【宝马娱乐在线】[转]GrowingIO:当产品经理遇到数据分析这个槛,怎么办?

如上图所示,各类目标用户在16-25岁这个年龄段的占比都比总体小(TGI指数<100),其中分类1的用户年龄偏大,因为该类用户在36岁以上各个年龄段的TGI指数都明显高于100,且同时高于其他三类用户。

▶数据分析如何驱动产品优化?

4 、 客户价值指标

任何一个业务要能不断优化和提升,做出更好的效果,都需要正确设立核心指标,持续监控,并根据实际数据与阶段性预期进展之间的差距进行分析,触发相应的调整动作,以使得业务的发展和计划保持一致。

一、业务分析类1.1 杜邦分析法

Q5: 若想了解某个行业,有哪些平台可以拿到相对靠谱数据以供分析?

宝马娱乐在线 1

拆分到各个品类,观察是否由某个品类的转化率大幅波动带动了整体转化率的波动。

如果是自然流量下降的话,可能需要在用户运营和产品运营端发力,如果是营销流量不足,那么可以通过营销活动或者站外引流的形式增加曝光量。

Q: 小产品是否适合使用“A/B
test”测试优化产品,前期的技术准备是否麻烦?

分析从下单到支付整个过程的数据,帮助提升商品转化率。也可以对一些频繁异常的数据展开分析。

站在宏观维度来看,三级指标的达成可以确保二级指标的达成,二级指标的达成可以确保顶层指标的达成,从而为业务目标提供保障。因此,指标体系的合理拆分和严密监控纠偏对公司目标实现至关重要。

同样,如果是转化率的问题,那么需要对用户进行细分,针对不同阶段的用户采取不同的运营策略,关于用户的部分,这里不做赘述,有兴趣的朋友可以关注后面的文章。

▶如何获取数据,获取什么样的数据?

宝马娱乐在线 2

题图来自@Unsplash, 基于CC0协议

F(Frequency)
:用户出行的频率如何,如果是固定周期出行,是否应该进行复购提醒?

A4:不强制登录,可以在app和设备的基础信息在不侵犯用户隐私的情况下,计算一个比较固定的ID。这个ID应该基本上能够判断一个稳定的用户。但是它并不和手机号码或者设备号做深度绑定。在网站上类似cookie的方法。

宝马娱乐在线 3

这是个大数据的时代,差异巨大的用户群体面对海量的商品和选择,“千人一面”带来的糟糕体验已不再适用。

一个优秀的数据产品经理必须要具备各种技能,
要了解自己的用户,明晰用户的核心需求,而最重要的是一定要掌握数据分析技能、会用数据分析工具。让我们通过文章来看看:有哪些实用的数据分析方法吧。

●Revenue 增加收入

宝马娱乐在线 4

案例1:

宝马娱乐在线 5

以及一些有过成功增长经验的专家,包括陆金所网站产品管理部副总经理唐灏,《增长黑客》作者范冰,GrowingIO
CEO (前LinkedIn高级总监) 张溪梦,吆喝科技CEO(前Google工程师)
王晔,360奇酷粉丝运营总监类延昊,Teambition
增长团队负责人钱卓群,触宝科技增长团队负责人杨乘骁,昭合投资合伙人(前Movoto公司中国总经理)陈世欣等。

通过客户分类,对客户群体进行细分,区别出低价值客户、高价值客户,对不同的客户群体开展不同的个性化服务,将有限的资源合理地分配给不同价值的客户,实现效益最大化。

维度二:用户群体

这里想讲的并非传统的BCG矩阵,而是BCG矩阵的变阵,或者叫类BCG矩阵。

本文作者是GrowingIO创始人&CEO张溪梦,摘自GrowingIO。

宝马娱乐在线 6

有一次服装线的采销对某品牌服装在设置促销券时忘记设置互斥,导致用户可以反复领券和叠加用券。而该技术漏洞被人在乌云平台所披露,导致大规模的用户和黄牛涌入抢购,零元购买,极短的时间里卖出数千件,造成转化率瞬时飙升。因为人工设置价格和促销时错误难以绝对避免,此类问题在各个电商平台时有发生。

R(Recency)
:用户最近是否有消费,如果来了很长时间都未消费,是否需要进行唤醒?

A:产品非常早期,我个人不建议用A/B测试,因为最主要的问题是我们没有很多资源开发两套或者更多的产品方案。而且早期数据量小,不一定能够有“统计学意义”,往往测试者需要把流量分解,这样就需要等待结果。对于低流量的app/网站,没有足够的资源来等。工程上也有一定的挑战。所以我建议早期产品关注核心指标,分解核心指标为“可执行的指标”比A/B测试更重要。同时要迅速迭代。A/B测试对于产品线丰富的业务还是有很多作用的。看您的资源配置了。

在客户分类中,RFM模型是一个经典的分类模型,模型利用通用交易环节中最核心的三个维度——最近消费、消费频率(Frequency)、消费金额细分客户群体,从而分析不同群体的客户价值。

猜对了,0点出现大流量!9点,14点,19点的流量峰值符合移动端用户在早晨通勤时间、下午回到座位、傍晚通勤时间的访问规律。但0点出现如此之大的流量,十分异常,就应当触发专题分析。

宝马娱乐在线 7

Q1:统计学、分析和挖掘的书看了不少,如何系统的学习数据分析与挖掘,希望能得到指点!

