外贸网站建设需求,企业官网建站,想要导航页推广(推广页),做网站开发的公司销售《数据分析方法和业务实战》读书笔记
共9章#xff1a;前两章入门#xff0c;3-7章介绍基本方法#xff0c;8章从项目实战介绍数据分析#xff0c;9章答疑常见问题。
1 数据分析基础 数据分析的完整流程 数据-》信息-〉了解现状-》发现原因-〉获取洞察-》问题机会-〉驱动…《数据分析方法和业务实战》读书笔记
共9章前两章入门3-7章介绍基本方法8章从项目实战介绍数据分析9章答疑常见问题。
1 数据分析基础 数据分析的完整流程 数据-》信息-〉了解现状-》发现原因-〉获取洞察-》问题机会-〉驱动改变-》迭代增长-〉回到数据
3个关键点
数据。数据时分析的基础。数据是由指标组成的指标主要分成2种绝对值指标例活跃用户数、下单人数等、比例型指标例下单转化率、搜索渗透率等。数据分析的过程。要用专业的数据分析思维和方法来进行分析例5W2H、相关性分析等。 例如某电商APP下单转化率降低20%这就是数据呈现的业务现状我们需要通过分析去发现原因获取洞察 数据分析的结果。通过分析挖掘定位出问题的原因并且给出相对应的结论。 例如我们发现下单转化率降低主要是由于用户活跃到浏览商品环节引起可能是用户不喜欢我们推荐的商品。我们可以给业务方提出建议优化推荐结果或搜索结果。也是流程中说的驱动改变、迭代增长。 数据分析的4个作用 分析原因 用户活跃度降低的原因销售收入降低的原因。。。 评估效果 评估投放不同金额优惠券的策略哪个有效。可以通过核心指标的变化来评估不同策略的效果 产品迭代 分析产品功能升级对指标的变化 用户增长 利用用户增长模型AARRR通过指标分析更好的增长策略 数据分析的步骤 明确分析目的 常见3种目的 指标波动型某些指标下降、上涨或异常的分析例如用户留存率降低 评估决策型某个功能、活动上线的效果评估 专题探索型例体验类的专题分析如何提高用户查找表情的效率。 数据获取 通常要注意提取的维度例时间、设备、年龄性别地域、新老用户维度和对应的指标例活跃浏览比、浏览添加比、添加下单比、成功下单率个数。 数据处理 常见有异常值处理、空值处理 数据分析 根据分析目标选择合适的分析方法和分析思路 数据可视化 总结与建议 数据分析师的日常工作 数据体系的搭建 作用帮助企业监控产品各个功能模块的情况 策略模型的搭建 作用针对业务的需求帮助业务方解决业务问题 专题分析评估 作用针对业务中的一些问题开展专题分析
2 数据指标体系
什么是数据指标
数据指标是通过对数据进行分析的一个汇总结果是使得业务目标可描述、可度量、可拆解的度量值。数据指标不仅是数据而且要被数据分析利用。
数据指标由“维度”和“计算方式”组成。
常见的维度有平台IOS、安卓、时间日期、新/老客户、年龄群体、渠道来源。。。常见的计算方式有求和、求差、取均值/中位数、相除/相乘、最大/最小
举例“安卓用户的平均观看时长”维度是安卓计算方式是平均观看时长即取时长的均值。
什么是数据指标体系
数据指标体系是把数据指标系统地组织起来它面向功能模块或者其他业务模块。
以微信APP为例微信有表情、朋友圈等业务模块所以每一个业务模块都有自己的指标体系对应的微信表情指标体系、朋友圈指标体系等。微信表情指标体系中包含表情相关的数据指标有用于评估表情发送的有表情发送人数/次数/个数、发送时长、发送渗透率等。
为什么搭建数据指标体系
监控现状反映问题预测趋势评估分析决策支持
常见的数据指标体系
互联网产品典型的数据指标体系
拉新指标活跃指标留存指标付费指标传播指标
电商平台的数据指标体系
用户平台商品
3 如何搭建数据指标体系
什么是数据埋点
埋点就是在APP中特定的位置或者功能中埋下数据点以收集一些信息用于追踪APP使用的状况为后续优化产品或者运营提供数据支撑。
一般利用埋点我们想获取用户的基本信息/行为信息。行为信息有在什么时间、哪个用户点击了哪个按钮、浏览了哪个页面、浏览时长的数据等。
埋点有2种方式。1.自己公司的研发人员在产品中注入代码通常有客户端埋点和后台埋点。2.第三方统计工具如友盟、神策、Talkingdata等。 为什么埋点 产品迭代精准用户运营完善用户画像产品指标计算算法依赖
如何设计埋点方案
4个要素
