
什么叫對(duì)數(shù)據(jù)敏感?怎樣做數(shù)據(jù)分析?
我做過(guò)近兩年的電商運(yùn)營(yíng),其中感觸很深的一個(gè)點(diǎn)就是從數(shù)據(jù)的維度對(duì)目標(biāo)做拆分。
天貓的雙11剛剛過(guò)去,馬云又創(chuàng)造了新的成績(jī),912億。從去年的571億到今年的912億,馬云怎么就敢說(shuō)今年可以做900億呢?在設(shè)定這個(gè)目標(biāo)之前就少不了對(duì)目標(biāo)的拆分。
900億的成交,首先按照過(guò)往的類目占比,拆分到各個(gè)類目,每個(gè)類目承擔(dān)多少銷售指標(biāo),類目再按照過(guò)往的賣家成交額占比拆分到各個(gè)賣家,每個(gè)賣家承擔(dān)多少銷售指標(biāo)。賣家再根據(jù)各自的日常店鋪轉(zhuǎn)化率反推需要多少流量,各類目再結(jié)合平臺(tái)能提供的流量,就可以得到流量的缺口。接下來(lái)再按照各渠道獲取流量的成本來(lái)計(jì)算,就可以得出雙11平臺(tái)需投入的營(yíng)銷經(jīng)費(fèi)數(shù)值。整個(gè)900億的目標(biāo),通過(guò)這樣的拆分,就變得明確可執(zhí)行了。
無(wú)論做什么事情,想做成,都離不開對(duì)目標(biāo)的拆解,任何抽象的事物都可以通過(guò)數(shù)學(xué)的方法來(lái)解決,把事情數(shù)據(jù)化會(huì)讓事情更簡(jiǎn)單可執(zhí)行,也更容易考核效果。
我剛開始接觸電商接受業(yè)務(wù)培訓(xùn),第一節(jié)課就只講了一個(gè)公式。
成交額=買家數(shù)x客單價(jià)
如果你想提升成交額,要么提升買家數(shù),要么提升客單價(jià)。我們可以盤點(diǎn)一下,我們見過(guò)這么多的促銷手段,有哪個(gè)不是為了提升這兩個(gè)數(shù)值的。滿減、滿送、買二送一,這是為了提升客單價(jià)的手段;秒殺,團(tuán)購(gòu),這是為了提升買家數(shù)的手段(秒殺的核心在于集聚大量流量做關(guān)聯(lián)銷售)。
不僅僅如此,這個(gè)公式依據(jù)不同的業(yè)務(wù)場(chǎng)景還可以拆分成多種形式。
買家數(shù) = 商詳uv x 下單率 x 付款率
商詳uv = 廣告展現(xiàn) x 廣告轉(zhuǎn)化率 = 搜索展現(xiàn)x搜索轉(zhuǎn)化率 = 活動(dòng)展現(xiàn)x活動(dòng)點(diǎn)擊率
于是,決定成交額的因素就變成了各個(gè)渠道的轉(zhuǎn)化率、圖片的點(diǎn)擊率、產(chǎn)品的下單率、付款率,這樣多的細(xì)節(jié)共同決定了最后的成交額。接下來(lái)針對(duì)這些細(xì)節(jié)分別去做優(yōu)化,這個(gè)過(guò)程就叫依據(jù)數(shù)據(jù)做精細(xì)化運(yùn)營(yíng)。
仔細(xì)想想,你自己的業(yè)務(wù)又何嘗不是一個(gè)公式呢?試著找到自己的公式,去拆分它,你也許會(huì)不少改進(jìn)的方法。
互聯(lián)網(wǎng)的模式下,無(wú)論做什么產(chǎn)品,根本目的都是為了變現(xiàn),只要是變現(xiàn),就涉及到了轉(zhuǎn)化。而轉(zhuǎn)化其實(shí)就是一個(gè)漏斗模型。
漏斗模型是運(yùn)營(yíng)數(shù)據(jù)里提到的最多的詞了,在業(yè)務(wù)的鏈條里,每個(gè)環(huán)節(jié)的用戶數(shù)是呈不斷衰減的,運(yùn)營(yíng)要做的事,就是想盡一切的辦法來(lái)提升漏斗中各環(huán)節(jié)的轉(zhuǎn)化率。
比如一個(gè)電商的活動(dòng)頁(yè),它的漏斗模型應(yīng)該是這樣的:
有了這么個(gè)漏斗,我就可以分析每個(gè)環(huán)節(jié)代表了什么,我怎樣去改善:
