业务指标
如何理解数据
基本思路
1 弄清楚每一列的含义
2 数据分类：
用户数据（我是谁）
行为数据（做了什么）
产品数据（卖什么）：平台内的所有东西都可以定义为产品
常用的数据指标（偏内容）
用户数据指标
（1）对于新增用户使用的指标：日新增用户数。
（2）对于活跃用户使用的指标：活跃率（日/周/月）。
（3）对于留存用户使用的指标：留存率。
行为数据指标
产品数据指标
用来衡量业务总量的指标，例如成交总额、成交数量；
用来衡量人均情况的指标，例如客单价；
用来衡量付费情况的指标，例如付费率、复购率；
与产品相关的指标
如何选择数据指标
两点：
好的数据指标应该是比例；
寻找北极星指标（衡量业务的核心指标）
指标体系和报表
定义
指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。
指标体系的作用包括：
- 监控业务情况
- 通过拆解指标寻找当前业务问题
- 评估业务可改进的地方，找出下一步工作的方向。
建立指标体系的方法
需要注意的四个问题：
（1）没有一级指标，抓不住重点。
（2）指标之间没有逻辑关系。
（3）拆解的指标没有业务意义。
（4）一个人就完成了指标体系和报表，也不和业务部门沟通。
常用的分析方法
5W2H分析方法
| 基本定义 | 5W是指对于所有的现象都追问5个问题：what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）。2H是指再追问2个问题：how（怎么做）、how much（多少钱）。 |
|---|---|
| 分析模型 | |
| 核心摘要 | |
| 适用场景 | |
| 应用案例 | |
| 注意事项 | 5W2H分析方法解决不了什么问题？ 5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用。这是因为复杂的商业问题不会只有一个原因，而是由多个原因引起的。例如“销量为什么下降”，就可能是由多个原因导致的。这时候就需要运用其他分析方法。 |
逻辑树分析方法
| 基本定义 | 逻辑树分析方法是把复杂问题拆解成若干个简单的子问题，然后像树枝那样逐步展开 |
|---|---|
| 分析模型 |  |
| 核心摘要 | |
| 适用场景 | |
| 应用案例 |  |
| 注意事项 | 5W2H分析方法解决不了什么问题？ 5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用。这是因为复杂的商业问题不会只有一个原因，而是由多个原因引起的。例如“销量为什么下降”，就可能是由多个原因导致的。这时候就需要运用其他分析方法。 |
多维度拆解分析方法
| 基本定义 | 对于多维度拆解分析方法要理解两个词：一个是“维度”，即我们日常生活中说的角度；另一个是“拆解”，其实就是做加法，问题=维度1+维度2+… |
|---|---|
| 分析模型 |  |
| 核心摘要 | 从指标构成或者业务流程的维度 |
| 适用场景 | |
| 应用案例 |  |
| 注意事项 |
对比分析法
| 基本定义 | |
|---|---|
| 分析模型 | |
| 核心摘要 | |
| 适用场景 | |
| 应用案例 | |
| 注意事项 |
假设检验分析
| 基本定义 | 逻辑推理，是一种使用数据来做决策的过程。它分为3步：提出假设，收集证据，得出结论。 |
|---|---|
| 分析模型 |  |
| 核心摘要 | 4P：产品、价格、营销、渠道 分析视角：用户、产品、竞品 |
| 适用场景 | |
| 应用案例 |  |
| 注意事项 |
相关分析方法
| 基本定义 | 研究两种或者两种以上数据之间有什么关系 |
|---|---|
| 分析模型 |  |
| 适用场景 | 当我们研究两种或者两种以上数据之间有什么关系的时候，就要用到相关分析 |
| 应用案例 | excel的应用，相关系数 |
| 核心摘要 | 当我们研究两种或者两种以上的数据之间有什么关系的时候，就要用到相关分析。如果两种数据之间有关系，叫作有相关关系；如果两种数据之间没有关系，叫作没有相关关系。 “相关系数”就是用来衡量两种数据之间的相关程度的，通常用字母r来表示。 判断相关系数的数值大小并没有统一规定，一般将相关系数分为3部分：如果相关系数的绝对值在0～0.3，就认为是低度相关；如果相关系数的绝对值在0.3～0.6，就认为是中度相关；如果相关系数的绝对值在0.6～1，就认为是高度相关。 |
| 注意事项 | 相关关系不等于因果关系 |
群组分析方法