明确埋点目标确认上报变量。帮助我们获取和用户操作行为相关的数据如userid、device。。。明确上报时机。例用户点赞行为的时间、用户停留时长的上报。明确优先级。重要数据优先上报。
埋点的开发流程
在埋点工作中产品经理、数据分析师、开发人员需要合作参与。
具体流程有
需求提出。业务方应该了解自己负责的产品的功能明确当下关注的数据指标并且可以把这种数据指标的需求准确地传达给数据分析师。埋点梳理和设计。可以通过5W2H框架Why, What, Where, When, Who, How, How much来完成。埋点开发数据校验数据使用
指标体系搭建方法论
利用科学的数据指标体系搭建方法如北极星、OSM、AARRR等去搭建一个完整的、科学的、高效的、业务向的、分析型监控型的指标体系。
OSM模型Object业务目标 Strategy业务策略 Measure业务的度量 其中业务目标要符合DUMB原则Doable切实可行、Understandable易于理解、Manageable可干预可管理、Beneficial正向有益该模型从简洁的思路出发以目的-方法-评估为线协助企业。 UJM模型User Journey Map用户旅程地图 梳理出完整的用户行为路径在每个环节设计相对应的指标进行评估。 AARRR模型Acquisition获取、Activation活跃、Rentention留存、Revenue变现、Referral推荐 从用户获取、用户活跃、用户留存、用户变现、用户推荐这5个阶段设计数据指标体系。
数据指标体系搭建步骤
通常有以下步骤。
需求提出。明确业务方的需求例如评估表情包业务的健康情况及用户的活跃度。指标规划。利用OSM模型UJM模型。明确业务目标例如提高表情发送次数再思考出比较原始的大纲策略例如“让用户可以更快找到表情”、“让用户有想发表情的欲望”最后在M度量层面利用UJM模型列出业务的具体流程得出相应的数据指标。数据采集。把数据指标对应的埋点确定好让开发人员采集。指标计算。经过数据清洗、加工、汇总获得可以被利用的数据。搭建报表。
4 数据分析方法论
我们可能需要探究用户留存率降低、或活跃度降低的原因能想出一些零散的解决方法。但是数据分析方法能将这些零散的想法和经验整理成有条理的、系统的思路从而快速解决问题。
营销管理方法论
下面介绍几个经典、传统的营销管理方法。
SWOT分析
SWOT分析【Strengths, Weakness, Opportunity, Treats】来自企业管理理论中的战略规划又名态势分析。
PEST分析
PEST分析【Polirics, Economic, Society, Technology】是外部环境分析的一种方法。
4P理论
4P理论主要包括ProductPlace渠道PricePromotion推广 。
常用数据分析方法论以及应用
对比细分
细分相当于从多个维度分析然后细化成多个类别。对比简单来说就是和先前同期等作对比。
假如活跃人数降低可以细分的维度有时间天、月、年、用户新、老用户不同设备用户、地区等。
然后需要对比对比是在细分的基础上选择合适的指标进行对比比如分析今天的朋友圈和上周同一天的转发情况如何。
其实在数据分析报告中细分和对比也是贯穿整个数据报告的一种思维。
生命周期分析法
生命周期分析法主要目的是保留将要流失的用户。每一个用户在某个产品都存在生命周期——获取用户首次转化、用户成长活跃拉升、用户不断成熟流失干预、用户衰退流失换回。
但是挽留用户有成本我们要干预即将流失的用户、以及刚流失不久的用户因此要精准地识别出他们否则会增加成本。这里有流失周期的概念也就是用户在一定时期内没有活跃的时间点这是干预用户的最佳时间段。
有2种寻找用户流失周期的方法
分位数法
前提知识分位数Qunantile的概念。
首先要计算一定数量的用户活跃的时间间隔例如用户a使用该产品3天用户b使用该产品23天等。。。我们可以取90%的用户的活跃时间间隔都在某个周期以内的时间点为流失周期。例如72天以内距首次注册到最后一次登录的用户数占比达90%可以将72天作为用户的流失周期。
拐点法
以天、周或年为单位统计每个单位时间点的留存人数率。一般来说下降较大的时间点成为拐点可以作为流失的分界点也就是流失周期。之后时间里留存人数率保持比较稳定的水平。
RFM用户分群法
RFM用户分群法用于划分用户针对不同的用户采取不同的运营策略称作精细化运营。它利用用户付费行为的多个特征来对用户的价值进行划分可以有效地解决这种分群的问题。
