中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

之前在《想成為數(shù)據(jù)產(chǎn)品經(jīng)理，先掌握這些數(shù)據(jù)分析方法論》一文中，分享了一些基礎(chǔ)的數(shù)據(jù)分析方法，從業(yè)務(wù)分析、用戶(hù)分析和產(chǎn)品運(yùn)營(yíng)三個(gè)方面提供了一些分析的切入角度。接下來(lái)，進(jìn)階一步，我們?cè)賮?lái)看看還有哪些實(shí)用的分析工具。

一、業(yè)務(wù)分析：如何做診斷歸因？

在《想成為數(shù)據(jù)產(chǎn)品經(jīng)理，先掌握這些數(shù)據(jù)分析方法論》一文中分享過(guò)杜邦分析法，杜邦分析法是財(cái)務(wù)中常用的拆解指標(biāo)的方法，可以將核心指標(biāo)拆解為多個(gè)因素乘積的形式，如GMV=訪客數(shù)*轉(zhuǎn)化率*客單價(jià)。

在做完指標(biāo)拆解后，應(yīng)該如何進(jìn)行進(jìn)一步歸因呢？本月GMV上漲了，是訪客數(shù)增長(zhǎng)的貢獻(xiàn)還是轉(zhuǎn)化率上升的結(jié)果，抑或是因?yàn)榭蛦蝺r(jià)的提升？

為此，我們需要引入另一個(gè)在財(cái)務(wù)領(lǐng)域廣泛應(yīng)用的分析方法——因素分析法。

1. 因素分析法是什么？

因素分析法是在將核心指標(biāo)拆解為多個(gè)因素后，識(shí)別各因素對(duì)核心指標(biāo)影響程度的一種方法。

我們將指標(biāo)拆解后，當(dāng)然，可以用控制變量法來(lái)計(jì)算每個(gè)因素的貢獻(xiàn)，比如，假設(shè)上月的GMV、訪客數(shù)、轉(zhuǎn)化率、客單價(jià)分別為GMV_0、V₀、T₀、M₀，本月的GMV、訪客數(shù)、轉(zhuǎn)化率、客單價(jià)分別為GMV_1、V₁、T₁、M₁，那么

GMV₀=V₀*T₀*M₀

GMV₁=V₁*T₁*M₁

我們要判斷訪客數(shù)，也即流量的貢獻(xiàn)，按照控制變量法，假設(shè)轉(zhuǎn)化率和客單價(jià)與上月一樣，訪客數(shù)變化所帶來(lái)的GMV提升為：

Attr_V=V₁*T₀*M₀– V₀*T₀*M₀

同樣，計(jì)算轉(zhuǎn)化率貢獻(xiàn)的公式為：

Attr_T=V₀*T₁*M₀– V₀*T₀*M₀

這里用到的是傳統(tǒng)的控制變量的思想，但要使用控制變量法需注意一個(gè)前提，那就是各個(gè)變量之間要相對(duì)獨(dú)立，但真實(shí)情況下，各個(gè)因素之間都是相互影響的，很難保證獨(dú)立性。

而因素分析法所采用的是連續(xù)替代的方法，在計(jì)算下一個(gè)因素的貢獻(xiàn)時(shí)，會(huì)考慮到上一個(gè)因素的變化，可以有效地規(guī)避控制變量法中不獨(dú)立的問(wèn)題，我們具體看一下如何操作。