1)pv/uv:頁(yè)面訪問(wèn)深度,直接體現(xiàn)了這個(gè)頁(yè)面是否吸引人,用戶在這個(gè)頁(yè)面是否產(chǎn)生點(diǎn)擊的興趣。
2)活動(dòng)頁(yè)—>詳情頁(yè)uv:頁(yè)面上的內(nèi)容是否吸引人,商品是否是用戶喜歡的,需根據(jù)頁(yè)面點(diǎn)擊情況及時(shí)替換點(diǎn)擊效果差的商品。
3)詳情頁(yè)uv—>下單人數(shù):商品的轉(zhuǎn)化率如何,是不是爆款,此處轉(zhuǎn)化過(guò)低需替換高轉(zhuǎn)化的商品。
4)下單人數(shù)—>付款人數(shù):商品的付款率,如果低于正常值,需要賣家催單。
需要注意的是,漏斗模型是需要對(duì)比的,如果僅僅只有一個(gè)漏斗模型,那么就只是數(shù)據(jù)的陳列,如果要做分析的話,就一定要有對(duì)比,比如和往期的漏斗作對(duì)比,比如與平臺(tái)的均值作對(duì)比,只有在對(duì)比過(guò)程中才會(huì)發(fā)現(xiàn)問(wèn)題。
我們作為產(chǎn)品運(yùn)營(yíng)的同學(xué),必須要熟悉我們產(chǎn)品中每一個(gè)關(guān)鍵數(shù)據(jù),日均的uv是多少、轉(zhuǎn)化率是多少,下載量是多少,這樣在數(shù)據(jù)出現(xiàn)異常的時(shí)候才可以第一時(shí)間發(fā)現(xiàn),熟悉產(chǎn)品數(shù)據(jù),是對(duì)數(shù)據(jù)敏感的前提。
前面講了一些理論層面的,最后給一個(gè)數(shù)據(jù)分析模板給大家,供參考。
1、首先你需要根據(jù)活動(dòng)目標(biāo)確定你的目標(biāo)達(dá)成率,完成百分比,提升百分比。這是這次活動(dòng)取得的成果,在一開始就寫。如:
本次活動(dòng) uv 24w(20w,↑ 20%),uv價(jià)值 3.6(3,↑ 20%)
2、如果是發(fā)周報(bào)、月報(bào)之類的數(shù)據(jù),接下來(lái)就應(yīng)該是核心數(shù)據(jù)走勢(shì)圖
在這張圖里,要對(duì)每個(gè)數(shù)據(jù)的拐點(diǎn)做分析,比如圖中11月7日、8日兩天的uv價(jià)值有明顯提升,這個(gè)的原因,要找到并寫在報(bào)告里。
3、接下來(lái)流量分析,主要為流量來(lái)源分布,各渠道流量轉(zhuǎn)化率分析。流量漲了,要找到是哪個(gè)渠道帶來(lái)的流量漲了,為什么漲了,分析這里的原因。流量的質(zhì)量如何,哪個(gè)渠道的流量轉(zhuǎn)化率高。這里需要兩個(gè)餅圖,一個(gè)是流量渠道占比,一個(gè)是渠道帶來(lái)的轉(zhuǎn)化占比。
從上面的兩個(gè)餅圖里,我們看到明顯站內(nèi)流量的轉(zhuǎn)化率更高,而廣點(diǎn)通帶來(lái)的流量轉(zhuǎn)化率偏低。另外,通過(guò)與往期的渠道來(lái)源占比作比較,我們可以看到當(dāng)前流量構(gòu)成上的變化。
3、轉(zhuǎn)化率分析,也就是漏斗模型分析。前文提到了,漏斗模型需要對(duì)比的數(shù)據(jù),所以在此處的分析,我們需要列兩個(gè)漏斗模型。
對(duì)漏斗模型各環(huán)節(jié)轉(zhuǎn)化的分析,這里主要和往期數(shù)據(jù)做對(duì)比,結(jié)合活動(dòng)頁(yè)面、流量、產(chǎn)品功能等多方面因素,嘗試分析這里各環(huán)節(jié)轉(zhuǎn)化率提升或者降低的原因。
4、模塊點(diǎn)擊分析
我們?cè)O(shè)計(jì)的產(chǎn)品頁(yè)面,或者活動(dòng)頁(yè)面,我們需要知道這個(gè)頁(yè)面的結(jié)構(gòu)是否合理,用戶的點(diǎn)擊分布,這有助于我們改善。當(dāng)我們嘗試新的頁(yè)面樣式的時(shí)候,更應(yīng)該對(duì)這里的模塊點(diǎn)擊做分析,可以驗(yàn)證我們的結(jié)構(gòu)是否對(duì)數(shù)據(jù)帶來(lái)了改善。