R-Recency-最近一次消费F- Frequency-消费频率M- Monetary-消费金额
根据数值的高低一共有9种类别。例如R值低F值高M值高成为重要价值用户这种用户价值度非常高因为忠诚度高付费频次高付费金额也高。
根据不同的类别需要采取不同的策略。比如重要召回用户交易金额和次数多但最近无交易需要运营/业务人员对其进行召回可用红包、奖励、优惠券等方式。
相关性分析
以留存率为例产品经理如果想关注用户留存率和哪些指标相关就需要使用相关性分析观察哪些指标有相关性相关性程度多大。
相关性大小一般用相关系数R来描述0.95为显著性相关0.8为高度相关0.5R0.8为中度相关0.3R0.5为低度相关0.3为不相关。
我们可以用python的seaborn.sns库进行相关性分析。
用户画像分析
作为企业方他们想知道用户是什么样的因此用年龄、性别、收入等特征描述用户这就是用户画像分析。它能帮助产品策略人员发掘用户的价值、帮助产品运营人员利用群体特征寻找新用户、挽留老用户。
基于软件里统计到的数据对数据进行处理将用户进行聚合再做成报表汇总数据最后再应用在软件当中。
Aha时刻
Aha时刻也被称为惊喜时刻是用户第一次使用产品时的惊喜体验。在渠道吸引了用户后就需要APP做好相应的承接工作让用户发现产品的价值发现能让用户留存的Aha时刻。
5W2H分析法
5W2H为我们提供问题的分析框架。
What问题是什么本质是什么When问题发生在什么时候Where何地或者哪个功能有问题Who谁哪个用户群体Why为什么会这样出现什么问题How怎么做策略方法How much解决成本解决到什么程度
麦肯锡逻辑树分析法
逻辑树把已知的问题比作树干然后考虑哪些问题或任务与已知问题有关将这些问题或子任务比作逻辑树的树枝一个大的树枝还可以继续延伸出更小的树枝逐步列出所有与已知问题相关联的问题。
逻辑树满足以下3个原则
要素化把相同问题总结归纳成要素。框架化将各个要素组织成框架遵守不重不漏的原则。关联化框架内的各要素保持必要的相互关系简单而不孤立
逻辑树的作用
将业务的整体目标进行结构化拆解然后转化成可以量化的数据指标再转变为指标体系。分析数据问题。例针对用户订单数减少的问题从多个维度思考定位可能的流失原因再用数据验证。它可以帮助分析DAU日活跃下降的因素。
漏斗分析法
漏斗分析是一种可以直观呈现用户行为步骤及各步骤之间转化率的分析方法。
以淘宝购物为例从打开淘宝APP到搜索商品、查看商品详情、添加购物车、下单到成功交易漏斗分析法帮助我们计算每一个环节的转化率。
漏斗分析法的作用
功能优化。在哪个阶段转化率特别低可能是功能出现了问题。运营投放。查看优惠投放对用户的效果对没有效果的用户进行对照分析用户流失。实质上还是分析哪个阶段/哪条路径出现问题
在用户增长分析中最著名的漏斗模型叫做AARRR即从用户获取、用户激活、用户留存、用户付费到用户传播。从上往下的漏斗。
以拼多多为例用户获取上利用“帮朋友砍一刀”功能激励其他用户下载APP在用户激活上发放拼多多百亿补贴促使用户与其他平台比价尝试消费用户留存上采取签到白嫖小商品的策略激励用户每天登录。。。
5 用户留存分析
什么是用户留存
留存用户即经过一段时间后仍然继续使用该应用的用户。这部分用户占当时新增用户的比例即用户留存率会按照每个单位时间例如日、周、月来进行统计。
以第1日留存率即“次留”为例当天新增店小二用户中新增日之后的第1天还登录的用户数/第1天新增总用户数。
为什么要用户留存分析
我们在加大广告投放提高APP曝光带来新用户的同时。也需要关注用户的留存情况。避免一边不断地获取新用户一边用户不断地流失的情况。
留存是一方面帮助拉新和激活把用户沉下来另一边牵着转化和口碑让真正沉下来的用户更好地转化和传播。
5个关注留存的理由
10%的用户在下载APP的一周后仍继续使用一个月后这个数字只有2.3%。52%的APP会在3个月后失去至少一半的重度用户。获取新用户的成本比留存现有用户的成本高5倍以上。老用户比新用户尝试新功能的可能性高50%。公司未来80%的收入将来自20%的现有用户。
用户留存分析方法论
一共有4步
1 关键行为特征数据的提取
自己思考有哪些用户的行为回影响到用户留存率然后将猜想的因素与相关的业务人员进行沟通再完整地提取数据。