在某些商业形态中,客户与企业产生连接的核心指标会因产品特性而改变。如互联网产品中,以上三项指标可以相应地变为下图中的三项:最近一次登录、登录频率、在线时长。

很多平台会对接下一级分销渠道,各个渠道的销售情况变化也会带来整体转化率波动。有时某个渠道进行了效果极佳广告投放,会重大促进该渠道的销售,进而影响整体转化率。

TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100

Q1:一个电商平台,应该着重关注什么数据,怎样设计数据后台?

宝马娱乐在线 8

  1. 北极星指标

责任编辑:

想知道更多的增长方式和案例?您可以观看互联网产品增长大会的录播,听听国内通过低成本预算获得几亿用户的著名公司创始人们怎么说,如饿了么联合创始人汪渊、触宝科技联合创始人兼任
CEO王佳梁,WiFi万能钥匙联合创始人张发有等。

7 、 风控类指标

数据职能常见的有三个主要角色:

比如可以以品牌GMV增长率和占有率构建坐标系,来分析各品牌的状况,从而帮助业务方了解到哪些品牌是未来的明星品牌,可以重点发力,哪些品牌处于弱势且增长匮乏,需要优化品牌内的产品布局。

A2:留存率有意义,因为留存是一个普遍的概念。唯一的一个就是您专注“频次”的不同。比如说买汽车,美国的整个汽车购买行为,不可能用天来衡量,而要用年。因此美国的汽车制造商,就持续的按照“月份”给每一个不同的区隔发送不同的营销方案。互联网金融也有他的产品生命周期,这要求您来制定营销策略,找到那个“频次”,以此为开始进行营销产品规划。

6 、 市场营销活动指标

二、数据使用方式

原标题:想成为数据产品经理,先掌握这些数据分析方法论

A5:这个部分需要的工具有很多,看您的业务是以App为主,还是Web为主。基本上应该从流量,市场占有率,还有用户交互使用深度、舆情等角度入手。每一个都有不同的工具能够辅助。比如说Alexa,AppAnnie,艾瑞的互联网行业研究报告,Gartner的研究报告,IDC,TalkingData的游戏行业研究等等都是一些好的起点。

5 、商品类指标

一、互联网公司数据职能设置

宝马娱乐在线 9

以在线商城页面设计为例,用户浏览商品、提交订单,点击支付,完成购买形成了客户的核心路径,但是日常业务中经常遇到客户转化率过低的情形。GrowingIO的用户转化漏斗可以帮助产品经理分析客户到底在哪一步流失较高,然后借助用户细查功能来验证前面的假设猜想。从而提升帮助产品经理找出产品设计的缺陷,后期尽快优化。

以上共从8个方面来阐述如何对电商平台进行数据分析,当然,具体问题具体分析,每个公司的侧重点也有所差异,所以如何分析还需因地制宜。

同样地,下一级负责付费渠道的职能团队或人员,则可以进一步拆分到具体渠道,如网盟、SEM、应用商店等,进一步制定各个渠道的具体目标。如此层层往下,直到直接可控的最下一层。

产品所处阶段不同,运营的侧重点也会有所不同。在产品初期,核心的工作是拉新,应该更加关注产品的使用广度,而产品的中后期,应该更加注重使用深度和使用粘性的提升。

Q4:
不强制登陆的app,如何定义独立用户。目前我们是获取手机信息,但并不准确

1 、总体运营指标

  • BI – 埋点)

同比热力图分析法这个名称是我自己造的,其实无非是把各个业务线的同比数据放到一起进行比较,这样能更为直观地了解各个业务的状况。

A1:首先如果您有时间,看看精益分析《lean
analytics》,这本书是我在美国很好的朋友写的书。另外一本,“build
measure,learn”也是我在LinkedIn的团队成员写的书。都是很好的入门教材。再次我觉得可以看一下基础的统计书籍,因为数据分析的核心要有基本的统计知识。Using
R系列是很好的起点。

分析卖家评论,以及投诉情况,发现问题,改正问题。

宝马娱乐在线 10

比如在分析用户的年龄段时,可以通过TGI指数对比各用户分类与总体在各年龄段的差异,设用户分类1中16-25岁的用户占比为4%,而总体中16-25岁的用户占比为8.3%,那么用户分类1在16-25岁用户中的TGI指数为4%/8.3%=48。依照这一方法,我们可以对各类用户在各年龄段的TGI指数进行对比。

▶使用A/B测试的正确姿势

宝马娱乐在线 11

运营动作一般带来较快速的数据响应,侧重于日报、周报对运营的指导;而产品动作一般受技术发版影响,数据响应周期适中,更偏重月或季为周期的报表,但都谋求发现问题后迅速响应。

对于不同的产品也需根据产品的性质来确定核心指标,比如,对于社交类产品,使用广度和使用粘性至关重要,而对于一些中台分析类产品,提升使用深度和使用粘性更有意义。

Q1:以前我们做数据统计,数据分析,都必须要攻城狮在相关行为中埋点;GrowingIO的无埋点统计分析是什么原理?

