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

數據分析的過程，究竟是一個只有零散技巧而無章法可循的過程，還是一個有明確的步驟并可以嚴格依照執行的過程？

當我們看了不少增長案例之后，再看看手頭的工作和業績目標，是不是還覺得不知道怎么實現？那是因為許多案例并沒有介紹得出結論的分析過程，而只是描述了問題的背景和目標，以及優化之后的效果。真正的分析過程，往往被“發現”兩個字一筆帶過。

當然有人會說，數據分析過程是一個見仁見智的過程，根本不可能按照一個統一的流程完成全部分析，特別是在互聯網領域的高速變化當中。那么數據分析的過程，究竟是一個只有零散技巧而無章法可循的過程，還是一個有明確的步驟并可以嚴格依照執行的過程？我認為是后者。

我們這就來介紹一個通用的數據分析方法論：數據分析五步法。

這個框架具有一下幾方面特點：

1. 不與具體業務綁定（個別步驟中的細節需要與業務結合），是從決策需要的信息角度出發的；
2. 具有開放性，可融入個人經驗和前沿技術；
3. 可結合大數據技術，排除人工環節，實現自動化；
4. 邏輯清晰，容易學習。

一、分析五步法

這個簡單的數據分析五步法，基本能夠應對日常工作中至少80%的常見數據分析問題。而剩下的20%的場景，可以在這個基本的分析方法論上擴展出來，我們會在后面的內容中探討。

1.1 五個基本步驟

首先，我們來一次講解著5個基本步驟，分別是：

1. 匯總
2. 細分
3. 評價
4. 歸因
5. 決策

1.1.1 匯總

這一步我們關注的是指標，也就是大家常見的那些DNU、DAU、GMV、ROI等等。只要是說到數據分析的內容，一定會提示數據分析“要明確目標”。因此，這個重要性我們倒是不需要贅述。

目標當然是所有指標中最重要的。但只有目標還不夠，我們還需要其它的輔助指標。就比如ROI，是投入和產出兩項算出了ROI；而GMV，也可以用用戶數乘以平均每用戶的GMV計算出來。這樣，我們就把一個目標的計算，拆分成了更多相關指標的組合。并且，這些指標更基礎，我們可以通過一些運營手段影響這些指標的變化趨勢。

這部分沒有什么理解的難度。只不過，我們要找出指標之間的計算關系，由此逐漸找到所有我們需要關心的指標。在現在的互聯網產品運營當中，從來不會缺少需要看的指標，已經多到了眼花繚亂的地步。但只有那些跟目標相關的指標，我們才需要關心。

1.1.2 細分

這一步相當于給指標增加了一個或者若干個維度。最簡單的維度應當算是時間了。比如，我們按天看UV的變化趨勢；又或者，我們看不同頁面帶來的GMV是多少、看不同用戶分群中的GMV分別是多少等等。如果我們理解前面的指標只是一個數字的話，增加了維度之后，它就變成了一列數據；增加了兩個維度之后，它就變成了一張表格，以此類推。

就像指標的現狀一樣，我們也可以輕松找到許許多多可以用來拆分指標的維度。比如前面提到的日期和人群，還有拉新上的來源渠道，活躍上的流量來源和轉化路徑等等。再將這些維度進行排列組合，就能產生出一大批龐雜的拆分維度，多到根本看不過來。

因此，在細分之前的關鍵環節就在于區分維度的重要程度。

如何區分呢？

我們要按照是否可操作來區分這些拆分維度的輕重緩急。比如，前面提到了看APP中的不同頁面帶來的GMV。但是，如果我們沒有必要的技術手段或者運營工具，來為那些GMV更高的頁面分配更多流量，也不能降低那些GMV較低的頁面的流量，那么按照頁面拆分這種方法對于我們沒有任何操作空間，更不要說操作之后的優化空間了。

如果是這種情況，我們就應當認為來源頁面這個維度，只是個“看看就好”的維度，而非關鍵維度。

另一個例子是用戶分群，特別是當我們希望從外部的投放引流獲得更多高質量的新增用戶，以此來拉動增長的時候。在這種時候，我們總是希望首先對現有的高質量用戶進行用戶畫像，并確定一些能夠標識高質量用戶的特征，再通過這些特征在投放的時候吸篩選出高質量的用戶。

這個道理是講得通的，但遺憾的是，外投渠道不能提供十分精準的人群定位，只能提供人口統計學和內容偏好等粗粒度的劃分。這其中還隱含著，我們暫時認為投放渠道對于用戶的標記是十分精準的，沒有考慮出現標記錯誤的概率。

因此可以看出，在拉新這件事上，我們對用戶分群的操作是受限的——并不是完全不能，但十分受限。而用戶分群更大的利用空間在于促進活躍，也就是在我們自己的用戶群體中進行切分。

比如，在增長案例中常見的，在相同頁面的相同位置放置不同的文案或者圖片素材進行版本間的A/B Test，那么具體展示哪個版本就是一個可以自由操作的維度，因為一旦發現哪個版本更好，我們可以很快采取行動，替換掉其它表現不好的版本。因此展示版本這個維度很適合用來切分指標。

