試是對比不同產品設計／算法對結果的影響。

產品在上線過程中經常會使用A/B測試來測試產品效果，市場可以通過A/B測試來完成不同創意的測試。

要進行A/B測試有兩個必備因素：

1. 有足夠的時間進行測試；
2. 數據量和數據密度較高。

因為當產品流量不夠大的時候，做A/B測試得到統計結果是很難的。而像 LinkedIn 這樣體量的公司，每天可以同時進行上千個A/B測試。所以A/B測試往往公司數據規模較大時使用會更加精準，更快得到統計的結果。

7、優化建模

當一個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數據挖掘的手段進行建模，預測該商業結果的產生。

例如：作為一家 SaaS 企業，當我們需要預測判斷客戶的付費意願時，可以通過用戶的行為數據，公司信息，用戶畫像等數據建立付費溫度模型。用更科學的方式進行一些組合和權重，得知用戶滿足哪些行為之後，付費的可能性會更高。

以上這幾種數據分析的方法論，僅僅掌握單純的理論是不行的。

產品經理們需要將這些方法論應用到日常的數據分析工作中，融會貫通。同時學會使用優秀的數據分析工具，可以事半功倍，更好的利用數據，實現整體增長。

 

本文節選自GrowingIO 《產品經理數據分析手冊 | 能力升級必備》

作者：陳明，GrowingIO 聯合創始人&運營副總裁。畢業於史丹福大學，先後就職於eBay、LinkedIn數據分析部門，有豐富的商務分析經驗。

本文由 @陳明原創發布於人人都是產品經理。未經許可，禁止轉載。

收藏已收藏 | {{ postmeta.bookmark }} 點讚已贊 | {{ postmeta.postlike }}