以前產(chǎn)品的好壞主要憑感覺，隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，可獲取用戶的各種行為數(shù)據(jù)，通過數(shù)據(jù)，我們可以了解產(chǎn)品的好壞、用戶的喜好，從而用數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品迭代。

數(shù)據(jù)分析更多的是基于業(yè)務(wù)背景來解讀數(shù)據(jù)，把隱藏的數(shù)據(jù)背后信息提煉和總結(jié)出來，發(fā)現(xiàn)其中有價(jià)值的內(nèi)容。

由于這個(gè)過程中，數(shù)據(jù)是客觀的，人是主管的。同樣的數(shù)據(jù)不同的人解讀出來的結(jié)論可能是不一樣的，甚至是完全相反的，但結(jié)論本身沒有對(duì)錯(cuò)，所以從客觀的數(shù)據(jù)到主觀的人，需要有一些科學(xué)的分析方法作為橋梁，幫助數(shù)據(jù)的信息更好、更全面、更快的傳遞。

那常用的數(shù)據(jù)分析方法有哪些呢？

1、趨勢(shì)分析

當(dāng)數(shù)據(jù)很多，而我們又想從數(shù)據(jù)中更快、更便捷來發(fā)現(xiàn)數(shù)據(jù)信息的時(shí)候，這個(gè)時(shí)候需要借助圖形的力量，所謂圖形的力量，就是借助EXCEl或者其他畫圖工具把他畫出來。下圖是某個(gè)網(wǎng)站7月份每天的訪問數(shù)據(jù)。你無法從數(shù)據(jù)中得出有用的信息。

如果把他用圖形畫出來，你就能發(fā)現(xiàn)一些問題。

1、從7月初到7月末，整體的訪問人數(shù)是呈上升的趨勢(shì)。

2、每周每?jī)商鞌?shù)據(jù)都會(huì)低下去，也就是說數(shù)據(jù)有明顯的周期性，工作日的表現(xiàn)會(huì)比周末好一些。

3、7月29日當(dāng)天出現(xiàn)了一個(gè)波峰，有可能當(dāng)天正在搞活動(dòng)，所以當(dāng)天數(shù)據(jù)是上去的。

這就是趨勢(shì)分析，趨勢(shì)分析一般用于核心指標(biāo)的長(zhǎng)期跟蹤，比如：點(diǎn)擊率、GMV、活躍用戶數(shù)。一般做成簡(jiǎn)單的數(shù)據(jù)趨勢(shì)圖，但光制作成數(shù)據(jù)趨勢(shì)圖還不算分析，必須像上面一樣，數(shù)據(jù)有那些趨勢(shì)上的變化，有沒有周期性，有沒有拐點(diǎn)，并分析背后的原因，無論是內(nèi)部原因還是外部原因。

趨勢(shì)分析最好的產(chǎn)出是比值。有環(huán)比、同比、定基比。比如2017年4月份比3月份GDP增長(zhǎng)了多少，這就是環(huán)比，環(huán)比體現(xiàn)了最近變化的趨勢(shì)，但有季節(jié)性的影響。為了消除季節(jié)性的影響，推出了同比，比如：2017年4月份比2016年的4月份GDP增長(zhǎng)了多少，這就是同比。定基就更好理解，就是固定某個(gè)基點(diǎn)，比如將2017年1月份的數(shù)據(jù)作為基點(diǎn)，定基比則為2017年5月份和一月份比。

2、用戶分群

比如電商網(wǎng)站，我們可以專門分析收件地址為上海的用戶群特征。就好像不同的地方人群有不同的飲食習(xí)慣一樣，不同地區(qū)的用戶肯定也有自己的群體特征。通過把這部分人群提煉出來，我們可以觀察他們購(gòu)買產(chǎn)品的頻度、類別、時(shí)間，這樣就可以創(chuàng)造出該群體的用戶畫像。

將用戶按照不同維度進(jìn)行細(xì)分，可以進(jìn)行精細(xì)化的運(yùn)營(yíng)。比如可以把營(yíng)銷活動(dòng)中支付失敗的用戶收集起來，分析他們支付失敗的原因，優(yōu)化產(chǎn)品設(shè)計(jì)。然后給他們發(fā)優(yōu)惠券，進(jìn)行精準(zhǔn)的營(yíng)銷推廣，提高轉(zhuǎn)化率，增加營(yíng)收。

