一個互聯網人的數據分析總結

2 評論 4419 瀏覽 14 收藏 10 分鐘

編輯導語:無論是產品還是運營,數據分析都是日常業務中繞不過的版塊,通過數據分析,我們可以更加清晰地獲得問題反饋、找到問題發生的根源,進而解決用戶需求無法滿足等問題。具體而言,數據分析該如何做,才能推動業務進行、幫助思維建立?本文作者做了總結,一起來看一下。

一、說在開始

數字本來是抽象的文字表達,但是將數字和某事件聯系在一起,一連串的數據產生后,這個不斷變化的數據就成了量化某個具體事件的字符串,也是將抽象的事件具象化的一個過程。

這種將抽象的事件具象化的過程,簡要概括是可以分為3個階段的:

  • 第一階段是埋點收集數據;
  • 第二階段是統計輸出數據;
  • 第三階段是對數據進行分析。

那本文咱們就先重點說說第三階段數據分析,數據分析就是尋找被量化的事件與時間之間的「關系」,尋找兩個變量之間的一種聯系或變異現象。

二、數據分析的重要性

隨著現在互聯網行業不斷地發展成熟,對于很多從業者來說,個人的能力的要求也在不斷地擴大。不管是前幾年各大互聯網公司提出的全鏈路設計師概念,還是時下很多公司出現的的產品設計師崗位和用戶體驗設計師崗位等,都在給每一個產品設計者傳達一個核心需求,就是要不斷學習,不斷擴充個人能力邊界。

以前,看數據分析數據都是產品和運營的事情,但是現在作為產品研發的每一位同學來說,具備數據分析能力就是一個區別于其他的產品研發同學的顯著優勢。

設計上線效果如何,僅憑拍腦袋說體驗或設計好壞是比較片面的,只有體現在客觀的數據上才會更有說服力,因此,現在產品研發者的數據分析能力越來越被大家重視。

三、數據分析的流程

在日常工作中,很多產品研發者拿到埋點數據后,都比較懵,尤其對于一些對數據不是很敏感的產品或設計師來說更是如此,拿到PV、UV、訪問次數、跳出率、轉化率、體驗熱度、平均訪問時長等等一大堆數據后,一堆的阿拉伯數字單獨拿出來都認識,但是組合對比放在一起后好像你就看不懂了。

其實,好的公司都會有數據分析系統,會幫助產品研發人員將數據做第一步的數據清洗處理和可視化處理,這樣就更方便于數據的使用者進行分析判定和思考。

但是對于一些產品或設計師自行提出來的產品設計驗證的一些埋點數據來說,可能就需要產品研發者自己去處理和分析數據了。

所以,拿到數據分析的流程是什么呢?這里給出一個筆者個人覺得有效的重點步驟:

對于一個產品研發者來說,數據分析步驟簡要地可以分為以上四個步驟,而數據分析的目的和目標是首要考慮的問題,以結果為導向,帶有明確目的的去做數據分析。如,你想求證App新上的簽到功能是否對用戶留存有實質性效果:

1)預期目標是什么:當使用App的簽到功能muv達到多少,才算達到了用戶留存的目標。

2)本次分析重點:分析新功能上線后的muv、及整個App的muv。

3)本次分析任務:

  • 對比分析新功能上線前后的App日活情況;
  • 分析新功能上線后的該功能muv和App的muv的變化趨勢及走勢規律等。

第二步就是數據細化處理,將一些不必要的數據移除,或者算出數據的平均值,或者記錄峰值出現的時間等。

對于數據的細化處理可以再分為三個步驟:

1)數據統計

  1. 根據分析目標整理/導出有用數據;
  2. 設計師應該緊繞設計表現/用戶行為引導設計相關統計。

2)數據細化

  1. 數據清洗,刪減無用信息數據/數據不全,甄選有用歷史數據,比如同類設計在同場景及不同路徑下的數據;
  2. 計算數據結果,入點擊率/均值/轉化等。

3)數據可視化

  1. 將細化后的數據利用可視化工具處理,入PBI/Excel/Keynot等;
  2. 通過數據可視化的方式,表現出x與y的關系或異常,就能發現其中是否存在有價值的規律。

以上六種基礎圖表基本可以適用大多數的數據可視化分析了。

第三步數據分析,就是對整理后的數據圖表進行觀察和分析。

數據的分析的能力對于設計師來說,并不會像數據分析師那么嚴格和精細,只要可以具備從數據中發現異樣和問題就已經可以滿足一個產品或設計師對數據分析能力的要求了,能找到和提出問題,再通過設計方法解決問題就可以了。

對于數據分析我也總結為4個步驟:

1)描述現象

  1. 客觀地描述出數據的表現;
  2. 通過可視化圖表走勢描述出異?;蛞幝尚袁F象。

2)感知問題

  1. 有異?;虿町?,必有問題;有問題,必要尋找原因;
  2. 數據反映設計的優劣,試著提出疑問。

3)思考/提出假設

  1. 假設是對“問題”尋找解決辦法的一種預設方案;
  2. 對于根本原因不知的情況下,我們需要作出提出假設方案,在下次活動中或以歷史數據來求證假設的可靠性。

4)分析驗證

  1. 通過異常/關聯關系分析驗證,排除干擾因素來判斷是否是設計本身的問題;
  2. 通過用戶特征/行為/設計表現等分類&分層來分析驗證是否是設計本身的問題。

最后的一步輸出總結,就是分析得結果輸出和總結,這一點不做詳細闡述。

在具體的工作中,其實每個團隊對分析結果的體現內容都會有不同的要求,所以在結果輸出的內容和形式上都會千差萬別,但是重點是能體現出為什么要做本次數據分析即可。

四、說在最后

很多人錯誤地理解了數據分析,把數據分析能力提升的關鍵放在了方法和工具,其實,數據分析能力的核心不在方法和工具,而在于思維。

  1. 對于業務人而言,數據分析的核心思路是,得到兩個變量之間的「量化關系」,用以解釋現象;
  2. 數據分析的步驟,感知問題、提出假說、選擇表征、收集數據、分析驗證;
  3. 提出假說和選擇表征是很多業務人數據分析做不下去的原因;
  4. 數據分析最重要的思維就是,不斷確定業務中兩組變量之間的關系,用以解釋業務。

數據是用來描述現象的,是可以將抽象的事件或現象用數字信息具象化的手段。數據分析的方法論有很多,但是,方法的使用需要我們根據自己所在團隊或研發產品的性質來選取什么樣的方法了,需要我們不斷地驗證方法的適用性,來總結出適合自己的一套數據分析SOP才是你自己的數據分析能力。

 

本文由 @一只船 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 數據分析只是表象,更重要的是我們要明白數據背后的實質

    回復
    1. 是的,而且現在見的人多了,發現……怎么去做數據分析的人都有,好像結果也差不太多

      回復