数据分析的定义
数据分析是指根据分析目的，用适当的分析方法及工具，对数据进行分析，提取有价值的信息，形成有效结论的过程。
数据分析的应用场景
运营：活动运营；内容运营；商品运营；用户运营：用户分类；用户生命周期
产品：产品功能；产品体验；产品调研；用户需求调研
市场：商务合作效果；渠道推广效果；投入产出比
数据分析的流程
明确问题、数据提取、理解数据、数据清洗、数据分析、撰写报告、投入应用，收集反馈。
数据分析基础要求——统计学
《深入浅出统计学》
如何衡量业务
如何理解数据
常用数据分析指标
用户类型指标：新增用户、活跃用户（DAU、WAU、MAU等）、留存用户、回流用户、流失用户等
用户价值指标：用户最近一次下单时间、用户下单频次、用户消费总金额
网站分析指标：UV、PV、点击率、转化率、网页停留时间、网站停留时间、跳出率、退出率等
渠道分析指标：新增用户数、用户转化率、渠道ROI、渠道流量、渠道流量占比
活动效果指标：活动点击率、活动参与人数、活动转化率、活动ROI
收入指标：付费人数、转化率、订单数、客单价、GMV、复购频次、毛利率、毛利额
行为数据指标：PV(访问次数)、UV(访问人数)、转发率、转化率（与业务相关，比如广告转化率可以是：点击广告的人数/看到广告的人数）、K因子（平均每个用户向多少人发出邀请 接收到邀请的人转化为新用户的转化率）
产品数据指标：
总量:成交总额（GMV）、成交数量
人均:人均付费（游戏行业叫ARPU，电商行业叫客单价）、付费用户人均付费(ARPPU)=总收入/付费人数、人均访问时长=总时长/总用户数
付费:付费率（付费人数/总用户数）、复购率（消费2次以上的人数/总购买人数）
产品相关的指标：热销产品数、好评产品数、差评产品数
*付费推广指标：
| 渠道 | 推广付费指标 | 含义 |
|---|---|---|
| 展示位广告（APP开屏广告等） | 按展示次数付费(CPM) | 有多少人看了该广告 |
| 搜索广告（搜索引擎关键词、淘宝关键词置顶商品） | 按点击次数付费(CPC) | 有多少人点击了该广告 |
| 信息流广告（B站首页流、知乎答案下面的广告等） | 按点击次数(CPC) 按投放的实际效果（CPA）： 按App的下载数付费(CPD) 按App的激活数付费(CPI) 按完成购买的用户数或销售额付费(CPS) |
效果如何 |
如何选择指标
1.好的指标应该是比率
2.北极星指标:核心指标
| 案例 | 北极星指标 |
|---|---|
| Insatgram | 照片分享率 |
| 月活跃用户率 | |
| 喜马拉雅 | 用户收听时长 |
如何构建指标体系
指标体系是从多个维度梳理业务，把多个指标有系统的组织起来。可以通过监控指标体系了解业务运行情况，通过拆解指标来寻找业务发生问题的原因，评估可以改进的地方找出下一步工作的方向。
1、明确部门]KPI，找到一级指标
2、了解业务运营情况，找到二级指标
3、梳理业务流程，找到三级指标
4、通过报表监控指标，不断更新指标体系
常用数据分析框架
AARRR模型
Acquisition:用户获取
用户获取成本=（营销费用+销售费用）/同时期新增用户数
用户来源渠道：渠道新用户数、渠道新用户占比、渠道成本
Activation:用户激活
定义用户激活行为、用户激活率、激活漏斗转化率
Retention:用户留存
用户天然生命周期、用户留存率、不同用户分组留存率
Revenue:收入
付费用户数、付费用户占比、平均付费金额
Refer:推荐
推荐用户数、推荐转化率、被推荐转化率
RFM模型
R:Recency最近一次购买时间
F:Frequency购买频次
M:Money购买金额
| 用户价值分类 | R | F | M | 措施 |
|---|---|---|---|---|
| 重要保持客户 | 低 | 高 | 高 | 定期的edm、push、短信等方式的主动联系 |
| 重要发展客户 | 高 | 低 | 高 | 优化产品和服务，帮助用户在平台上活跃 |
| 重要价值客户 | 高 | 高 | 高 | 重点维护对象，适当的核心用户组织建设，权益分发和奖励 |
| 重要挽留客户 | 低 | 低 | 高 | 重点预流失用户，提前做好流失预警措施 |
| 一般保持客户 | 低 | 高 | 低 | |
| 一般发展客户 | 高 | 低 | 低 | |
| 一般价值客户 | 高 | 高 | 低 | |
| 一般挽留客户 | 低 | 低 | 低 |
人货场模型
人：用户数、留存率
货：商品数量、商品动销率、商品单价、客单件
场：网站、渠道、点位数、展示位置
5W2H分析法
What:产品提供什么服务？用户的核心需求是什么？