3、對(duì)比分析

橫向?qū)Ρ?#xff1a;橫向?qū)Ρ染褪歉约罕取Ｄ俏覀冏畛Ｒ姷臄?shù)據(jù)指標(biāo)，銷售額來講，最常見的數(shù)據(jù)指標(biāo)就是我們需要跟目標(biāo)值比，來回答我們有沒有完成目標(biāo)；跟我們上個(gè)月比，來回答我們同比增長(zhǎng)了多少。

縱向?qū)Ρ?#xff1a;簡(jiǎn)單來說就是跟他人比。我們要跟競(jìng)爭(zhēng)對(duì)手比，來回答我們?cè)谑袌?chǎng)中的份額和地位是怎樣的。

很多人可能會(huì)說，對(duì)比分析聽起來也很簡(jiǎn)單么，那我舉個(gè)例子，有個(gè)電商的簽到頁面，昨天它的pv是5000，你聽到這樣的數(shù)據(jù)有啥感受？你不會(huì)有任何感受，如果說你知道這個(gè)簽到頁面的平均PV是10000，說明昨天出現(xiàn)了重大問題，如果說簽到頁面的平均pv是2000，則昨天有個(gè)躍升，數(shù)據(jù)只有對(duì)比，才能產(chǎn)生意義。

常見的對(duì)比應(yīng)用有A/B test。A/B test有三個(gè)必備的因素：

1、A/B test的關(guān)鍵就是保證兩組中只有一個(gè)單一變量，其他條件保持一致。比如測(cè)試首頁的改版效果，就需要保證來源渠道一樣，用戶質(zhì)量一樣，上線時(shí)間保持相同，這樣測(cè)試出來的數(shù)據(jù)才有意義。

2、有足夠的時(shí)間進(jìn)行測(cè)試

3、數(shù)據(jù)量和數(shù)據(jù)密度較高。因?yàn)楫?dāng)產(chǎn)品流量不夠大的時(shí)候，做A/B test測(cè)試得出的結(jié)果也是不準(zhǔn)確的。

新老版本迭代的時(shí)候，我們一般列出一些指標(biāo)，來評(píng)估版本迭代的好壞。比如訪問頻次、使用時(shí)長(zhǎng)、啟動(dòng)次數(shù)、關(guān)鍵事件達(dá)成率、留存率....

而且我們一般采用對(duì)比方式來對(duì)比新版本發(fā)布前后新版本用戶和老版本用戶各數(shù)據(jù)指標(biāo)前后的差異。

經(jīng)常得出的結(jié)論是新版本的數(shù)據(jù)優(yōu)于老版本的數(shù)據(jù)，然而真的是這樣么？通常喜歡升級(jí)新版本的用戶都是最活躍的用戶，因?yàn)樗麄儽旧韺?duì)產(chǎn)品的依賴度強(qiáng)，使用頻度高，升級(jí)的機(jī)率自然就大。

如果想做此類數(shù)據(jù)分析，最好選擇兩個(gè)版本發(fā)布初期的新用戶，保證對(duì)比指標(biāo)之外的其他因素盡可能保持一致。

4、象限分析

依據(jù)數(shù)據(jù)的不同，將各個(gè)比較主體劃分到4個(gè)象限中。如果把智商和情商進(jìn)行劃分，就可以劃分為兩個(gè)維度四個(gè)象限，每個(gè)人都有自己所屬的象限。一般來說，智商保證一個(gè)人的下限，情商提升一個(gè)人的上限。高智商高情商的人事業(yè)順風(fēng)順?biāo)⒏咧巧痰颓樯痰娜俗銎鹗虑閬頃?huì)很痛苦，覺得周圍的人都是傻逼，處理不好人機(jī)關(guān)系、低智商低情商的人就沒啥事業(yè)了，低智商高情商的很會(huì)處理人際關(guān)系，但是學(xué)起東西來比較慢。