首先，我們?cè)谏显翯MV₀的基礎(chǔ)上，用本月的訪客數(shù)V₁替換V₀，接著再依次用T₁替換T₀，M₁替代M₀，可以得到：

上月GMV：GMV₀=V₀*T₀*M₀ ①

第一次替代V：V₁*T₀*M₀ ②

第二次替代T：V₁*T₁*M₀ ③

第三次替代M：V₁*T₁*M₁ ④

而每一次替代前后的變化，就是對(duì)應(yīng)因素的貢獻(xiàn)值，即：

Attr_V=②-①

Attr_T=③-②

Attr_M=④-③

GMV₁-GMV₀= Attr_V+ Attr_T+ Attr_M

2. 舉個(gè)栗子

下面，我們舉個(gè)實(shí)際的例子來(lái)熟悉一下上述方法。

假設(shè)9月和10月的數(shù)據(jù)如下：

那么，用因素分析法依次替代后的結(jié)果如下：

9月GMV：GMV₀=V₀*T₀*M₀=12w ①

第一次替代V：V₁*T₀*M₀=15*1%*60=9w ②

第二次替代T：V₁*T₁*M₀=15*2%*60=18w ③

第三次替代M：V₁*T₁*M₁=15*2%*70=21w ④

各因素的貢獻(xiàn)率分別為：

Attr_V=②-①=9-12=-3w

Attr_T=③-②=18-9=9w

Attr_M=④-③=21-18=3w

由此可見(jiàn)，10月的訪客數(shù)較上月有所減少，導(dǎo)致了3w元GMV的流失，但流量顯然更精準(zhǔn)，轉(zhuǎn)化率明顯提升，且轉(zhuǎn)化率的貢獻(xiàn)最大，帶來(lái)了9w元的GMV增量，此外，流量質(zhì)量也較高，客單價(jià)有所上漲，帶來(lái)了3w元的GMV提升。

因此，后續(xù)應(yīng)該加強(qiáng)流量的引入，轉(zhuǎn)化率可以分渠道進(jìn)一步分析，針對(duì)高轉(zhuǎn)化率的渠道進(jìn)行重點(diǎn)運(yùn)營(yíng)，而客單價(jià)可以進(jìn)一步分析是產(chǎn)品價(jià)格提升了，還是用戶(hù)買(mǎi)的產(chǎn)品數(shù)量更多了。

因素分析法的作用，就在于可以找到關(guān)鍵的正向或負(fù)向因素，當(dāng)精力或資源有限時(shí)，可以有的放矢，重點(diǎn)解決關(guān)鍵問(wèn)題。

3. 替代順序如何確定？

看到這里，不知道大家有沒(méi)有發(fā)現(xiàn)，如果改變一下替代的順序，各因素的貢獻(xiàn)值會(huì)發(fā)生變化，比如，如果先替換客單價(jià)，那客單價(jià)的貢獻(xiàn)值肯定跟上面的結(jié)果有所差異。

那么，我們應(yīng)該如何保證因素分析法的有效性呢？

因素分析法是建立在某種前置假設(shè)的邏輯之下的，既然無(wú)法將各因素割裂進(jìn)行分析，那么就依次考慮各因素的疊加效應(yīng)，而這個(gè)次序需要遵循實(shí)際經(jīng)濟(jì)意義上的先后邏輯。

比如，以上述的訪客數(shù)、轉(zhuǎn)化率和客單價(jià)為例，自然是先有訪客到訪瀏覽，才會(huì)有下單轉(zhuǎn)化，之后才會(huì)產(chǎn)生交易金額。也即先得有人來(lái)，來(lái)了才會(huì)決定買(mǎi)不買(mǎi)，決定買(mǎi)了再看花多少錢(qián)買(mǎi)。

同樣，如果我們把GMV拆成價(jià)格*銷(xiāo)量，那么應(yīng)該先考慮價(jià)格的貢獻(xiàn)，再計(jì)算銷(xiāo)量的貢獻(xiàn)，因?yàn)槭窍榷▋r(jià)，才會(huì)有銷(xiāo)量，而且銷(xiāo)量很大程度會(huì)受到價(jià)格的影響。

二、用戶(hù)分析：如何分析品牌認(rèn)知差異？

網(wǎng)絡(luò)社交媒體和電商平臺(tái)中沉淀著大量的用戶(hù)反饋信息，通過(guò)輿情的挖掘分析，可以為品牌商提供多角度的參考建議，指導(dǎo)品牌商進(jìn)行產(chǎn)品或服務(wù)的優(yōu)化。