模塊點(diǎn)擊分析主要是從點(diǎn)擊餅圖,及其各模塊轉(zhuǎn)化率的角度來(lái)分析,點(diǎn)擊餅圖可以看到用戶的需求,模塊轉(zhuǎn)化率則反應(yīng)了各個(gè)模塊內(nèi)容是否滿足用戶的需求,如果模塊轉(zhuǎn)化率較低,則需要考慮這個(gè)模塊的內(nèi)容是否優(yōu)質(zhì),甚至這個(gè)模塊是否需要改變樣式。
5、改進(jìn)及優(yōu)化
每次的活動(dòng)總是有做的好的地方和做的不好的地方,我們數(shù)據(jù)分析的目的就是為了積累經(jīng)驗(yàn),沉淀方法論,在每一篇數(shù)據(jù)報(bào)告的結(jié)尾,我們需要對(duì)這一次活動(dòng)做一個(gè)總結(jié),比如嘗試了一個(gè)新的玩法,效果如何,嘗試了一個(gè)新的頁(yè)面樣式,點(diǎn)擊率是否有提升,等等。把經(jīng)驗(yàn)應(yīng)用于之后的活動(dòng)策劃當(dāng)中。
寫在最后,想說(shuō)一點(diǎn),數(shù)據(jù)不是萬(wàn)能的。
我們常做的數(shù)據(jù)分析,是建立在海量數(shù)據(jù)的情況下,但往往在初創(chuàng)公司,數(shù)據(jù)系統(tǒng)還不完善,數(shù)據(jù)量不夠的情況下,數(shù)據(jù)只能作為參考,過(guò)分相信數(shù)據(jù)往往會(huì)導(dǎo)致做出錯(cuò)誤的判斷。
數(shù)據(jù)有很多指標(biāo),統(tǒng)計(jì)維度又有很多種,如果深挖下去,會(huì)耗費(fèi)大量的精力,但卻不一定會(huì)有成效,所以找出最關(guān)鍵的幾個(gè)數(shù)據(jù)指標(biāo),對(duì)其最合理地分析,這點(diǎn)很重要。
今天就說(shuō)這么多啦。做數(shù)據(jù)分析,重點(diǎn)不在數(shù)據(jù),而在分析,對(duì)數(shù)據(jù)敏感,就是能清楚數(shù)據(jù)異常背后的原因,這需要經(jīng)驗(yàn),也需要你的思考和執(zhí)行力。希望你可以成為一個(gè)對(duì)數(shù)據(jù)敏感的互聯(lián)網(wǎng)人。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
訓(xùn)練與驗(yàn)證損失驟升:機(jī)器學(xué)習(xí)訓(xùn)練中的異常診斷與解決方案 在機(jī)器學(xué)習(xí)模型訓(xùn)練過(guò)程中,“損失曲線” 是反映模型學(xué)習(xí)狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉(zhuǎn)型加速的今天,企業(yè)對(duì)數(shù)據(jù)的需求已從 “存儲(chǔ)” 轉(zhuǎn)向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計(jì)基本概念成為業(yè)務(wù)決策的底層邏輯 統(tǒng)計(jì)基本概念是商業(yè)數(shù)據(jù)分析的 “基礎(chǔ)語(yǔ)言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問(wèn)題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問(wèn)題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問(wèn)題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過(guò)程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷成為企業(yè)突圍的核心方 ...
2025-09-11