2 相关性分析
挖掘与留存率相关的用户行为以及把这些相关性量化。
3 因果分析
利用因果推断方法例如Granger Test因果检验分析哪些行为是造成用户留存率高的原因。
4 Aha时刻
当我们已经判断了某个行为就是用户留存率高的原因时挖掘出用户的Aha时刻然后针对用户的Aha时刻涉及的产品模块去优化。 以直播APP用户留存分析为例
猜想与留存率相关的行为有登录行为、观看行为、弹幕行为、付费行为。然后再细化数据指标例观看行为有30天观看主播数30天观看品类个数30日日均观看时长。使用pandas库的corr()等方法分析用户留存率与这些特征的相关性。假设与留存相关最大的4个因素如下30天或者7天登录天数30天观看品类个数30天观看主播数30天日均观看时长。相关性不等于因果相目前还无法判断登录活跃和用户留存率高哪个是因、哪个是果。使用格兰杰因果关系检验可知因果关系如下30天登录天数、30天日均观看时长、30天观看品类个数是留存的原因30天充值次数是留存的原因但留存不是30天充值次数的原因。寻找这些行为达到一个怎样的值后会大大影响留存率。以因果数据指标为横坐标用户留存率为纵坐标寻找大幅增加留存率的转折点。例月登录4天周登录3天月观看7个主播数月日均观看时长4分钟是促进留存的Magic Number。
6 用户特征分析
为什么要用户特征分析
想要做一个成功的产品就要了解产品面向用户的需求根据用户的需求更好地解决用户痛点更好地满足用户需求。
用户需求分析的3大应用场景
1 寻找目标客户我们的用户是谁、活跃的用户是谁、流失的用户是谁
分为2种
1.1 虚拟的目标用户分析
业务方希望按照业务逻辑假设确定一部分人群作为目标用户在这个新产品研发出来后先让这些目标用户体验。根据他们的反馈来迭代和改进产品。
1.2 真实的目标用户分析
利用产品上线以后真正使用产品的用户数据分析这些用户的基础属性特征包括年龄、性别、城市以及用户的行为特征等。起初分析用户是谁发现现在的主流群体是不是产品最开始的定位上线一段时间后可以对用户进行不同活跃等级的划分再过一段时间分析留存和流失的用户在行为特征上的差异。
2 寻找运营抓手拉新、减流、促活
根据用户特征分析的结论运营方从这些结论中寻找可以施加策略的地方这些地方就是所谓的抓手。为了增加活跃度分析留存用户具有的典型行为特征使用抓手针对性地让用户具有这些行为特征。
3 精细化运营活跃分层、付费分层、潜力分层
粗放式运营是让所有用户看到的东西都是一样的根据大众最终的实验效果去反馈运营策略。
而精细化运营会比较细致针对不同生命周期的用户、同一生命周期的不同类用户甚至是每个用户展示不同的内容采取不同的运营策略完成最终的转化。
用户特征分析的方法
常见方法有用户画像分析、聚类分析k-means算法、监督模型决策树、RFM用户分群。
评估用户特征
要与业务方的目标一致结论要被业务方理解圈出用户数量要足够。为了达到定向运营的标准需要筛选足够的用户基数。用户特征分析足够置信
7 用户流失分析
什么是用户流失
首先介绍用户的活跃、沉默、唤醒它们是客观存在的。而流失是主观定义的。
活跃一段时间内的用户活跃次数比如日活、周活、月活。沉默一段时间内用户活跃次数为0比如沉默一周、沉默30天。唤醒沉默一段时间后的用户又重新活跃。
由此定义流失是指沉默超过一定时长的用户且该时长之后用户的自然回流率很低。流失时长可以参考用户的沉默时长曲线横轴是沉默时长纵轴是用户数沉默曲线的拐点就是用户流失的时间点。
沉默时长超过流失时长的用户为流失用户。流失之后又被唤醒的用户定义为回流用户。当然也可以简单地定义流失用户周流失、月流失【或者说周沉默、月沉默用户】
我们还需要预测哪些用户会流失提前针对这批用户进行运营。常见的方法有基础属性分析对比非流失用户的年龄、性别、地域等特征和行为属性分析登录、观看、订阅等行为的特征规律。
如何召回流失用户
RFM分析。通过用户分群识别优质用户确定用户流失类别来采取合适的召回策略。消息推送和发送邮件。发送感兴趣的东西比如内容型产品推送感兴趣的视频、小说、音乐等。或者推送优惠券等福利类的推送。邀请用户填写反馈信息并采取措施。当决定采纳任何修改建议后让用户知道你在听取他们的意见。提供个性化服务。指派专门的服务代表随时为用户提供疑难解答。为用户提供各种联系渠道。