很多品牌商都會(huì)定期找調(diào)研公司進(jìn)行調(diào)研，從而了解用戶(hù)對(duì)品牌的認(rèn)知，以指導(dǎo)下一階段的品牌形象建設(shè)或品牌差異化策略。

有很多調(diào)研的分析方法同樣適用于輿情的分析，接下來(lái)就分享其中的一種——對(duì)應(yīng)分析。

對(duì)應(yīng)分析(Correspondence analysis)也稱(chēng)關(guān)聯(lián)分析，是一種多元相依變量統(tǒng)計(jì)分析技術(shù)，是通過(guò)分析由定性變量構(gòu)成的交互匯總表來(lái)揭示變量間的聯(lián)系。

簡(jiǎn)單來(lái)講，其實(shí)就是先將各類(lèi)變量放到一起進(jìn)行相關(guān)性分析，把關(guān)聯(lián)度高的進(jìn)行歸類(lèi)，達(dá)到降維的效果，如將為二維（兩個(gè)分類(lèi)），接著，再看各變量在這個(gè)二維空間中的位置，最終判斷變量間的關(guān)聯(lián)性。

對(duì)應(yīng)分析與因子分析的差異，就在于因子分析是針對(duì)一個(gè)變量中的值進(jìn)行歸類(lèi)，看的是相同變量的相似性，如老鷹和麻雀都可歸為鳥(niǎo)類(lèi)，而對(duì)應(yīng)分析包括多個(gè)變量，還能看不同變量的關(guān)聯(lián)性，如老鷹（鳥(niǎo)類(lèi)）與食物（鼠）的關(guān)聯(lián)度高，麻雀（鳥(niǎo)類(lèi)）與谷類(lèi)（食物）關(guān)聯(lián)度更高。

對(duì)應(yīng)分析的具體原理在此不做贅述，大家感興趣的話可以上網(wǎng)查閱，接下來(lái)，我們看一看實(shí)際的例子（數(shù)據(jù)都是我編的，如有雷同，應(yīng)該是抄我的）。

1. 基礎(chǔ)入門(mén)：簡(jiǎn)單對(duì)應(yīng)分析

現(xiàn)在，假如我們將用戶(hù)的評(píng)論、反饋數(shù)據(jù)，通過(guò)切詞、歸類(lèi)編碼后，得到以下數(shù)據(jù)表：

簡(jiǎn)單對(duì)應(yīng)分析適用于兩個(gè)變量交叉分析，我們先選“品牌”和“認(rèn)知”這兩個(gè)變量來(lái)進(jìn)行對(duì)應(yīng)分析。

在很多分析工具中都有對(duì)應(yīng)分析的功能或程序包，我們以SPSS為例，在SPSS菜單中選擇【分析】-【降維】-【對(duì)應(yīng)分析】，選擇行列分別為“品牌”和“認(rèn)知”，可以得到以下摘要表：

我們看到顯著性sig=0.000<0.01，卡方檢驗(yàn)通過(guò)。

然后，觀察第一列“維”（也就是所謂的歸類(lèi)）和后面的累積慣量比例，可以看到維1和維2加起來(lái)的累積慣量比例已經(jīng)達(dá)到99.5%，也即用這兩個(gè)維度已經(jīng)可以解釋“品牌”和“認(rèn)知”這兩個(gè)變量中99.5%的信息。

接著，我們可以得到具體類(lèi)別在這兩個(gè)維度上的得分，生成對(duì)應(yīng)分析圖如下：

通過(guò)對(duì)應(yīng)分析圖分析關(guān)聯(lián)性目前有多種方法，如向量分析、理想點(diǎn)與反理想點(diǎn)等。

這里我們用最簡(jiǎn)單的觀察法進(jìn)行定位分析，首先標(biāo)出幾個(gè)品牌的位置，然后觀察品牌認(rèn)知的形象詞與品牌的距離，距離越近，說(shuō)明關(guān)聯(lián)程度越高。