首先要构建电商数据分析的基本指标体系,主要分为8个类指标,即:

1.
为了确保统计效果的准确性,需要有较大的样本量和统计时长(结果数量=用户量*统计时长,要么用户量足够大,统计周期可以略短;如果用户量较小,则需要更长的统计周期)。

2.2 LRFMC模型

A3:最基本的指标是:页面浏览量、访问量、独立访客数、跳出率、页面停留时长、网站停留时长、退出率、转化率,页面退出率……

主要分析商品的种类,哪些商品卖得好,库存情况,以及可以建立关联模型,分析哪些商品同时销售的几率比较高,而进行捆绑销售。

为了最优使用BI资源并突出自身专注点,在定制常规性数据报表时,切勿大而全。需要完全考虑清楚的主要有两点:北极星指标、指标监控频度。

二、用户分析类2.1 TGI指数

A1:电商数据的核心指标一般有:GMV,Transations(交易数量),ASP(均价),购物车大小,用户的复购率,购买频次,年度复购率。这样的指标很多。:我觉得有三类的指标需要关注,第一:交易数据,第二:用户行为数据,第三:用户来源数据。

在面向客户制定运营策略、营销策略时,我们希望能够针对不同的客户推行不同的策略,实现精准化运营,以期获取最大的转化率。精准化运营的前提是客户关系管理,而客户关系管理的核心是客户分类。

北极星指标体系通常分为多级,每一级指标的设立选取,都是为了更好的支持上一级指标的达成,以最终共同实现公司顶层战略(公司级的北极星指标)。

F(Frequency):代表用户在一定时间内的消费频率,反映了用户的忠诚度。

还有就是整个SaaS页面的优化,比如说注册流,注册转化率,注册用户向深度用户的转化率,深度用户向付费用户的转化率。SaaS的数据分析是很深入的话题,我就是分享一些最基本的指标。

宝马娱乐在线 12

维度六:销售渠道

1.2 同比热力图分析法

A4:我觉得取决于您的app在产品发展的哪个周期?工具类的APP,我个人认为核心,特别是早期还是应该关注“usage”,用户的使用度,和使用深度/黏度,也就是留存。然后要关注增长,其次未来要关注变现。用增长黑客的“海盗法则”来讲的话,就是在“AARRR”逻辑里面,首先关注留存(Retention)。

主要分析市场份额以及网站排名,进一步进行调整。

每个业务单元都具有各不相同的特点,需要进行有针对性的数据统计频度设定。下面以产品和运营层面对转化率的监控为例:

四、结语

用户:新用户、活跃用户、沉寂用户占比的变化,增长的趋势等等

即对访问你网站的访客进行分析,基于这些数据可以对网页进行改进,以及对访客的行为进行分析。

如果是用户运营和增长,同样可以根据频度对用户的渠道来源和激活情况、传播效果、活跃度、品类渗透率、交易情况、人均价值、留存率、流失返回率、生命周期情况(长周期,如季或半年/年)进相应的数据报表制定和监控,并触发响应的调整动作。

  1. 使用广度:总用户数,月活;
  2. 使用深度:每人每天平均浏览次数,平均访问时长;
  3. 使用粘性:人均使用天数;
  4. 综合指标:月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。

▶产品运营如何学习数据分析?

2 、 网站流量指标

维度一:商品品类

产品经理的概念在不断泛化。近些年来,随着互联网行业的发展,越来越多的企业意识到了大数据和精细化运营的重要性,为了更好地挖掘数据的价值,指导业务的优化和发展,数据产品经理应运而生,他们基于数据分析方法发现问题,并提炼关键要素,设计产品来实现商业价值。

Q2 :
如何收集自己需要的数据,面对杂乱无序的数据该如何分析,如何保证数据的准确性

宝马娱乐在线 13

数据是千人千面的基础,通过机器学习和算法设计,让系统在各个模块中进行智能化推荐,自动组装匹配当前用户的场景,是数据使用的最重要方式之一。这部分我会在后续文章中结合实际案例重点展开。

按照上述方法,大家可以根据需求大开脑洞,按照一定标准对研究对象进行分类分析。

Q1:2B企业应应用如何做基于数据驱动的产品设计与改进?

电商行业是当前市场十分火热的行业,也是对数据分析师需求很大的行业,这篇文章可以帮助没有电商行业经验的同学快速了解电商数据分析的指标和框架。那么话不多说,咱们开始吧~

移动时代受到移动端发包频度的限制(大多为每两周到一个月发一个包),高度依赖技术功能的核心指标往往以月或季为单位进行统计。

以上内容仅仅是提供了一些基础工具和思考方向,数据产品经理是一个新兴的分支,目前还没有成熟的学习体系,未来还需继续深入浅出,和大家共同成长。

宝马娱乐在线 14

8 、市场竞争指标

年报总体来说可能更适用于公司战略和业务线的财务考量,除了成果和得失总结,产品和运营侧的使用相对较少。

C(CostRatio):代表用户在一定时间内消费的折扣系数,反映了用户对促销的偏好性。

●Retention 提高留存

宝马娱乐在线 15

维度五:设备平台

M(Monetary) :用户的消费金额是多少,是单价高(购买头等舱),还是频次高?

Q2:GrowingIO能帮助优化产品设计和用户体验吗?

主要监控某次活动给电商网站带来的效果,以及监控广告的投放指标。

通常数据的使用方式分为如下情况:

C(CostRatio):用户对折扣的偏好如何,是为用户增加权益还是降价促销?

