数据分析
什么是数据分析
通过对数据进行整理加工获得信息和知识,从而了解产品的生存情况、发现潜在机会、引导和支撑产品与运营决策、验证策略效果
数据是互联网产品经理的福音,也是改变互联网产品经理与传统软件产品经理/消费品产品经理工作性质的核心元素实时-精确-完善-结构化
用数据而非直觉:避免决策视角狭窄、避免无依据决策让决策变宽、变扎实
立场和视角之争永无止境,数据加逻辑聊天一招毙命
常见工具
GoogleAnalytics/MixPanel/Growing I0/Sensors Data/友盟
小程序:小程序数据助手/阿拉丁
Tableau/Excel/Python/Google Sheets/SQL
R/MatL_ab
几个关键词:Excel 公式、透视表、VBA、Google Script、Python Excel
数据分析的执行过程
1.数据规划(设定目标) 2.数据埋点/记录(技术支持与实现) 3.数据收集与整理(原始数据→结构化数据) 4.数据统计与分析(从数据→信息/知识) 5.结论或行动(信息→决策/行动)
1 数据规划—》设定目标
反应产品/功能的运转情况
寻找流程瓶颈点或新的产品机会
提供产品、运营决策支撑
对具体的产品运营策略提供效果追踪
如何选关键指标
1.小心虚荣指标 2.与利益相关者的价值有关系吗? 3.这个数字变好就等于产品变好吗? 4.大家能交流吗? 5.提前发现问题还是滞后发现问题? 6.有信心吗?能撬动吗?
2 数据埋点
一般说到数据埋点,都指的是行为数据的收集本质上是一个带了各种各样线索的请求记录,是无状态的
数据埋点需求,与其描述埋点的方案,不如告诉 BI 或工程师你想干什么大部分的数据埋点需求基于事件(页面访问也算事件),列出想要的时间列表和分类即可
很难一次就打全打对,从小事开始打,比如一个按钮,然后逐渐研究更大的故事
若公司存在完善的打点和数据收集流程与规范,以上都不算
3 数据收集与整理
将原始的异构数据,整理为可以进行筛选/统计/处理的结构化数据
这里的大部分工作都是数据工程师/数据工具完成的,这一步产品经理介入不多
BTW.怎么收集竞争对手的数据? QM questmobil pr 稿 看 ID 竞争对手简历 怎么收集行业数据? - 艾瑞 - 易观国际 - 财报
4 数据统计与分析
指标
某一件事情的度量数值,比如用户量、访问量、访问时长、转化率等,通常与具体业务的中间目标或最终目标直接相关
维度
对指标进行不同细分的方式,比如用户量可以分为新用户老用户、安卓用户 iOS 用户、付费用户免费用户等,不同的细分方式,代表了不同的分析角度
5 结论或行动
数据分析要指向一个目标,信息/知识/决策/原则
「目标」是数据分析的起点,也是终点
对外:数据报告、数据洞察、业务策略结论
对内:行业认知、做事的经验和原则
数据分析的思路与框架
偏向用户行为:用户属性、用户行为、用户量、关键路径转化率(用户产品)
偏向流量:流量成本、流量结构、变现效率、可持续性(流量产品)
偏向社区:用户量、用户粘性、内容生产内容消费、分发效率(社区)
偏向平台:供求平衡、基尼系数、货币化率(市场/Marketplace)
偏向 SaaS:客户分类、留存与激活、收入规模与效率(SaaS)
偏向卖货:流量、转化、毛利(电商)
偏向企业:业务利益、用户行为、流程成本、客户满意度(ToB/To G)
数据分析对象
用户属性数据:一组画像
用户行为数据:一张地图
业务数据:一堆图表
财务数据:钱
行业数据:几个数字
宏观数据
数据分析常⻅指标与释义
用户属性数据 - 技术参数、地理位置、年龄、性别、地区......
用户行为数据 - PV、UV、(PV/UV)、VV、UPV、DAU、MAU、(DAU / MAU)、WAU、AAC、MAC、WAC、CTR、留存、来源、访问时长......
业务数据 - (跟你相关)如:课程数量、训练营数量、订单数、发帖量、包裹数......
财务数据 - GMV、ARPU、LTV、客单价、复购率、转化率、Take Rate......
行业数据 - TAM、CAC、TAC......
宏观数据 - 行业市场规模、GDP 占比
●最重要的是,有你自己的指标定义,而不是一个业界通行的「虚荣指标」 ●所有的指标应该在脑海中组成一-张「数据大图」,知道它们之间的关系 ●让数据成为自己的语言,用数据重构直觉,而不是用情绪和好恶来构建直觉
版权声明: 本文为 InfoQ 作者【王一凡】的原创文章。
原文链接:【http://xie.infoq.cn/article/4b46d0857448d1518b04589cb】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论