扯遠(yuǎn)了，那我們回到數(shù)據(jù)分析，舉一個(gè)之前實(shí)際工作中用過的四象限分析法。一般p2p產(chǎn)品注冊(cè)用戶都是有第三方渠道引流的，如果按照流量來源的質(zhì)量和數(shù)量可以劃分四個(gè)象限。然后選取一個(gè)固定時(shí)間點(diǎn)，比較各個(gè)渠道的流量性價(jià)比，質(zhì)量可以用留存的總額這個(gè)維度計(jì)算。對(duì)于高質(zhì)量高數(shù)量的渠道繼續(xù)保持，對(duì)于高質(zhì)量低數(shù)量的渠道擴(kuò)大引入數(shù)量，低質(zhì)量低數(shù)量pass，低質(zhì)量高數(shù)量嘗試一下投放的策略和要求，這樣的象限分析可以讓我們?cè)趯?duì)比分析的時(shí)候有一個(gè)非常直觀和快捷的結(jié)果。

5、細(xì)分分析法

對(duì)比分析既有橫向?qū)Ρ?#xff0c;又有縱向?qū)Ρ取Ｈ绻认霗M向?qū)Ρ?#xff0c;又想縱向?qū)Ρ?#xff0c;就有了交叉分析法。交叉分析法就是對(duì)數(shù)據(jù)從多個(gè)維度進(jìn)行交叉展現(xiàn)，進(jìn)行多角度的結(jié)合分析。

在分析app數(shù)據(jù)的時(shí)候，通常會(huì)分ios和安卓來看，從下圖我們可以看出ios和安卓的數(shù)量比例，以及兩者之間的差距。

如果在上述圖標(biāo)中加入時(shí)間的維度，數(shù)據(jù)信息會(huì)變得很豐富，從下面的數(shù)據(jù)中我們可以看到ios每個(gè)月的數(shù)據(jù)在增加，而安卓每個(gè)月新增的用戶數(shù)量在降低，整體新增用戶并沒有出現(xiàn)增長(zhǎng)的主要原因就是安卓端的用戶在減少。

從上面的例子我們可以看出，疊加一個(gè)維度，信息的數(shù)據(jù)就會(huì)變得豐富，那我們能否疊加更多維度數(shù)據(jù)進(jìn)行分析呢？答案當(dāng)然是可以的。從上面的圖標(biāo)中我們看到了安卓的2季度數(shù)量是下降的，那為什么安卓的二季度數(shù)據(jù)會(huì)下降呢？這個(gè)時(shí)候可以加入渠道的維度，從圖中可以看出安卓端預(yù)裝渠道的占比是比較高的，而且呈現(xiàn)降低的趨勢(shì)，而其他渠道的變化更不明顯。從這個(gè)過程中我們可以得到更進(jìn)一步的結(jié)論，安卓端二季度新增用戶降低主要由于預(yù)裝渠道降低所致。

細(xì)分分析的主要作用就是從多個(gè)維度細(xì)分?jǐn)?shù)據(jù)，從中發(fā)現(xiàn)最為相關(guān)的維度來探索數(shù)據(jù)變化的原因。

常見的維度有：

?● 分時(shí)：不同時(shí)間段數(shù)據(jù)是否有變化。

?● 分渠道：不同流量來源數(shù)據(jù)是否有變化。

?● 分用戶：新注冊(cè)用戶和老用戶相比是否有差異，高等級(jí)用戶和低等級(jí)用戶相比是否有差異。

?● 分地區(qū)：不同地區(qū)的數(shù)據(jù)是否有變化。

細(xì)分分析法是一個(gè)從粗到細(xì)的過程。

6、漏斗分析

漏斗模型在數(shù)據(jù)分析中很常見了，常見的有注冊(cè)轉(zhuǎn)化漏斗，還有下單支付漏斗。通過漏斗分析可以還原用戶轉(zhuǎn)化的路徑，分析每一個(gè)轉(zhuǎn)化節(jié)點(diǎn)的效率。

漏斗模型中我們往往關(guān)注三點(diǎn)：

1、整體的轉(zhuǎn)化率是多少。就是每一步相對(duì)于第一步的轉(zhuǎn)化率是多少。

2、上一步轉(zhuǎn)化率。每一步相當(dāng)于上一步的轉(zhuǎn)化率。

3、哪一步流失最多，流失的原因是什么？流失的用戶都有哪些特征？

7、留存分析

在人口紅利消退的年代，留住老用戶的成本遠(yuǎn)遠(yuǎn)低于獲取新用戶的成本。所以可以重點(diǎn)關(guān)注用戶的留存事宜。比如可以通過分析用戶行為和留存之間的關(guān)系來提升留存。

