起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識產品經理數據分析入門（四）- 分析方法
本文深入探討了數據分析的基礎思維和方法，引用古代兵法“知己知彼，百戰不殆”，強調通過對比、分類、平均和結構思維來深入了解數據的重要性。文章介紹了杜邦分析法、矩陣分析法等基礎分析方法，并通過用戶行為分析等高級技巧，指導讀者如何在實際工作中運用這些技術。
一、基本數據分析思維
在介紹數據分析方法之前，來看一下常用的數據分析的基本思維。
1. 對比思維
一個孤立的沒有對比的指標其作用是很有限的。只有通過不同指標的對比，才能知道指標好壞。
常見的對比方法有：
- 和外部對比：和同行、競品、行業平均數據對比。
- 和內部對比：和內部的其他分組、業務進行對比。如新老用戶之間對比、不同渠道數據對比。
- 和預期對比：實際的數據指標和預期的指標對比。
- 不同時期對比：同一個指標在不同時期的數據進行對比。如同比、環比等。
- 事件前后對比：在關鍵事件前后指標的對比，如活動前后、版本更新前后。
2. 分類思維
將數據分類進行分析，能消除各個分類之間的相互影響。
假設將已流失的用戶和活躍用戶一起分析，將會極大拉低活躍用戶的數據。而分析結論也會顯得雜亂無章。
分類思維很常見，如用戶分類、渠道分類、市場分級等。
3. 平均思維
平均分析就是將一個整體的數據平均成一個一般化的指標來進行衡量。
平均數更直觀、更具體，且更容易使用。如人均付費、平均客單價等。
4. 結構思維
結構用于衡量部分占總體的比重關系，常用占比多少來進行表示。
結構數據能直觀反映出整體數據的各部分的構成。如活躍率、付費率等指標。
二、數據分析的基礎方法
1. 杜邦分析法
杜邦分析法是將核心數據一層一層向下拆分，將一個數據拆分成多個組成的部分。通過這個方法，可以找到影響數據的相關因素。
將影響因素逐個分析，就可以知道哪些因素影響了核心數據指標。
2. 矩陣分析法
通過核心的指標，將數據劃分成多個矩陣區間，然后分析各自區間的數據。避免大而全面面俱到得分析。
RFM模型就是矩陣分析的一個重要的應用。通過最近一次消費、消費頻率、消費金額三個維度，將客戶分成了重要發展客戶、重要價值客戶等8個區間。然后針對每個區間用戶的特點制定不同的運營策略。
3. 漏斗分析法
漏斗分析針對用戶的關鍵路徑從開始到結束，每個環節的轉化率進行分析的方法。
漏斗分析能直觀的看出用戶在每個環節的流失或轉換情況，然后有針對性的進行優化。
4. 交叉分析法
交叉分析是將兩個維度的指標放在一起，進行對比分析。交叉分析能進行多維度對比，使得數據更加清晰。
三、數據分析法
1. 用戶分析
用戶分析也稱用戶屬性分析，根據用戶的屬性，分析用戶的構成。用戶分析有助于了解用戶構成。
常見的用戶屬性有：
- 用戶自然屬性：性別、年齡、職業、住址等；
- 用戶狀態屬性：新用戶、活躍用戶、流失用戶、回訪用戶等；
- 用戶終端屬性：Android、iPhone、iPad、軟件版本等；
- 用戶行為屬性：注冊時間、打開次數、消費金額、發布內容等。
2. 事件分析
所謂事件就是用戶在產品中的一次操作或行為。如登錄、瀏覽頁面、點擊元素等。事件分析就是分析用戶在產品中的操作和行為。
在事件分析中主要通過事件發生的次數和執行事件的用戶數兩個指標來分析。
1）事件發生次數
統計事件發生的次數，不考慮執行的人是否同一個。如一天內發布了多少內容、提交了多少訂單。
2）執行事件的用戶數
統計執行事件的用戶數，多次執行則被統計成一個用戶。如一天內登錄系統的用戶數、參與互動的用戶數。
3. 漏斗分析
上文也提到漏斗分析是一種基礎的分析方法。漏斗分析主要用于分析一個多步驟的過程，在各個步驟的轉換或流失情況。用于衡量轉化效果，進行轉化分析。
