8分鐘讓你快速讀懂數據分析

最近在學習一些數據分析方法，結合自己的一些心得，梳理出以下數據分析文章，讀完本文大概需要8-10分鐘。

一、什么是數據分析？

數據分析是指用適當的統(tǒng)計方法對收集來的數據進行分析，以求最大化的發(fā)揮數據的價值。數據如同金錢一樣，本身并沒有太多的價值，而正是由于使用分析方法的存在，利用分析方法來得出一定的結論與發(fā)現問題，從而挖掘其巨大的價值。

二、為什么數據分析？

很多時候，VC投資需要看數據，做投資決策；公司產品/運營需要做迭代的依據... 數據需求的可能會來自多個方面，總體而言，數據分析的原因主要有以下四種：

1.驅動產品迭代：
用戶使用產品的真實軌跡是怎樣的？為什么他們會這么做，有沒有更簡便的流程，以幫助我們作出優(yōu)化決策？也可以分析產品過往的數據，來洞悉問題，驅動有目標的產品迭代。

2.深度需求分析
對用戶所處馬斯諾幾個層面的需求，用數據來支撐；對交互需求，用數據佐證；對公司層面的需求，通過數據驗證合理性。

3.驅動運營決策：
產品新功能上線后效果怎么樣？新功能的用戶活躍度、用戶留存率的變化？A方案和B方案哪個更好？諸如此類的問題，評判一個問題的好壞，比較可靠的恐怕就是數據了。感性的定義很多時候往往會產生大量的不必要的爭執(zhí)。

4.決策商業(yè)機會：
針對商業(yè)機會的評估，必要的需求調研及市場調研顯得尤為關鍵。一個新市場是否值得介入？一個新項目是否值得投資？是否可以收購某公司等等？

三、如何數據分析？

viri.png

1、數據采集：

原則1：全量而非抽樣

采集多種數據來源，前端與后端、業(yè)務數據庫的全面采集。前端有網頁端與APP客戶端等，后端采集用來補充前端行為事件所無法采集到的數據。

原則2：多維細分

針對客戶行為事件實現5W1H的全面細化，將行為中的什么人、什么時候、從哪里、什么原因、什么事情、如何做的行為軌跡全面記錄下來，并進行細化，人（who）可以從注冊賬號、性別、年齡、個人成長階段等細分；時間(when)可以從起始時間、結束時間等細分；從哪里(where)可以從IP、位置信息、運營商、OS、機型、IMEI、網絡接入方式（2G/3G/4G/WIFI）等細分；原因(why)可以從愛好、需求層級等細分；事情(what)可以從主題、步驟等細分。行為事件與維度的結合，就能得出需要的指標，比如用戶在什么地域下的訂單......

目前數據采集（埋點）方式主要有三種：

第一種：使用第三方統(tǒng)計分析標準SDK接入到應用中

第二種：使用無埋點方式

第三種：自己開發(fā)，精細化運營與產品決策

2、數據建模：

搭建數據指標模型大致要考慮以下三大要素：

a.打通行為數據與業(yè)務數據；
b.回歸關鍵數據指標
c.多維度考慮數據可行性

第一關鍵指標方法

找出第一關鍵重要指標，然后衍生于子指標，比如：電商銷售額
如果你想提升銷售額，要么提升買家數，要么提升客單價。
銷售額=買家數x客單價
銷售額=流量x轉化率x客單價
在到達商品詳情頁中，這個還可以衍生為：
銷售量=商詳uv x 下單率 x 付款率x客單價
銷售量= 活動展現 x 活動轉化率x 下單率x付款率x客單價

各階段指標側重：

各階段.png

MVP階段（驗證）：驗證可行性與以用戶留存率為目標，定性分析，這個階段本身并沒有多少數據可言（數據型產品）除外。

增長階段（跨越鴻溝）：大多數公司都沒能到這個階段，增長階段的數據分析需要適當的去對應相應的數據產品分析師，或者使用更深度的數據工具來做相應的決策?？梢苑譃閮蓚€層面
1.留存階段，主要以留存率為指標（次日留存、7日留存、15日留存、30日留存率等）；
2.引薦階段，主要考慮病毒系數與病毒周期：平均一個用戶能帶來多少個新用戶。所以當病毒系數大于1時，信息將會不斷擴散，而總傳播人數是發(fā)散的。相反，當病毒系數小于1時，總傳播人數是收斂的，以及NPS（凈推薦值）。

平臺期（激活轉化）：有專門的數據分析師、工程師，團隊對數據分析更加深入。主要關注的是平臺用戶的活躍度、轉化率，使得度過平臺期迎來下一個增長期。

變現期:營收成本、用戶激活召回、LTV、CAC、渠道分析等指標

3、數據分析：
分析方法：有效的數據分析方法能夠深度挖掘數據的價值，常見的數據分析法與模型有用戶分群、A/B測試、多維事件分析、漏斗分析、AARRR分析等等

這里主要以漏斗分析法、AARRR分析模型、A/B測試、多維事件分析為例展開：

● 漏斗分析法

分析從潛在用戶到最終轉化用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優(yōu)化空間，這個方法被普遍用于產品運營的各個關鍵流程分析中。

何為用戶轉化漏斗，就是你的業(yè)務是如何一步步將一個用戶轉化過來。比如：

活動：活動展示—>點擊詳情—>轉化
約妹子：搭訕—>約會—>牽手->......