如果說【匯總】的部分只是個監控的話，在【細分】的步驟中，就已經體現出一些分析的感覺了。在【細分】這個步驟中，我們需要找到那些真實可操作的拆分維度，以便讓我們的分析結論能盡快落地。但這部分還留下一個問題，就是如果存在多個可操作的拆分維度，那么它們之間理應是有區別的。

比如，我們可以簡單地替換圖表和文案，但我們也可以煞費苦心地給產品迭代一個大版本。如何在分析的過程中體現并衡量這種操作的復雜度呢？這個就要說到【評價】的問題。

1.1.3 評價

在【評價】的步驟中，我們要用到【匯總】步驟中的那個作為目標的指標，以它作為評價的唯一標準。如果我們的目標就是簡單的GMV，甚至更簡單的PV和UV，那么到了【細分】的步驟之后，我們基本就可以開始下結論了。

但是在實戰中并非如此。我們的目標可能是一個復合目標——在拉高GMV的同時，還要控制成本；在拉高PV的同時，還需要提高GMV；或者直接是一個ROI這樣的復合指標。

在這個時候，我們就不能只關注目標這一個指標了，而要關注復合指標。例如，我們的目標是在拉高GMV的同時控制成本。為了進一步簡化問題，我們把成本具體地定義為：促進老用戶產生GMV的成本和獲得新用戶產生GMV的成本。因為通常在運營中，拉新與促活的手段是不同的，這與【細分】部分的原則對應，即：是否存在操作空間以及操作空間的大小。

之后，我們就可以分別按照拉新和促活的不同緯度，對產生的GMV和投入的成本這兩個指標分別進行細分了。例如，在拉新方面，我們有外投百度關鍵字、有外有廣告聯盟、還有與其他APP的合作換量；而在促活方面，我們在APP上的ABCD四個Banner上設置的A/B Test。

那么對于新用戶的部分，我們就可以分別針對百度關鍵詞、廣告聯盟和合作APP這三種方式，評價每投入一塊錢的成本分別可以得到多少新增的GMV。通過這種評價，我們就能簡單地在不同的拉新方式中，選擇更優的方式，并在已有的方式中調整更優的成本投入。而對于老用戶的部分，我們同樣可以針對ABCD四個Banner各自的A/B Test，評價不同的展示版本中每投入一塊錢可以產生多少GMV。

簡而言之，在【評價】這個步驟中，我們需要把【匯總】部分的指標分成兩類——最終的目標，與實現目標的手段。比如在前面的例子中，投入的成本就是實現GMV提高的手段。因此，每一塊錢的成本投入，我們都需要以產生的GMV來評價它。這時，要實現GMV提高的目標，可選擇的手段就比較多了。比如，針對老用戶促活，我們可以：

• 保持成本投入不變，更換更容易帶來GMV的圖片和文案，來提高投入的每一塊錢帶來的GMV（優化效率）；
• 保持每一塊錢帶來的GMV不變，（在限制范圍內）追加成本投入；

這兩種方式，都有意識地忽略了GMV可能帶來的價值。如果我們將這部分價值考慮進來，它就能抵消掉一部分投入的成本，那么備選方案還會更多。

總之，在前面這個例子中，由于我們的拆分維度本身比較簡單，只考慮了APP中的Banner和外部拉新的方式，因此比較容易通過數據中的一些標記進行細分。但是在實戰中，還有些情況是我們無法進行明確地拆分的。比如在用戶交互中，產生一個GMV的路徑需要經過幾個環節的跳轉，或者就像前面那個例子中的ABCD四個Banner，如果用戶點擊了其中的兩個甚至三個Banner，那么我們如何拆解呢？這個問題就是下一個步驟【歸因】了。

1.1.4 歸因

【歸因】這個步驟就是“最后一公里”了，也就是我們常說的剖析“為什么”的過程。之后便可以得出結論并進行決策。

在前面的步驟中，通過案例能清楚地看到，我們已經得到了一些可以直接對比的量化指標了。在這種情況下，其實我們不需要在【歸因】的步驟中做什么特殊的操作，可以通過數值的比較直接下結論。但是如果我們遇到了細分的問題，也就是多個環節或者方法之間無法進行明確地拆分時，應當怎么辦呢？在日常的數據分析中有幾種常用的歸因思路。

比如，我們繼續使用前面提到的案例——用戶依次點擊了ABCD四個位置才產生了GMV：

1. 首次互動歸因模型：也就是用戶第一次做某件事，在數據中通常表現為時間最早、順序號最小等等。那么我們給A記100%，B、C和D記0%。
2. 最終互動歸因模型：也就是用戶最后一次做某件事，對應的在數據中就表現為時間最近、順序號最大等等。那么我們給D記100%，A、B和C記0%
3. 線性歸因模型：也就是平均分。那么我們給ABCD分別記25%。
4. 加權歸因模型：也就是給多個促成因素分配一定的權重，例如A和B各記30%，C和D各記20%。正因為多出來一個權重的維度，需要一定的設計；并且計算權重也可以作為一種分析的過程。關于權重也有幾種常見的設置辦法，比如首末兩項最重要而其它向中間遞減，或者按時遞減等等。