Who:谁是目标用户？用户有什么特点？
Where:用户一般在什么场景使用产品？用户主要分布在哪里？
When:用户在什么时候使用产品？
Why:用户为什么要使用产品？产品有什么地方吸引用户？
How:用户如何使用产品？用户的使用路径是什么？
How much:用户在产品上花费了多少钱或多少时间？
5W2H分析法案例：蜗牛阅读
What:提供的服务：电子图书阅读服务，以出版类图书服务；领读人带领阅读；
Who:用户：喜欢阅读的一般用户、领读人：用户数、活跃用户数、KOL数
Where:用户主要分布哪些城市，用户来源的主要渠道
When:用户使用时间分布、用户使用时长
Why:对比其他产品的竞争优势：安装阅读时长付费；领读人功能
How:用户使用的主要功能：读书、写书评、笔记、问答、共读等；功能的点击率，使用用户数
How much:用户花费的金额：付费用户数、付费用户比例、付费金额
常用数据分析方法
| 分析目的 | 分析方法 | 案例 |
|---|---|---|
| 将复杂问题变简单 | 逻辑树分析方法 | 费米问题 |
| 行业分析 | PEST分析方法 | 中国少儿编程行业研究 |
| 多个角度思考 | 多维度拆解分析方法 | 如何找相亲对象? |
| 对比 | 对比分析方法 | 女朋友胖吗? |
| 如何分析原因 | 假设检验分析方法 | 警察是如何破案的? |
| A和B有什么关系 | 相关分析方法 | 豆瓣如何推荐电影? |
| 留存和流失分析 | 群组分析方法. | 微博 |
| 用户价值分类 | RFM分析方法 | 信用卡会员服务 |
| 用户行为分析 | AARR模型分析方法 | 拼多多 |
| 转化分析 | 漏斗分析方法 | 店铺哪个环节有问题 |
逻辑树分析法
分层罗列影响因素，发现问题
使用场景：通过将复杂数据层层拆解，用于发现复杂数据中的问题和机会
PEST分析方法
中国少儿编程行业研究报告
艾瑞研究艾瑞网: http:/ /report.iresearch.cn
Talkingdata: http:/ /mi.talkingdata.com
199IT互联网数据中心: http:/ /www.199it.com
DataEye (游戏行业) : https:/ /www.dataeye.com
电影电视行业报告: https://www.entgroup.cn/ report/f
旅游行业报告:https://www .dotour.cn
艾瑞指数(包括了移动App TOP 1000月度活跃和日活跃等指数):
http:/ /data.iresearch.com.cn/ iRIndex.shtml
多维度拆解分析方法
维度＝角度，拆解=维度1+维度2…
1)整体拆解成部分,可以看到内部的差异(可以避免辛普森驳论)
2)将复杂问题拆解成简单问题
从哪些维度去拆解:
比如在判断一场营销活动情况时,选择以”新增用户数”作为衡量标准,那么从指标维度拆解:
从业务流程拆解如下:
对比分析方法
使用场景：用于判断某个数据是好还是坏，以及某几个数据之间的差异性
和谁比:和自己比/和行业比
如何比较:
| 从哪几个维度去比较 | 比较对线A | 比较对线B | 比较结论 |
|---|---|---|---|
| 衡量整体的大小: 平均值，中位数 |
|||
| 衡量波动:变异系数 | |||
| 衡量趋势变化: 时间折线图，环比、同比 |
时间对比：同比、环比、变化趋势
空间对比：不同城市、不同产品对比
目标对比：年度目标、月度目标、活动目标
用户对比：新用户vs老用户、注册用户vs未注册用户等
竞品对比：渠道、功能、体验和流程、推广和收入
注意事项:
比较对象的规模要一致,比如比较人均GDP
当只是在某些业务场景(部分数据)进行A/B测试后,不能直接把结论推进到整体. 需要使用多维度拆解分析方法,将数据拆解到细分的业务场景,避免辛普森悖论.
假设检验分析方法
1.提出假设
从3个维度提出假设:用户、产品、竞品
从4P营销理论提出假设:
从业务流程提出假设
2.收集证据
3.得出结论
数据分析解决问题的步骤
1.明确问题
定位问题时,注意不要带上主观猜测的原因
2.分析原因
1.多维度拆解分析方法
例:产品A销售额同比降低16%
2.假设检验分析方法
假设问题出在客单价:
false,客单价波动不大
假设问题出在付费人数:
true,进一步分析,问题出在老用户付费人数减少,再进一步是由于复购率降低
3.相关分析方法
3.提出建议
为了解决复购率低的原因,我们从三个维度进行分析,并落脚在竞品维度上.通过业务流程角度提出假设如下:
最后得出有2个成立的假设,然后利用相关分析方法,确定优先解决的问题.
若有收获，就点个赞吧
0 人点赞
