数据分析技巧(基础篇)

数据分析,是每个产品经理,尤其C端产品都应该具备的基础能力。

上一个功能,迭代一个版本,做一次重构,每个产品经理都在做的事,都离不开价值验证。

功能是不是带来更好的数据结果?为什么数据出现下滑?下滑的根本原因是什么?还受了其他哪些因素的影响?如何制定相应策略来提升?

这些都需要通过数据分析才能解决。

数据分析是区分一个普通产品经理和高级产品经理的分水岭,也是【做】和【怎么做、为什么这么做】的核心依据。

一、找问题

数据分析最常用的一个场景,就是找问题。

交易类的app,是非常适合做数据分析练手的,因为交易类app涉及到的场景相对较多,链路相对复杂,而且涉及支付等重要用户行为。没有中间环节的数据支持,你无法准确知道用户群体在app内的行为和心理。

假如我们当前遇到一个问题:“某个频道的交易额骤减!”

找问题,首先要确定关键指标,即哪些指标决定着交易额。

1)首先是流入频道的UV

2)从频道落地页—商品详情页的转化率

3)从浏览—下单的转化率

4)从下单—支付的转化率

5)优惠券等虚拟资产的使用率

这里的关键指标,就是指能够精准解释交易额骤减的指标。而往往我们所说的北极星指标,则是衡量项目的核心结果指标,有所差异。

制定关键指标,就是通过业务链路漏斗找出上游环节的核心指标。这些指标每个的变化都会严重影响最终的北极星。

二、数据拆解

以进入频道的UV为例,我们要看UV有没有出现大幅的变化,假如UV出现了大幅的下降。

那么我们就要梳理出进入该频道的所有流量来源。

比如通过公众号进入,通过app我的进入、app频道金刚区进入、app消息通知进入、通过小程序进入、通过优惠券进入等。

那么这么多渠道,到底是哪个渠道才是问题所在?毫无疑问,我们需要对每个渠道的流量来源进行历史比较,找出真正下滑幅度最大的那个渠道,当然这里可以优先排查占比较大的渠道,因为哪怕占比小的渠道,其实下滑很多也很难影响大盘。

数据的拆解,本质上就是对数据链路的追溯,通过一层层的数据依赖关系,找出最源头的问题,并能够指导大家如何解决问题。

三、维度

数据维度,是数据分析中非常重要的一部分。

缺乏了维度的数据分析,就像缺乏场景谈需求一样没有意义。

数据维度,简而言之就是通过不同的角度,去看数据背后的意义。

比如【从浏览—下单的整体转化率20%】

1)直接看好像有点低;

2)跟历史一对比(历史10%),高了一倍;

3)跟其他电商(50%)进行对比,一半都没有;

4)从渠道入口来讲,通过【我的】进入频道页的转化率有40%,而通过【金刚区】进入频道页的转化率只有10%,说明频道页的转化率是明显偏低的;

5)从人群角度来讲,30-40岁用户转化率为50%,而20-30岁、40岁以上的都只有10%,说明这两个年龄层的转化率是明显偏低的;

6)从商品品类来讲,女装类的转化率高达70%,男装的只有10%,说明男装的转化率明显偏低

你会发现从不同的维度去看数据,能得出完全不同的结论,可见维度选择的重要性。

一般来说,选择维度只选自己需要的维度,比如你想进行个性化推荐,那么你毫无疑问需要关注人群和商品品类的维度,因为这两个维度的数据分析能决定你是否能够精准推荐。

四、深度

数据的深度,并不是简单的拆解数据,而且挖掘数据背后的真正带来价值的东西。

比如我们针对某块业务入口区域A做了一个优化,增加了很强的营销属性,导致进入这个区块A的流量大增,进而带来额外的gmv增长。

看上去,这是一次非常成功的设计。

但是真相是这样吗?我们发现同一页面的另一块业务入口 B 的 UV 大降,同时该业务的 GMV 也大降,总体降幅甚至超过了 A 所带来的 GMV增长。

从整个大盘来讲,A的增长并没有带动整体增长,甚至引起了整体下降,因此这其实是一次【失败】的迭代。

同样的例子其实很多,比如某个功能后,通过一些优惠券营销裂变,不断拉新,有很多人领取优惠券进入平台,UV大增,但是最后一盘算,GMV几乎没有任何增加,反倒客单价低了很多。那么这个营销活动到底算不算一次成功的活动呢?

这就是数据分析的深度,数据能证明,也会说谎。

我们日常在进行数据分析的时候,会交叉的使用不同的分析方式,而且上述介绍的也只是数据分析最基础的能力,对于大部分产品经理来说,能够熟练运用上述能力,基本能解决80%以上的数据问题。

 

来源:司马特小分队(lifelaosiji)

2

发表评论