宝马娱乐在线 16

3 、销售转化指标

通过线上数据反馈,我们可以准确地发现问题,找到规律,求证猜想,平息主观之争,为产品改进和运营优化的制定和实施提供明确的方向。

以去哪儿的业务为例,通过LRFMC模型可以综合分析用户的习惯偏好和当前状态,从而指导精准营销方案的实施。

宝马娱乐在线 17

从流量、订单、总体销售业绩、整体指标进行把控,起码对运营的电商平台有个大致了解,到底运营的怎么样,是亏是赚。

例如,上图是我们在某五周期间观察到到流量按时间段到分布情况。大家仔细看下有什么异常?

L(lifetime):代表从用户第一次消费算起,
至今的时间,代表了与用户建立关系的时间长度,也反映了用户可能的活跃总时间。

●Activation 激发活跃

负责拉新的团队,又可以进一步把拉新指标拆分到渠道,如付费渠道、免费渠道等,进行下一级的核心指标定义和目标制定。

M(Monetary):代表用户在一定时间内的消费金额,反映了用户的购买能力。

Q2:关于留存率,互联网金融借贷产品是典型的低频,一个人不可能经常上来借钱或者出借,看留存率还有意义么?

a.
在数据报表中,我们常常看到一些核心数据指标产生波动,当波动范围超过一个预定义的警戒阈值时,就应该触发分析(无论正向的还是负向的波动),以理解波动背后的原因,并采取相应的对策。

产品运营是一个长期的过程,需要定期对产品的使用数据进行监控,以便发现问题,从而确定运营的方向,同时也可以用于评估运营的效果。

请记住,这些分析必须要在“用户”级别能够做分析,而不是一个单纯流量级别的分析,才有未来的核心意义。然后将usage在客户公司级别进行汇总,比较在公司级别的使用度,使用深度和未来的续约付费率一般呈正相关。

当数据人员集中在一个部门时,数据库管理和报表定制均十分专业高效。但因为离业务部门较远,业务理解受到影响,在数据定义和解读上相对偏薄弱。

最后,如果是因为客单价不高,那么需要进行定价及促销的方案优化,比如识别具有GMV提升潜力的商品进行定价优化,评估当前促销的ROI,针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式,激发用户购买多件商品,也可以有效提高客单价。

Q3: 支付转化率比较低,这种情况通过什么点,什么角度去分析用户行为?

例如,一级指标的报表只含一、二级指标数据,对于一级指标的波动从二级指标进行观察,找到波动原因。如果需要继续深入,建议另外定制二级指标报表,含二、三级指标数据。以此类推。

本文由 @Mr.墨叽 原创发布于人人都是产品经理。未经许可,禁止转载返回搜狐,查看更多

这里面,我觉得您可以根据自己的资源状况来设优先级。最直接的就是交易数据,然后最重要的是行为数据,因为所有的电商提供的是“互联网产品”而不仅仅是“所销售的产品”。第三就是流量的数据的分析,因为这里涉及到获取客户的成本。

  1. 专题分析

通过同比热力图的分析,首先,可以通过纵向对比了解业务自身的同比趋势,其次,可以通过横向对比了解自身在同类业务中的位置,此外,还可以综合分析GMV等核心指标变动的原因。

A3:先要全面的找到支付转化的全部关键转化路径,然后看每个转化路径上面关键点之间的转化率。比如到商品详情页面,可以从搜索页面、分类页面、频道页面、品牌页面、活动页面、首页、关联销售推荐、甚至直接访问到达商品详情页面。每个转化路径和转化量的占比都要考虑。然后再找出量大且转化率低的路径先优化,量小转化率高的路径可以加强并且scale。

b.
在数据报表中,数据体现出某个同趋势性的连续变化,例如,连续7次正向或负向的增长。此时,即使还没有达到预设的异常警戒阈值,都应当进行分析,以理解趋势背后的原因。

L(lifetime):用户来多久了?

关于数据准确性可以不同的工具去验证。比如同时安装多个数据统计工具。比如比较客户端和服务端的数据统计差异。

某一周的数据观察中我们发现全站转化率的飙升,通过地域和品类的分析,发现是由于华东地区高温,导致空调风扇等商品在华东的销售飙升,推高全站转化率。北京地区雾霾爆表也曾导致净化器、口罩等商品在北京地区销售猛增。

在分析用户时,通常的做法是将目标用户进行分类,然后对比各类用户与总体之间的差异性,TGI指数提供了一个很好的方法,来反映各类用户群体在特定研究范围(如地理区域、人口统计、媒体偏好等)内的强势或弱势。

●Acquisition 获取用户

从PDCA概念中可以看到,目标的制定、执行成效的判断以及纠偏动作的效果,都需要好的数据指标进行衡量,并作为最终目标达成与否的判断依据。这个可度量的指标,与目标呈直接的正相关关系,该指标被称为北极星指标。

以电商行业为例,GMV(网站成交金额)是考核业绩最直观的指标,当GMV同比或环比出现下滑时候,需要找到影响GMV的因素并逐一拆解。

**仅需1杯咖啡钱,无限次观看12个顶级增长专家一天的分享录播,学会零成本运营产品的增长方法,赚千倍回报。**

常规数据报表的周期通常为日报、周报、月报、季报。实时数据监控通常为应急响应需要(如故障宕机、突发事件处理),而半年报、年报则大多为业务结果的统计,周期过长,发现的问题及响应过慢,通常不在常规数据报表的范围。

三、产品运营类

本文根据GrowingIO创始人&CEO张溪梦与产品经理在线交流问题整理编辑,希望对产品经理提升数据分析能力有较好的帮助。

宝马娱乐在线 18

在一款数据产品诞生前,应该是先有数据,再有分析,然后才是产品,分析的广度和深度直接决定了产品的定位和价值。

Q3: 做内容的网站,如何结合业务判断需要获取哪些和用户相关的数据?

