细分思维可以说是数据分析最重要的思维,这也是一个看起来很简单,想做好很难的技能。本文作者将从三层境界来分析细分思维,希望对你有帮助。
数据分析基础思维之:细分思维 - 图1

第一层境界:单一维度细分

估计一半以上的数据分析师还在这个境界。
举个例子,新用户数量下降了,怎么分析?

理想情况:
一般的步骤就是拆解,从系统、地域、机型、版本等各种维度找新用户下降的原因,最后发现是某个版本出了问题。大功告成!

真实情况:
真实业务场景很少有这么明显的问题。往往是从各个不同的维度拆,最后找到一堆有差异的分类维度。每个维度看起来都有点道理,但是拼在一起只能把问题变得更加复杂。数据和业务人员大家开个会看了半天,发现一点用都没有。

单一维度分析法是在分析初期,摸索业务现状时经常用的分析方法。在实际分析中,一般不会用到单一维度的分析直接找到答案。

提高单一维度分析的效率,最好的办法是根据业务问题有目的地选择需要分析的维度。
比如新用户数量下降,一般可以通过两个维度进行拆分。

第一种维度是新用户的来源,可以从各应用市场分析,看是全部下跌还是部分下跌。通过来源维度判断问题的性质,如果是部分下跌,那么可以重新定义问题。如果是全部下跌,就要深入分析为什么全都下跌。

第二种维度是新用户来源的漏斗,从曝光到点击到打开APP等不同步骤细分出不同的指标,找到分析转化链路找到转化的下降环节,这种增加过程指标的方式可以找到问题原因。

顺便提一下,这两种维度分别是从归纳法和演绎法的角度去思考。所以很多底层思维还是要多了解一下,指不定哪里就出现了。

第二层境界:交叉维度细分

如果单一维度没用,那自然就会想到用多个维度一起找原因。
问题:客单价下降,是哪部分用户下降?

理想情况:
先用单一维度一个个去拆分客单价,然后用差异明显的维度组合起来看客单价差异。最后区分度大的维度强强联手,整出了一个巨牛X的交叉维度。男性一线城市安卓机型的用户下降最明显,数据和业务看了都说好~

真实情况:
大多数人认为的A维度有差异,B维度有差异,那么A和B组合起来一定差异更大。这是一个非常错误的认识。
现实中也许A维度和B维度细分出来都没啥区别,但是一组合区别就特别明显。

比如将考试成绩按照性别和科目分类,分为男生女生、理科文科。

按男女看,大家分数都差不多,平均分都是75分。
按照文科理科看,成绩也差不多,也是75分。
数据分析基础思维之:细分思维 - 图2
但是两者交叉之后,男生的理科高,文科低。而女生的文科高,理科低。

看到问题了吧,先用单一维度排查,再将有效的单一维度组合起来形成交叉维度的做法是不可行的,并不一定能找到真正有效的交叉维度。

有些同学说,这题还不简单,我会,用暴力破解啊!

我对多个维度进行两两交叉,看两两交叉的维度有没有差异不就行了。

话是这么说没错,但是如果有10个维度,你两两分组的情况就有45种之多。如果是三个交叉分组呢?如果有20个维度呢?

用暴力破解的办法,在真实的业务场景下,时间成本非常大。
那交叉维度该怎么做呢?

要做好交叉维度的细分,必须先从业务逻辑入手,从业务逻辑梳理出合理的分类,再用数据区分各个分类。
举个例子,投资类产品的运营人员希望对不同的用户进行精细化运营,希望数据分析师提供一下用户的分类维度。

这个时候,最好的办法就是和业务方沟通几次,看一下他们对用户的了解和一些假设。通过数据验证假设要比自己从数据里找出快速得多。

在细分维度时需要考虑具体的业务场景和运营手头拥有的资源。

运营能打的牌其实很有限:持续提供的不同风险等级的理财产品,以及偶尔进行的让利促销活动。

所以我们能做的分组最好是能够贴合运营手中的牌。我们可以把用户的风险偏好和用户的资金状况进行交叉,得出一个矩阵,对矩阵不同象限的用户进行不同的运营动作。
数据分析基础思维之:细分思维 - 图3
有了思路,接下去就是思考如何用数据的方式区分高价值和低价值,以及用户的风险偏好问题。

这种维度往往都不在现有的数据库中,需要数据分析师自己根据用户的属性行为等数据计算出一个得分,再用得分进行划分。

第三层境界:创造新维度

最高层的境界是能用理论指导实践,创造新维度。

第二层境界的末尾,我们提到现实环境下的细分,很多时候是没有现成的维度直接细分的,需要我们通过业务假设,先预设分类维度,再找出分类方法。

预设分类维度这个事,有时候和业务方沟通也很难得出好的方法。怎么办呢?
我们可以用理论指导实践,听着很玄乎是不是,别急,我举个例子。

如果我们按照转化的过程指标拆分,会得到一个转化漏斗。我们一般是按照页面跳转的场景来做漏斗各层级之间的区分。比如从曝光到转化一共有3个页面,分别是广告页,落地页,支付页,那么我们的漏斗一般也就是按照这样三层设置的。

有没有更好的细分方法?

我写过一篇《转化分析的一种新的漏斗模型》一文。文章以用户购买决策模型为理论指导,将用户的转化细分维度从页面跳转改成了用户心理过程。

整个过程以心理学的研究理论为基础,推演到业务场景中,再指导数据分析。
感兴趣的朋友可以去读一读,这里就不多说了。

还可以参考很多其他公司的成熟经验,用别人的经验套用在自己的业务上。

比如线下餐饮连锁的管理,可以参考麦当劳的管理方式。麦当劳创造了一个“典型市场”的概念。

比如北京就有好几种“典型市场”,北京王府井中心的店,和在巴黎市中心、纽约市中心的店就属于同一个典型市场,开在北京郊区的店,就可能和山西大同或者泰国清迈一样,属于另一个典型市场。这种管理方式考虑了每家店的人流密度和商业价值,相比按城市划分能更容易发现单店的问题。

如果有分析线下场景的分析师,就可以模仿这种方式,将单店从价值上进行分类,而不是简单地分析华东区如何,华南区如何。

再比如用户分群,细分的维度那么多,选哪个入手?下图就是腾讯的用户分群步骤,如果做用户分群可以按照上面的步骤模仿处理,能节约不少摸索的时间。
数据分析基础思维之:细分思维 - 图4
互联网公司这类经验分享很多,留意各种论坛和互联网社区,只要你做的不是最前沿的领域,一般都能找到相应的经验分享和成熟套路总结。

总结

有很多细分衍生出来的方法,比如矩阵、RFM模型、漏斗分析等等,其实都算细分的方式。
很多同学入门数据分析,学了一些细分的文章,停留在第一层次甚至还不到第一层次。要做好细分,还是需要提高内功,多了解业务和核心逻辑。


三元方差,公众号:三元方差(sanyuanfangcha),人人都是产品经理专栏作家。专注用数据驱动业务增长,擅长数据分析、用户增长。喜欢阅读、思考和创作。


产品教练

产品教练