至此，我們可以大致判斷出各品牌在消費(fèi)者心目中的形象。

2. 進(jìn)階拓展：多元對(duì)應(yīng)分析

簡(jiǎn)單對(duì)應(yīng)分析比較直觀，但其缺點(diǎn)在于只能分析兩個(gè)變量。如果我們除了分析品牌形象以外，還想看看各類(lèi)型用戶(hù)對(duì)于品牌認(rèn)知的差異，那么就需要用到多元對(duì)應(yīng)分析。

在SPSS菜單中選擇【分析】-【降維】-【最優(yōu)尺度】，選擇分析變量為性別、年齡、品牌、認(rèn)知，最終生成結(jié)果如下：

從圖中可以看到，50歲以上女性更偏好悠悠詩(shī)，她們覺(jué)得悠悠詩(shī)是“高端的”。40-50歲人群更偏好星七克和雀窩。

多元對(duì)應(yīng)分析的信息量相對(duì)較大，可以得到更豐富的解讀，但理解較為困難，可酌情選用適宜的方式進(jìn)行分析。

三、產(chǎn)品運(yùn)營(yíng)：如何評(píng)估產(chǎn)品功能價(jià)值？

之前的文章中講到了評(píng)估產(chǎn)品使用廣度、深度和粘性的指標(biāo)，用來(lái)監(jiān)控產(chǎn)品當(dāng)前的使用狀況。

但該方法只能適用于產(chǎn)品上線之后的效果評(píng)估，而在實(shí)際工作中，產(chǎn)品經(jīng)理們還經(jīng)常遇到另一類(lèi)更為頻繁且棘手的問(wèn)題，那就是——沒(méi)有資源，排不上期！

需求總是呈井噴之勢(shì)，而資源始終是擠牙膏狀態(tài)，產(chǎn)品經(jīng)理平日做的最多的事就是進(jìn)行需求評(píng)估，通過(guò)形(pai)而(nao)上(dai)的方法，將需求拍出，額，不對(duì)，排出優(yōu)先級(jí)。

那么問(wèn)題來(lái)了，我們應(yīng)該怎樣進(jìn)行優(yōu)先級(jí)的評(píng)估呢？

同樣，我們可以向傳統(tǒng)調(diào)研取取經(jīng)，接下來(lái)，就跟大家分享一個(gè)方法——Kano模型。

1. 理論基礎(chǔ)——雙因素理論

在講Kano模型之前，我們先熟悉一下這個(gè)模型的理論依據(jù)。

了解過(guò)組織行為學(xué)的同學(xué)對(duì)雙因素理論肯定不會(huì)陌生，雙因素即“保健因素”與“激勵(lì)因素”，美國(guó)行為科學(xué)家赫茨伯格認(rèn)為，滿(mǎn)意的對(duì)立面并非不滿(mǎn)意，而是沒(méi)有很滿(mǎn)意，而不滿(mǎn)意的對(duì)立面也不是滿(mǎn)意，而是沒(méi)有不滿(mǎn)意。

一段繞口令后，我們舉個(gè)實(shí)際的例子，公司福利、公司政策、工作環(huán)境，這些因素容易引起員工的不滿(mǎn)，但如果滿(mǎn)足了這些基本條件，員工就會(huì)滿(mǎn)意了嗎？

這些在員工看來(lái)只是基本的“保健因素”，就像每天都能吃飽并不能使我們幸福一樣，而個(gè)人成就、社會(huì)認(rèn)同、個(gè)人成長(zhǎng)，才是能給員工帶來(lái)滿(mǎn)足感的“激勵(lì)因素”。

赫茨伯格認(rèn)為“保健因素”來(lái)自于外部環(huán)境，而“激勵(lì)因素”是一種內(nèi)在激勵(lì)，馬斯洛底層的生理、安全和感情需要都可以認(rèn)為是“保健因素”，而自我實(shí)現(xiàn)等高層需求屬于“激勵(lì)因素”。

說(shuō)白了，放到產(chǎn)品的語(yǔ)境下，就是有的功能是必需的，但不能讓用戶(hù)爽，而有的功能真的可以讓用戶(hù)感到爽，激發(fā)用戶(hù)的“Aha Moment”。