数据职能分散在各个业务线时,正好相反。并有较严重的数据重复拉取,人力浪费不说,还因口径定义上的差异,导致同一数据在不同部门各不相同。例如转化率=订单数/访客数,有的部门在访客数中去除“疑似机器人”部分,有的部门则统一访客数为“二跳访客”,带来转化率数据的明显差异。

1.3 类BCG矩阵

内容热度:分享次数、推荐次数、点赞次数、评论数

宝马娱乐在线 19

LRFMC模型提供了一个更完整的视角,能更全面地了解一个用户的特征,LRFMC各个维度的释义如下:

▶“无埋点”数据分析工具的原理和运用

其实这不是绝对的,当一个连续趋势出现时,同向的数据点越多,表明背后有某种非偶然因素的可能性越大。从统计学角度,如果是偶然因素导致连续7个点往同一个方向发展,可能性只有1/128,大约为8%。因此,7点同趋势变化背后存在非偶然因素的置信度已经足够高了。如果是特别关键的指标,连续5个点同向发展也许就该进行分析了。想要深入了解的同学可以搜索“7点原则”,查阅PMP或者统计学有关的理论知识。

产品运营的常用指标如下:

最重要的,是产品每一个功能的使用者数量,使用的频次,转化漏斗,转化率。

什么是正常幅度的波动,可以对一个大时间段的同一指标进行同比环比的统计后判断。

除此之外,我们还可以根据以下场景构建类BCG矩阵:

A1:不同行业,不同业务会有相同宏观的指标,也有细化到本行业,本业务的指标。需要从宏观到微观的拆解指标。大量的数据如何为我们所用?需要了解产品业务,明确问题的本质,大量的深入的产品实践。大胆的提出假设,然后通过数据理性的验证。我们还会有更多的线下线上活动帮助大家拆解数据分析指标。

常规数据报表建议通过公司的BI系统定制在线报表,按监控频度进行观察分析。

  1. 按照杜邦分析法将核心问题进行拆解,这里仍以电商为例,我们将GMV拆成了流量、转化率、商品均价和人均购买量,即GMV=流量*转化率*商品均价*人均购买量;
  2. 计算每个业务各项指标的同比数据;
  3. 针对每一项指标,对比各业务的同比高低并设定颜色渐变的条件格式,以上图中的转化率同比为例,业务5转化率同比最高,为深橙底色,业务3转化率同比最低且为负值,因此设定为蓝色底色加红色字体。

Q4:针对工具类的app,有什么好的数据分析方法吗?需要注意哪些问题?

观察iOS,Android,PC,Web等各个平台以及各个app版本的转化率情况。例如,我们有时发现,新发的Android包存在技术故障,导致用户大规模登录失败,进而影响整体转化率。

当前在互联网领域,除了用户实名数据以外,其他用户的画像维度一般都通过建立模型进行判断,因此无法完全保证准确性,但不同于小样本调研,大数据分析是能容忍一定数据误差的,不过,这一切都要建立在对比的基础上。

点击http://event.3188.la/323568232或扫描图中的二维码进入报名页。

常规数据报表主要用于需要长期持续观察的核心数据。例如:流量漏斗监控,可分为首页跳失率、商详页到达率(分为浏览-商详、搜索-商详两大分支)、加车率、结算率、结算完成率等核心环节漏斗数据。用户渠道来源情况,如各渠道来源的用户数、新客数、订单占比、转化情况等等。品类转化率波动,如各品类的流量、订单、SKU销售数量等。流量分发效率,如各频道/栏目的CTR、商详页到达、转化、复访率等。

杜邦分析法目前主要用于财务领域,通过财务比率的关系来分析财务状况,其核心要点是将一个大的问题拆分为更小粒度的指标,以此了解问题出在了哪儿,从而对症下药。

A2:GrowingIO是新一代基于用户行为的数据分析产品,目前提供的用户转化、留存、细查、分群功能都可以帮助产品经理优化产品设计,进而提升用户体验。

上述情况下,最好的方法就是做AB测试:取两个数据集,在数据集样本的选取中对各种影响因素做均匀的随机分布(如地域、用户群体特性),并对其中一个数据集实施特定产品功能或运营动作;在同一时段中,观测目标数据在两个测试集上的差异,从而精确判定待观测功能/动作的准确效果。

宝马娱乐在线 20

Q2:数据方面偏菜鸟用户,有哪些数据可视化工具值得推荐?

  1. 个性化

构建一张同比热力图大致需要三步:

Q3:可以推荐几本关于数据的书吗?