當然，在選擇歸因方式的時候，也會結合具體業務的特征，來考慮行為的先后順序、停留時間長短等情況，對于分析目標的貢獻或影響。

1.1.5 決策

最后就可以決策了。但經過了前面的幾個步驟逐漸消除了不確定性，決策反而是最簡單的一步了——就是找出那個表現最好的版本、表現最好的位置、表現最好的拉新方法而已。

而當我們有一些新的idea時，同樣可以作為A/B Test中的一個版本，加入到這套評價體系中，進行綜合評價。

1.2 應用案例

這套方法論不僅針對日常工作中的專項分析，在一些已經固化成型的方法論中，也可以找到這套基礎方法論的影子。

我們來看幾個已經成型方法論案例。

1.2.1 A/B Test實驗

首先我們要看的案例就是A/B Test。在A/B Test的過程中，首先我們要確定實驗的目的，也就是我們要通過實驗提高和優化的是哪個指標。之后，我們以實驗中的不同版本作為細分維度，以指標是否實現作為評價標準，對實驗結果進行評價。如果在實驗的過程中確實遇到了需要歸因的問題，則還需要考慮如何進行歸因。

當然，隨著業務的復雜度不斷發展，A/B Test的難點已經不在于比較和得出結論的過程，而在于如何設計實驗才能在更短的時間內、耗費更少的用戶流量、進行更多的實驗并得到有效的結論。這也是所有這方面的平臺和工具的起點——Google的著名論文《Overlapping Experiment Infrastructure: More, Better, Faster Experimentation》論述的核心內容。

1.2.2 用戶分群

用戶分群是一個常見的運營手段，但如何確定分群的準確度，以及如何在后續的使用中持續地維持準確度，確是一個數據分析問題。在基于特征的用戶分群過程中，首先要確認的是，我們希望獲得具備怎樣特征的用戶群體。

之后，當我們想找到符合這個特征的用戶時，就可以使用TGI（Target Group Index，目標群體指數）來衡量找到的用戶群體是否對這個特征有傾向性。例如，如果我們想找到喜歡搞笑短視頻的用戶，并且以點贊行為作為“喜歡”的定義，就可以使用TGI的大小來評價我們找到的用戶群體是否確實對搞笑短視頻有所偏好。

具備了這種分析機制之后，我們就可以通過各種手段來對用戶進行分群了，之后針對不同的分群方式就可以計算出多組TGI值，我們需要的就是那個TGI值最大的子群，并選擇那個得到這個子群的分群方式。

反過來說，關于用戶分群還有另外一種場景：我們已經得到了一個用戶群體，并想要研究這個群體具備怎樣的特征。這時，同樣可以使用TGI作為目標，以TGI的大小來衡量分群對各種特征的傾向性。

1.2.3 經典管理模型：BCG矩陣

在經典的BCG矩陣中，隱含的一個關注目標是整體利益，而手段是資源的優化配置——也就是要將企業中有限的資源，投給更具潛力的業務，以便獲得企業層面的整體利益最大化。

為了對這個目標進行深入研究，在BCG矩陣中，按照兩個維度對這個指標進行了拆分，形成了一個二維矩陣。在通常的畫法中，橫向代表相對市場占有率的高低（通常是指相對于行業Top 3），而縱向代表了市場增長率的高低。相對市場占有率和市場增長率，就是創造利益的手段了，占有率高且增長迅速，自然能更多獲利；而利益自然是最終目標。

因此，由于手段帶來的利益是不同的，在拆分出的四個象限中，不同的業務就有了自己的“宿命”——有的維持，有的追加資源，有的減少資源，有的直接放棄。

二、方法論的優化

根據全面對于方法論的整體描述，有三個點是可以對方法論進行優化的。

（1）匯總

匯總部分的優化，在于發現更新、更合適的輔助指標，來計算出最終的目標指標。就比如在財務領域，相比于按照收入和支出匯總的計算方式，杜邦分析法（DuPont Analysis）給出了基于銷售利率、資金運作和負債程度三個方面的拆解方式，更容易理解并采取行動。

（2）細分

在前面講解細分的時候，側重的主要是一些客觀維度，如時間、已經客觀存在的拉新方式和Banner等。而隨著分析經驗的積累和算法能力的提升，我們逐漸會在分析和應用中，加入一些偏主觀的細分維度。比如根據用戶偏好制作的用戶標簽。這些維度提供了新的視角，但同時也有自己的“玩法”。

?（3）歸因

歸因部分是對于那些不能客觀確定的拆分邏輯，給出了人為定義的拆分邏輯。因為有了人為操作的加入，并且客觀情況在不斷的變化中，這其中就逐漸產生了優化空間，需要對拆分的方式不斷調優，以便適應業務的發展和環境的變化。

#專欄作家#

御豪同學，人人都是產品經理專欄作家。偏向數據應用和金融領域，擅長問題分解、產品管理、數據應用技術等。

本文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。