| 基本定义 | “群组分析方法”（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比 |
|---|---|
| 分析模型 | |
| 核心摘要 | 先使用群组分析方法，找到留存率低或留存率高的组；然后使用假设检验、相关分析等方法，研究为什么这些组留存率低或留存率高。找到原因以后，就可以对应地优化产品。 |
| 适用场景 | 群组分析方法常用来分析用户留存率（或者流失率）随时间发生了哪些变化，然后找出用户留下或者离开的原因 |
| 应用案例 | |
| 注意事项 | 使用群组分析方法需要注意如何分组，除了按时间分组，还可以根据具体的业务场景来确定 |
RFM分析方法
| 基本定义 | RFM是3个指标的缩写：最近一次消费的时间间隔（R）、消费频率（F）、消费金额（M）。 |
|---|---|
| 分析模型 | 通过RFM分析方法可以把用户分为8类，这样就可以对不同用户使用不同的营销策略 |
|
| 核心摘要 | |
| 适用场景 | |
| 应用案例 | 
|
| 注意事项 | （1）不同业务中R、F、M的定义不同，要根据具体业务灵活应用。
（2）R、F、M按价值确定打分的规则一般分为1～5分，也可以根据具体业务灵活调整。 |
AARRR模型分析方法
| 基本定义 | AARRR模型对应产品运营的5个重要环节（图2-141），分别是： （1）获取用户（Acquisition）：用户如何找到我们？ （2）激活用户（Activation）：用户的首次体验如何？ （3）提高留存（Retention）：用户会回来吗？ （4）增加收入（Revenue）：如何赚到更多钱？ （5）推荐（Referral）：用户会告诉其他人吗？ |
|---|---|
| 分析模型 |  |
| 核心摘要 | 获取用户：关键两点语言（广告文字）和渠道 （1）渠道曝光量：有多少人看到产品推广的信息； （2）渠道转换率：有多少人因为看到广告转换成用户； （3）日新增用户数：每天新增用户是多少； （4）日应用下载量：每天有多少用户下载了产品； （5）获客成本：获取一个客户所花费的成本。 激活：啊哈时刻，首次体验如何？活跃率指标 留存：留存率指标 增加收入： （1）用来衡量业务总量的指标，例如成交总额、成交数量； （2）用来衡量每个人平均情况的指标，例如客单价； （3）用来衡量付费情况的指标，例如付费率，复购率 推荐： 转发率、转化率、K因子 引爆一种流行病需要三个条件—传染物本身、传染物发挥作用所需的环境、人们传播传染物的行为。 |
| 适用场景 | |
| 应用案例 | |
| 注意事项 |
漏斗分析方法
| 基本定义 | 从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法 |
|---|---|
| 分析模型 |  |
| 核心摘要 | |
| 适用场景 | 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。 |
| 应用案例 | |
| 注意事项 | 漏斗分析方法要结合行业进行调整，才可以产生指导作用。 |
数据分析解决问题的过程
第一步：明确问题
错误的定义问题：有一个段子是说一个小伙子看到一个老头和他脚边的一只狗。然后小伙子问：“你的狗咬人么？”老头说：“不咬人。”于是小伙子弯腰摸了摸这条狗，结果被咬了一口。小伙子气地说：“你不是说你的狗不咬人么？”老头说：“这不是我的狗。”
第二步：分析原因
找关键因素
如何知道哪些是“关键的因素”呢？可以在分析的过程中使用这3步来分析：
（1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题；（2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成；
（3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析。
第三步：提出建议
常用的分析方法是回归分析或者AARRR模型分析方法。
需要“回归分析”来计算出某个原因能够对目标造成“多大程度”的影响
需要注意的是：
（1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失，无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项；
（2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动。
实战案例
参考书籍
若有收获，就点个赞吧
0 人点赞