有一次技术团队上线新版本后,发现转化率下跌,通过漏斗分析发现,在新用户注册环节有较大的注册成功率下降。进一步通过注册流程的分析,看到产品功能上增加了一步强制实名认证,导致部分用户在这一步由于各种考虑而放弃了注册。在与产品经理沟通后把实名认证改为可跳过,改为在后续阶段进行引导认证。这一步改变使注册成功率得以恢复,问题解决。

R(Recency):代表用户最近一次消费至今的时间长度,反映了用户当前的活跃状态。

A3:Lean Analytics, 范冰的增长黑客,Lean
Startup,中文的深入浅出数据分析,Tableau的很多爱好者推崇的人人数据分析师等等。不过我觉得好的数据分析的书籍,不如一次好的数据分析实际操作加上分享您能学到的更多。主要是概念的基本掌握,然后迅速落地实践,复盘分析结果,然后继续迭代。特别是产品分析,最关键的是要把数据分析和用户行为以及产品设计用一体的角度来考虑,然后分解成三个部分来验证。就会有闭环。

在我和数据团队所做过的实际的分析中,以上八种维度都经常发现问题。并不排除还有更多维度,大家可以按自己的业务特性进行类推。

RFM模型是客户关系管理中最常用的模型,但这一模型还不够完善,比如对于M(Money),即消费金额相等的两个用户而言,一个是注册两年的老用户,一个是刚注册的新用户。对于企业来说,这两个用户的类型和价值就完全不同,因此我们需要更全面的模型。

A1:GrowingIO希望能够直接从业务人员的角度出发,让业务人员最快的获得想要分析的数据,并且同时减轻工程人员埋点的痛苦。GrowingIO的无埋点技术支持多个平台,iOS,
Android,Web和HTML5。主要的原理是在网页和HTML5的里面加入一次SDK代码,在iOS和Android加入一次SDK代码,之后不用再加载SDK代码,用户使用网页和APP客户端的时候尽可能全的收集用户的行为数据,通过异步且加密的方式传输数据。

c.
BA,负责对BI生成的报表进行分析,结合业务知识对数据进行透彻解读,输出有明确指导意义的观察和建议。BA人员通常需要有较强的业务背景知识,能够准确地理解数据背后的业务状况和波动原因,并用业务“语言”输出分析结论。

GMV下降如果是因下单用户减少所造成的,那么是访客数(流量)减少了,还是转化率下降了呢?如果是访客数减少了,那是因为自然流量减少了,还是因为营销流量不足?

A2:tableau是一个很好的数据可视化工具。自己开发可以试试highchart和D3
document。

在拆分到下层维度过程中,需要考虑从多个角度出发,反复对比。例如,如果某一周发现转化率产生异常波动,可以按如下维度进行拆分观察:

BCG矩阵大家都非常熟悉了,以市场占有率和增长率为轴,将坐标系划分为四个象限,用于判断各项业务所处的位置。

●Referral 传播推荐

作为《增长模型下的产品与运营实战》体系的第一篇,我想先谈一下整个产品和运营大体系的最基础环节——数据体系。

  • 分析商品引流能力和转化率:流量份额-转化率
  • 分析商品对毛利/GMV的贡献:毛利率-销售额
  • 基于RFM分析用户的价值:访问频率-消费金额

A1:SaaS企业的数据驱动产品设计非常重要。首先,最基础的开始是Product
Usage Metrics。因为SaaS产品都要解决一个企业应用的场景。
而这个场景在业务上的被重现频次,决定了SaaS软件的基本交互频次。所以登录批次,使用深度(事件数/访问)等最基本的指标是最粗放的指标。

AC = RC + NC – ECRC:留存顾客数NC:新客数EC:流失顾客数

根据不同的业务场景和业务需求,我们可以将任意两个指标作为坐标轴,从而把各类业务或者用户划分为不同的类型。

有时某个商户,或某些用户,出现异常大规模订单,导致整体转化率、单均价等出现巨大波动(此类现象往往是刷单导致)。通过按商户或用户账号的销售情况拆分,可以发现此类问题。

所以,在分析用户画像时,需要根据场景进行用户分类,并对比各类用户与总体间的差异,这样才能保证分析结果的可信性和适用性,而TGI指数就是很好的对比指标。

当常规监控的核心数据项发生超阈值波动或趋势性波动时,通常会触发专题分析,并根据分析结果采取相应对策,以推动数据回到常规范围。

虽为产品经理,但要真正解决核心问题,不免要在前期和中期进行大量的数据分析工作,那么,实用的数据分析方法有哪些呢?

有一次转化率下降报警,数据分析表明销售情况在用户、渠道、品类等方面都分布均匀。最后产品经理与BA联合排查,发现在0点到7点之间有大流量出现,并且流量集中在整点刚到时爆发,由此基本可以推测这些流量并非真实顾客,而是某种程序脚本整点触发导致。最后与技术团队跟进分析,确认是某搜索引擎爬虫开始集中爬取平台商品、价格信息。

如果是做一款数据报表类的产品,那么需要了解核心指标,并建立综合指标的评估体系。如果是做一款分析决策类产品,那么还需要基于业务需求,将现有数据指标进行解构再重构。

在这里举个实际例子。一个电商公司的经营规模往往通过公司的年营业额来衡量,也即GMV是整个公司的北极星指标之一。营业额有多种拆分计算方式,在此列出常见的一种简化计算方式:

除了电商业务的分析以外,同比热力图同样适用于互联网产品数据指标的监控及分析,该分析方法的关键点在于拆解核心指标,在本文后面的产品运营类方法中将会介绍相关指标的拆解方法。

