數據分析在產品工作中的應用

0 評論 4782 瀏覽 40 收藏 12 分鐘

數據分析作為各種業務找到問題的核心,需要定位問題,找出解決的方案。本文結合具體案例,總結數據分析在產品中的應用以及相關方法論,希望對你有所幫助。

一、什么是數據分析

數據分析的核心是是利用數據發現問題,定位原因,找到解決方案或提出建議的思維,所以分析工具并不是最重要的,也不需要一開始就學Python、爬蟲等;對非專業人士來說,其實用Excel就能夠滿足大部分日常訴求。

數據分析3要素:數據、統計/分析方法、結論。

1)沒有準確、豐富的數據,無法進行分析;

2)沒有恰當的方法、工具,很難對數據進行加工、找到其中的規律;

3)沒有形成結論,則相當于沒有結果,半途而廢,數據價值大打折扣;

二、數據分析應用案例

舉一個數據分析在產品工作中“發現問題-設定假設原因-驗證原因-解決問題”的例子;

【分析過程】

第一步:拆解指標

凈利潤額=總銷售額-總退費額-總成本

總退費額=退費客戶數平均退費金額=(總購買客戶數退費率)* 平均退費金額

通過拆解,可以發現總購買客戶數、退費率、平均退費金額都是影響總退費額的因素,為了進一步明確原因,需要輔助數據分析手段。

第二步:發現問題——如何發現問題?

拉取最近一年的退費明細訂單數據,匯總加工處理后,發現問題:【繳納定金后退費】金額占總退費金額比例不到5%,而【繳清全款后退費】占比高達95%。

明顯后者退費占比異常偏高,所以我選擇繼續下鉆分析【繳清全款后退費】的數據,并嘗試羅列出明顯規律:

1)學生完課率越高,退費率越低;完課率與退費率呈現負相關;

2)未上課退費、已上課退費分別占比 70%、30%比例;

3)已上課退費中,按已上課次-平均退費金額進行分布統計,發現兩者呈現負相關,已上課次越多,退費訂單數越少,且退費金額越少。

第三步:明確核心問題——什么是最核心的問題?

從第二步來看,未上課退費、已上課退費均有可優化的空間,并且一些維度之間存在正向或負向的影響關系,為了讓邏輯看起來更清晰,我嘗試建立各個維度之間的關系(相關關系or因果關系?),來幫助決策明確核心問題。

藍色為已知數據維度,綠色為引入的數據維度。

【學生滿意度和興趣度】雖然是源頭,但此指標難以量化、沒有統一固定標準、數據不方便實時收集,所以不符合指標的要求;而【上課次數】與退費雖然是負相關關系,單并不具備因果關系,用上課次數來衡量退費也明顯是不合適的;相比之下,【退費率】是一個好的指標,把【退費率】作為第一關鍵指標(OMTM原則);又因為【未上課退費占比明顯異常偏高】,所以把“降低未上課退費率(目前占比70%,正常約30%)”作為核心要解決的問題。

第四步:探究核心問題的原因——哪些因素有可能造成此原因?

明確問題后,需要從結構化的角度拆分可能會造成問題的原因。從用戶、競品、產品或服務3個層面,以及結合了產品A的付款-上課業務流程,繪制圖如下:

這一步是以教育行業為例,其它行業可以根據自己的業務場景來窮舉,重點是要全面,指標之間盡量獨立。

可能看到這頭都大了,這么多的原因,哪個因素是核心原因?為了找到核心原因,我把每個因素進行“假設—驗證—結論”,分析結果如下圖(灰色為排除項,紅色為高度相關項);
最終確定了兩個重點原因:

  1. 付款后維護服務不到位,家長體驗較差,導致未上課退費金額高;
  2. 付款后長時間未排班、排班時間不符合家長預期,導致未上課退費金額高。

這一步的重點是問題-假設-數據驗證-結論方法,每一個指標的細節可以先不用看~

第五步:驗證假設——如何驗證假設,如何證明?

找到主要原因后,還需要證明該假設成立,因此我設立對照組,分別按照不同門店的退費金額,按服務質量好-差、成功排班速度快-慢,來進行對照數據分析,為了盡量排除干擾因素,選擇了同一區域、人員結構類似的門店進行數據歸類,經過排查,已能證明該因素確實是核心影響因素。

第六步:確定解決方案

雖然找到了主要原因,但還需要挖掘深層次的原因,繼續重復上面分析的過程,接下來針對問題進行方案設計,提供對應的功能,并建議制定業務規章制度,以達到期望效果;在此過程中,值得注意的是并不是所有問題都可以通過產品功能解決,尤其是涉及流程調整、監管,是非常需要業務部門的支持、協助的;產品除了要產出方案,還需要組織會議,協調資源,推進達成共識,正式立項。

進行到這里,基本上能很完整的確定解決方案,并且整個過程均有豐富的數據支撐,可行性非常高,甚至可以預見幾乎不會有上線誤差。

最終: 我取得的成果

  • 發現了退費環節的重要問題,并提供了建設意見;協調多個部門共同完成了項目管控、推進落地工作;
  • 通過3個月的使用,再次檢測數據:未上課退費率由70%降低為40%,已上課退費率無明顯變化;
  • 退費金額整體降低了30%,按照比例折算,整體利潤增加了8%,超額完成目標。

1、源數據會對數據分析結果產生直接影響,在分析時,選取數據要盡可能覆蓋全面、精準度高;此外要特別留意異常數據,一定要剔除因設備、軟件、個人等原因導致的異常數據,這些數據一不留神會導致分析結果與實際客觀情況大相徑庭;

2、數據不是唯一的參考標準,雖然數據是客觀的,但分析數據的人是主觀的,同一份數據不同的人可能有不同見解;看數據的同時,需要結合個人對產品的一些既往經驗,或者輔助用戶訪談、問卷調研、A/Btest等方式進行綜合全面的分析;

3、在結構化假設原因時,維度要盡可能的齊全,可以從用戶、競品、產品服務3個角度思考,并且對照著業務流程,來盡可能羅列相關影響因素;

4、當維度較多時,比較好的方法是將數據分組,觀測每組數據是否有異常;比如按渠道入口分組,看是否某個獲客渠道的數據異常,或按用戶的地域/購買時間/下單頻率等等分組。

三、方法論

1. 如何學習一門新的課程或知識

我開始以為數據分析是分析師才需要掌握的,并且覺得比較難;但隨著工作上思考加深,發現方方面面都可以用到數據分析思維,所以萌生了加深學習的想法;這里推薦給大家【道術器用】四層次法,從思維、方法、工具、實踐四個方向對照自己掌握的技能,逐步豐富自己的數據分析技能樹,快速查漏補缺。同時這個方法也非常有助于思考深度的鍛煉,可以應用到各個課程學習上。

2. 常用的數據分析方法

結合實際場景和需求,可以采用多種分析方法組合分析,下面是一些分析方法論:

3. 數據分析更多應用場景

不只是分析問題時可以用到數據分析思路,在職場匯報、簡歷編寫、甚至購買基金,都可以找到數據分析的影子,可以嘗試以下應用場景。

以上,就是我今天的分享啦,總結一下:數據分析代表了一種方法,一種辯證、推理、思辨的思維方式;不只是數據分析師、數據產品需要具備數據分析能力,每個人都可以應用這項能力給自己加分,把這項能力舉一反三應用到生活和工作的各個場景中;用好這個“大招”,能更輕松地跑贏一部分人,更快地升職加薪,也能讓自己的簡歷更突出。

本文由 @PM_dog9527 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。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

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. 目前還沒評論,等你發揮!