漏斗分析需要注意步驟次序和轉化周期兩個因素。
1）步驟次序
步驟次序序是指步驟的前后關系，根據具體的問題可以選擇是否考慮步驟的次序。
假設用戶完成一個過程需要A-B-C三個步驟。如果考慮步驟次序，那么用戶通過A-C-B完成這個過程，則不被當成是一次轉化過程。如果不考慮步驟次序，則會被計算成一次成功的轉化。
2）轉化周期
轉化周期是指一個用戶完成一次轉化需要的時間。
我們知道用戶經常不是連續完成整個過程的。用戶可在這次登錄先添加購物車，下次登錄再提交訂單，兩個步驟之間有時間間隔。
根據業務的不同，轉化周期可以設置成同一次登錄、一天、七天等。
轉化周期設置的長短直接影響到轉化率的計算，需要根據具體業務適當選擇。
4. 路徑分析
路徑分析是分析用戶在一個過程可能存在的多個步驟中，最終的執行過程。分析用戶通過哪些步驟最終到達目標事件。
分析過程中，首先選取的若干個關鍵步驟進行統計，然后分析用戶按什么順序執行各個步驟的。
到達目標的用戶可能很多，可以通過圖表將直觀的其羅列出來。
路徑分析過濾了沒有到達目標的用戶，也就是說，用戶分析所分析的對象是已經完成目標事件的用戶。
路徑分析也需要考慮觀察周期的問題。因為路徑觀察的是用戶連續的操作步驟，所以一般情況下路徑分析的觀察周期相對較短，通常設置一次登錄過程或者若干小時以內。
5. 留存分析
留存簡單來講就是用戶留下來繼續使用產品。留存分析主要分析用戶的參與度或活躍度。
1）初始事件和后續事件
用戶觸發了初始事件即可作為被觀察的初始用戶，然后在一定時期內，執行了后續事件的用戶則被視為留存用戶。
我們日常分析新用戶留存的時候，初始事件為用戶完成注冊，后續事件為重新登錄系統。但是，初始事件和后續行為并不一定是注冊和登錄。
如果將初始事件設置成第一天簽到，后續事件設置成后續的簽到行為，可以分析簽到活動的存留情況。如果將初始事件設置為完成一次內容發布，后續事件設置成登錄系統，則可以分析發布內容對用戶留存的影響。
2）起始時間和時間間隔
起始時間是選取用戶數量的時間，后續的留存分析都以這個起始時間的用戶數量進行對比。
間隔時間是觀察留存情況和起始時間的間隔。在間隔時間后執行了后續事件的用戶則為留存用戶。
3）統計粒度
通常我們以天為統計單位，如次日留存率、三日留存率、30日留存率。但是根據產品形態的不同，統計的粒度也不盡相同，也可以以周、月等位單位。
例如購票類APP，因為其使用頻率較低，所以可以考慮以周或月為單位。
6. 分布分析
分布分析是將數據劃分成若干個區間段，然后分析觀察對象在各個區間段的分布情況。
例如，分析用戶的年齡段分布情況，文章的閱讀次數分布情況等。
分布分析還可以根據選定的對象的分布情況，分析所選取對象的共性特征。
例如分析什么樣的產品銷量更好，可以選定銷量好的產品，然后分析其分布情況。按價格區間分布、按品類分布，然后可以分析出哪些價格區間、哪些品類的產品銷量更好。
7. 熱力圖分析
通過將用戶在頁面上的操作繪制成熱力圖，可以看出用戶在頁面哪些地方停留或操作的次數較多。然后觀察熱力圖，用戶停留或操作的地方是否我們所期望的。
在移動端，主要分析用戶的點擊次數、頁面停留時間、頁面滾動情況等。在PC端，還能分析鼠標的滑動軌跡、停留時間等。
8. 用戶行為分析
將用戶的每一步操作都記錄下來，然后單獨分析某一個用戶的行為。
相比于用戶路徑分析，用戶行為的分析是針對單一個用戶進行分析。同時，其能記錄的步驟或行為更加詳盡，幾乎能跟蹤到用戶操作的每個步驟。
更多文章
本文由 @林海舟 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。
- 目前還沒評論，等你發揮！