比如Linkdin就發(fā)現(xiàn)用戶添加5個(gè)以上的聯(lián)系人，留存率顯著提高。

8、數(shù)據(jù)建模

數(shù)據(jù)建模是一種用于定義和分析數(shù)據(jù)的要求和其需要的相應(yīng)支持的信息系統(tǒng)的過程。

當(dāng)我們需要預(yù)測(cè)判斷客戶的流失時(shí)，我們可以通過用戶行為數(shù)據(jù)、用戶畫像等數(shù)據(jù)建立流失模型。利用統(tǒng)計(jì)學(xué)的方式進(jìn)行一些組合和權(quán)重計(jì)算，從而得知用戶滿足那些行為之后，流失的可能性更高。

9、歸因分析

我們買一件東西，可能會(huì)有多次轉(zhuǎn)化節(jié)點(diǎn)。比如我們想買一個(gè)衣服，第一次在淘寶上看到的時(shí)候想買沒買，加入購(gòu)物車了。第二次我們?nèi)ゾ€下實(shí)體店的時(shí)候，我們又看到這樣一件衣服，這個(gè)時(shí)候我們下單了。這里面有三個(gè)節(jié)點(diǎn)（分別是淘寶平臺(tái)、淘寶平臺(tái)上的商家、線下實(shí)體店），到底哪一個(gè)節(jié)點(diǎn)貢獻(xiàn)更大呢？這樣的一個(gè)分析模型，我們把它叫做歸因分析。當(dāng)然轉(zhuǎn)化并不一定是完成銷售，注冊(cè)也是轉(zhuǎn)化，一次訪問也是轉(zhuǎn)化，所以可以根據(jù)自己的實(shí)際業(yè)務(wù)需求制定自己的轉(zhuǎn)化目標(biāo)。

歸因模型在使用過程中通常分為幾類：最終互動(dòng)模型、首次互動(dòng)模型、線性歸因模型、時(shí)間衰減歸因模型、自定義等，這里逐一進(jìn)行描述：

產(chǎn)品情景描述：用戶在淘寶上想買東西，沒買，加入購(gòu)物車了，過幾天又在線下實(shí)體店看到，這次終于下定決心購(gòu)買，最終完成轉(zhuǎn)化。

最終互動(dòng)模型：最后一個(gè)節(jié)點(diǎn)將被分配100%的功勞，那么線下實(shí)體店獲得100%的功勞；

首次互動(dòng)模型：用戶首先是在淘寶上看到的，那么淘寶將被分配100%的功勞；

線性歸因模型：用戶從開始搜索到轉(zhuǎn)化，共經(jīng)歷了3個(gè)渠道（節(jié)點(diǎn)），那么每個(gè)節(jié)點(diǎn)將被平均授予33.3%的功勞；

時(shí)間衰退歸因模型：用戶在淘寶以及淘寶上的商家看到這件衣服是幾天之前的事情，那么這兩個(gè)渠道因?yàn)闀r(shí)間經(jīng)歷比較長(zhǎng)的原因?qū)⒈环峙漭^低的功勞（如各20%），實(shí)體店將被分配相對(duì)較高的功勞（60%）；

歸因模型主要用于渠道的分析，目的在于找到有利的渠道，然后擴(kuò)大合作。

總結(jié)：現(xiàn)在都是說用數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品增長(zhǎng)，只有掌握合適的數(shù)據(jù)分析方法，才能驅(qū)動(dòng)產(chǎn)品增長(zhǎng)。不掌握數(shù)據(jù)分析方法，光有數(shù)據(jù)也產(chǎn)生不了價(jià)值。希望能幫到大家，喜歡的小伙伴點(diǎn)個(gè)在看唄。

最后，也歡迎有問題的小伙伴加微信：yw5201a1?溝通交流。

更多干貨可關(guān)注微信公眾號(hào)：產(chǎn)品劉

··················END··················

RECOMMEND

推薦閱讀

產(chǎn)品經(jīng)理需要向上思考

分享一篇關(guān)于陌生人社交的競(jìng)品分析報(bào)告

手把手教你做產(chǎn)品經(jīng)理

B端產(chǎn)品如何尋找競(jìng)品

點(diǎn)擊“閱讀原文”

查看更多干貨

總結(jié)

以上是生活随笔為你收集整理的这些数据分析方法你都掌握了么的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。