  1. 指标监控频度

宝马娱乐在线 21

以此类推,产品和运营负责的转化率指标,则可以沿转化漏斗拆分为首页到商详、搜索到商详、商详加车率、购物车结算率、支付成功率等,通过逐层递进的拆分具体到各个团队进行分解,成为各自的北极星指标。

每个用户在系统中都会留下自己的线索和足迹,体现自己在商品品类、价格段、品牌偏好等方面的阶段性需求。系统可以通过数据有效发现当前用户的当前需求,进行有效的推荐,而用户也会感受到系统“懂我”,产生良好的购物体验。

在产品和运营体系中,数据是茫茫方向中的一盏指明灯。通过数据反馈,我们可以从重重问题中快速、准确地找到引发问题的异常因素,规避异常情况的发生。

最后,在报表制定时,建议不要把太多级别的数据放在同一个报表上,造成数据的汪洋大海,表格过度复杂,也会迷失专注点。通常一个报表含两级指标为最佳。

2.
如果某一个样本中存在少数对均值影响巨大的样本(例如一个金额巨大的订单),需要予以排除,以减少偶然性带来的偏差。

工作中常会碰到一些突发异常情况,例如某阶段用户转化率大幅波动、交易金额飙升或锐减、某栏目CTR暴跌等,再或者观察到某些趋势性的变化(如消费者导购偏好演变、品牌消费趋势变化)。此时通常会进行专题性分析,以明确下一步解决问题的思路。

  1. 专题分析常用方法

一个比较好的做法是把数据工程师和BI集中在数据部门,在各个业务线分别设置BA人员,两边对接。

我在实践中的体会是:两种组织架构方式各有明显的利弊,优缺点截然相反。

多大幅度的波动值得触发分析因指标本身特性对应的业务敏感度而定。阈值设置没有固定规则,大家可以根据影响的承受力来设定。这里有一个常见错误,就是对正常的小幅波动太过敏感,触发频繁的分析,最终却没有有价值的发现,属于自然波动,浪费了人力。

就像人走路的时候需要看到前方的道路,产品和运营在做决策前也需要睁开“双眼”。左眼,是数据;右眼,是用研。(哎,别问我为什么不是左眼用研,右眼数据……)

a.
数据工程师,负责搭建底层数据架构,定义数据埋点规范、编写埋点代码(有时也会由开发人员植入埋点代码)、以及建立和管理数据库报表。

月/季报表

拆分到各个用户来源渠道,按渠道对应的销售情况进行观察。

维度三:渠道来源

运营也常有类似的诉求,例如当首页图标做了飘红,或者引导文案做了一些调整,数据出现了波动,但却很难确定多大程度为该特定运营动作的效果。

宝马娱乐在线 22

宝马娱乐在线,c.
对某个数据背后的原因感兴趣,需要分析和理解该数据背后蕴含的信息。这个和数据的波动本身没有关系,只是深入去理解数据背后的原因或因素。

在大促期间观察活动效果,流量变化迅速,高峰此起彼伏,爆品库存时有告罄,此时数据观察应当精确到最小颗粒度甚至实时监控数据曲线,对数据体现的问题(如售罄、宕机、技术故障、黄金资源位单品滞销、页面陈列错误、价格设置错误导致的波动等)迅速响应,优化促销品及资源位,并使用赛马机制,调整会场流量分发,以把大促效果推到极致。

对于日常促销活动,可以以天为单位,对促销品类和促销方式在整体转化漏斗中的表现进行观察,定位问题点并迅速进行针对性优化;如换品,换促销规则,更新活动页/活动栏目,配置促销标签等,以达到最佳活动效果。

  1. 常规数据报表

日报表

这套思路在项目管理理论中被总结为PDCA
,即计划、执行、校验、响应,在项目管理和持续质量改善中也被称为戴明循环。该体系是业务目标管理的核心方法,感兴趣的同学可以查阅项目管理理论,本文不进行赘述。

互联网需要进行数据观察的领域十分广泛,每个细分领域都有不同的核心KPI,应当根据核心目标拆分背后的影响因素,有针对性地提出数据需求,制定数据报表。

拆分到各个用户群体,观察是否由于某个用户群体的购买情况变化造成了转化率的波动。注意用户本身就可以按很多个维度拆分:性别地域:省、地区消费价格段:高、中、低价格段消费风格类型:例如时尚人群,母婴人群,数码控,阅读爱好者,家庭主妇……

上面四个核心指标,则为第二级核心指标,通常可下达到各个部门分别负责。

有一周转化率低于警戒值,通过漏斗分析发现支付环节成功率大幅下滑。对支付渠道进行分解后发现某银行渠道的支付成功率下降到零。与该银行沟通后确认,该银行对支付接口进行了升级,升级版本存在问题,导致该支付渠道支付失败,导致整体转化率产生波动。

维度四:转化漏斗

专题数据分析通常按专题的主要影响因素确定数据项,拆分观察维度,抓取多维度数据,对某个专题目标进行分析,找到影响因素所在的数据维度,得出结论,指导后续动作。例如:针对某个重大事件的状况或效果分析,如双11大促后的数据总结盘点。核心数据出现重大波动,如Web平台转化率持续提升的原因分析。出现趋势性状况,如某付费渠道来源的用户数量持续下降。某个专题研究,如95后导购特征和消费特征分析。

可能有同学会问,为什么是7次呢?