2. 研究方法——Kano模型

Kano模型的底層邏輯和雙因素理論一樣，在做問(wèn)卷調(diào)研時(shí)，一般會(huì)問(wèn)正向和負(fù)向向兩個(gè)問(wèn)題，即：

• 正向：有這個(gè)功能，你的態(tài)度
• 負(fù)向：去掉這個(gè)功能，你的態(tài)度

依照此方法，對(duì)于每一個(gè)功能，我們都可以收集并匯總統(tǒng)計(jì)用戶(hù)的態(tài)度數(shù)據(jù)。

基于上面的數(shù)據(jù)統(tǒng)計(jì)，可以進(jìn)一步計(jì)算出Better-Worse系數(shù)，表示該功能可以增加滿(mǎn)意/消除不滿(mǎn)意的程度。

增加后的滿(mǎn)意系數(shù) ：（A+O）/(A+O+M+I)

消除后的不滿(mǎn)意系數(shù) ： -1*（O+M）/(A+O+M+I)

我們將所有功能的Better-Worse系數(shù)放到一張圖上，就可以對(duì)功能進(jìn)行歸類(lèi)分析了。以手機(jī)為例，構(gòu)建假數(shù)據(jù)制圖如下：

• 魅力因素：非必要需求，但可以給用戶(hù)意外驚喜。
• 期望因素：用戶(hù)很期望被滿(mǎn)足的需求，沒(méi)被滿(mǎn)足的話會(huì)很失望。
• 必備因素：必要的基礎(chǔ)需求，有的話很正常，但絕不能沒(méi)有。
• 無(wú)差異因素：用戶(hù)不太在乎，有沒(méi)有都無(wú)所謂。

通過(guò)象限圖我們可以看到，雙屏可折疊等黑科技非常吸人眼球，雖然不是必需的，但卻可以大大提升滿(mǎn)意度。

AI攝影、超長(zhǎng)待機(jī)等功能屬于期望因素，跟用戶(hù)的滿(mǎn)意度有很大關(guān)系，所以很多手機(jī)品牌商不斷在攝影功能、待機(jī)時(shí)長(zhǎng)上做文章。

高性能處理器、大尺寸、指紋識(shí)別已經(jīng)逐漸成為必備因素，這與行業(yè)的教育引導(dǎo)有關(guān)，當(dāng)大家都習(xí)慣了用手機(jī)打游戲、看視頻，高性能、大尺寸自然會(huì)成為必要條件。

還有一些功能雖也有所創(chuàng)新，但比較雞肋，用戶(hù)不太關(guān)注，如type-c接口、無(wú)線快充。

Kano模型比較適用于產(chǎn)品的需求調(diào)研，無(wú)論是前端產(chǎn)品還是后端產(chǎn)品，先可基于定性訪談收集需求，再收斂需求進(jìn)行定量調(diào)研。

針對(duì)期望因素和必備因素，需要重點(diǎn)維護(hù)及迭代優(yōu)化，而魅力因素屬于亮點(diǎn)功能，有時(shí)間精力可以逐步加大投入。對(duì)于無(wú)差異因素，應(yīng)當(dāng)減少維護(hù)和運(yùn)營(yíng)的成本，甚至將功能下架。

每個(gè)功能所處的位置并不是靜態(tài)的，甚至往往會(huì)隨著時(shí)間推移發(fā)生很大的變化，就跟產(chǎn)品都有生命周期一樣，功能也會(huì)有自己的生命周期，定期運(yùn)用Kano模型進(jìn)行產(chǎn)品功能分析，可以幫助我們掌握需求變化，從而指導(dǎo)下一階段的產(chǎn)品升級(jí)。

#專(zhuān)欄作家#

Mr.墨嘰，公眾號(hào)：墨嘰說(shuō)數(shù)據(jù)產(chǎn)品，人人都是產(chǎn)品經(jīng)理專(zhuān)欄作家。電商行業(yè)資深產(chǎn)品經(jīng)理，擅長(zhǎng)策略構(gòu)建，數(shù)據(jù)分析。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議