經過的每個階段，都可以拆為好幾個子階段。而每一個階段都會有用戶流失、用戶留存下來。對漏斗的每一個環(huán)節(jié)準確地記錄數據，以便分析和優(yōu)化各個環(huán)節(jié)的轉化率，是數據化運營的基礎設施。

比如一個電商的活動頁，它的漏斗模型應該是這樣的：

下單率.png

從瀏覽活動頁面到詳情頁的轉化率是50%，在詳情頁下單的下單率是10%，最終下單到付款的轉化率是40%。

有這么個漏斗，我們就可以分析每個環(huán)節(jié)代表了什么，該如何去改善：

活動頁—>詳情頁uv：頁面上的內容是否醒目，商品是否是用戶喜歡的，需根據頁面點擊情況及時替換點擊效果差的商品。
詳情頁uv—>下單人數：詳情頁是否吸引人，頁面加載速度是否有影響，是否需要將商品重新排序。
下單人數—>付款人數：是否支付引導差，支付工具是否有故障，是否低于業(yè)內平均指標。

另外，在同一個系統(tǒng)內部，也需要做轉化率進行對比，比如本月與上月，本周與上周，增加了還是減少了，這樣才能得出更為準確的結論與發(fā)現問題。

● AARRR模型

AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷的一個風險投資人戴維 · 麥克魯爾在2008年時創(chuàng)建的，分別是指獲取、激活、留存、收入和推薦。

AARRR.png

以下例子中渠道A與渠道B哪一個更優(yōu)？

比如游戲AARRR各階段指標
1.A（How do users find us?）
DNU(日新注冊且登陸用戶數)、推廣渠道監(jiān)測（成本、流量）
2.A（Do users have a great first experience?）
DAU（每日登陸過游戲用戶數）、日均使用時長、道具關聯分析模型
3.R（Do users come back?）
留存率（次日留存、7日留存、21日留存、30留存）、流失率、流失預警分析模型
4.R（How do you make money?）
PR（付費率）、 ARPU（平均每用戶收入）、ARPPU（平均每付費用戶收入））、LTV（生命周期價值）
5.R（Do users tell others?）
K-factor、NPS等

● A/B測試

A/B測試就是通過數據支撐，不同渠道、不同人群、最終選定方案。

A/B測試需要有一定的數據支撐，建立準確性與效率高的框架，比如針對不同渠道、用戶分群發(fā)布、灰度發(fā)布等來得出合適方案,這里不加以展開.

AB測.png

● 多維事件分析法

多維事件分析，從多個角度細分數據，從中發(fā)現數據變化的具體原因。行為事件與維度的結合可以得到數據指標，比如在電商應用中：
行為事件（1H）：搜索商品、點擊商品詳情、提交訂單、支付訂單、售后服務等等都是一系列事件
維度(5W)：人（who）可以從姓名、性別、年齡；時間(when)可以從停留時間、下單事件、付款事件、到貨時間等細分；從哪里(where)可以從IP、城市、運營商、OS、機型、IMEI、網絡接入方式（2G/3G/4G/WIFI）等細分；原因(why)可原因(why)可以從愛好、需求層級等細分；事情(what)可以從主題、步驟等細分。
兩者結合就可以得出多維度指標，比如用戶在哪個區(qū)域下訂單，從什么渠道過來的，過去一段事件支付訂單款項多少等等......

四、數據不是萬能的

數據雖然不可或缺，但也不是萬能的，比如在產品創(chuàng)新方向上很難獲得驅動，在長期的用戶反饋上很難獲得數據的足夠判斷，那么真正能驅動一款產品的用戶快速增長，靠的都是什么方法呢？

驗證.png

- 做真正有意義的產品

市場上很大一部分產品都是意義不大的，尤其在這個存量過于飽和的市場下，要獲得用戶的快速增長，還是應該回到產品的核心上來，創(chuàng)造真正有價值的東西，輔以數據驅動，這樣的結合可能能獲得更大的增長。

- 塑造品牌價值
對核心用戶尤其要重點塑造品牌觀念，在傳統(tǒng)行業(yè)中，眾多企業(yè)做品牌的重視度高于互聯網行業(yè)的企業(yè)，而在互聯網確是常常不被重視的，與本身的燥熱有很大關系，也許我們可以看看健身應用Keep的slogan與品牌塑造案例里面學習到更多的東西。