案例2:

案例4:

具体的做法是:按各个维度对指标拆分到下一级后,观察下级各维度指标是否均匀体现该波动。如果是,则基本可以排除是该维度的因素所导致。对同级的各个维度逐一拆分观察,通常会发现某个维度下的某个次级指标剧烈波动,锁定该指标,再次对其下层指标进行分解观察,层层递进,最终可以找到结论。

对于各个职能部门/团队来说,自己所负责的这一级指标以及下一级指标情况,应当成为常规数据报表的监控内容,由此制定报表格式,向BI部门提出数据需求。

例如,有时转化率大幅提升,分析发现是因为市场部在某些导购网站的黄金资源位进行了爆款投放,从该渠道产生了巨大的流量和销售进而推高了整体转化率。当然部分渠道的刷单现象也常常会引起整体转化率波动。

案例3:

拆分到各个用户来源渠道,按渠道对应的销售情况进行观察。

四、专题分析

  1. 专题分析触发原因

周报表

运营方面,例如首页或频道运营,可以以周或月为单位,通过各板块CTR、停留时间、商详到达率、加车率、转化率、复访频度等维度观察栏目用户的兴趣指数,对于薄弱环节通过数据进行深入分析(如用户动线跟踪、区域点击热度分析、跳失分析等),并适当结合用研的定性定量深访对频道入口交互设计、页面信息架构设计、频道子栏目铺设、信息展示、营销文案等进行优化,以达到最佳效果。

某一周我们发现全站转化率飙升近2%,通过二级报表对各品类转化率进行观察后发现,转化率波动主要出现在美妆品类。进一步对美妆品类各SKU的销售进行观察,发现洁面仪、水牙线、和某款面膜等三个商品短时间销量巨大。这三个单品的上线价格远比京东和天猫更为低价,并与市场部确认,市场部有在“什么值得买”网站进行投放,导致大量用户涌入,销量激增,通过这三个热销爆款的销售推动了全站转化率的波动。

简单概括,专题性分析的主要做法是,按多个维度全面对波动数据指标的下层构成进行拆分,观察对比各个下层数据,找到在哪个细分维度出现异常波动,并锁定该维度,层层递进,深入分解,直到最终找到答案。

例如,市场部负责流量和用户数及其活跃度,产品和运营负责转化率指标,类目线负责单均价指标。于是这些指标成为各个部门的北极星指标。如果一个指标的核心影响因素分散在多个部门,也由同一个部门牵头负责。

维度八:用户账号或商户

专题分析主要由如下情况触发:

产品经理常有的困惑是,当上线了某一个功能或者频道后,目标数据出现了某种变化。然而,变化背后的影响因素非常多,例如时间因素导致的差异(如工作日的转化率高于周末)、竞争对手的动作、季节性因素等等。核心数据的波动往往是这些影响因素综合作用的结果,很难准确界定该功能本身带来了多少直接影响。

亚马逊早年的“Everything Store”理念,在当前时代下,也逐渐转化为“Everyone
Store”,也就是我们常说的“千人千面”。

以上只是对转化率进行分解分析的一个例子。任何一种指标通常都可以向下拆解,直到最后发现问题所在,而上面列举的八个维度,通用于绝大部分的线上状况分析。

本文由@产品遇上运营 原创发布于人人都是产品经理,未经许可,禁止转载。

互联网公司普遍十分重视数据,数据部门职能设置却各不相同。大多会设置独立的BI部门,有些也会把数据人员分散在各个团队。

案例5:

于是这些指标又可以进一步分配到负责拉新和留存的职能团队,成为这些团队的北极星指标,由这些团队各自牵头负责。

例如,有时转化率大幅提升,分析发现是因为市场部在“什么值得买”的黄金资源位进行了爆款投放,从该渠道产生了巨大的流量和销售进而推高了整体转化率。当然部分渠道的刷单现象也常常会引起整体转化率波动。

维度七:流量或销售时段分布

b.
BI,负责根据业务需求在数据库中抓取对应数据项,编写SQL代码,生成各类报表。(注:传统的数据库管理员的职能更类似于数据工程师

实时监控

这里要特别注意两点:

上述是针对转化率的举例。

三、常规性数据报表的定制及数据监控

为了达到上述各个二级指标,还可以进一步拆分。以活跃顾客数为例:

GMV = AC * Freq * Conversion *
AOSAC:活跃顾客数Freq:顾客平均访问频度Conversion:转化率AOS:平均单均价

观察首页到商详,商详到购物车,购物车到结算,结算到支付等转化漏斗环节的细分转化率的变化情况。

例如,对于核心转化漏斗模块的功能迭代和新产品模块的效率效果,可以以月或季为单位(与技术发版周期和新栏目用户教育养成周期有关),结合季节性因素,纵向对比同比和环比相应数据的波动,找到可以发力优化提升的环节。

当然,背后应当去除已经理解的影响因素,例如越来越靠近春节时流量持续下滑,或者接近换季时新一季的服装销售持续上升,都是正常现象,除非波动过大严重脱离同比情况,否则这样的趋势并不值得浪费人力进行分析。

例如,分析为什么在平台上第三方商家的流量达到48%,以制定更平衡的流量分发策略来扶持自营或第三方业务;分析为什么付费渠道来源的用户占比偏低或单客成本过高,以做更精准更高性价比的流量采买投放。

  1. AB测试

案例6:

相关文章