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

產品工作中，數據分析也是非常重要的一環，分析完后肯定要產出分析報告的。這篇文章，作者就分享了如何寫分析報告的整個過程和方法，供大家參考。

一、前言

不少產品經理，尤其是to c的產品經理，都需要在功能上線后，定期復盤，做相關的數據分析。那么，為什么要做數據分析？原因如下：

1.1 圍繞業務：分析本次上線是否符合了業務目標

做任何功能，都會有定量/定性的項目目標/業務目標，這是產品經理的主要目標，通過數據分析，可以知道是否完成了目標？完成的好的原因是什么？如果沒完成，是什么原因導致？

這一部分的分析，主要依靠【后端數據庫】的數據和【前端埋點】的數據，綜合分析得出。

1.2 圍繞功能：分析本次產品功能的優劣

分析完業務目標后，作為產品經理，我們也會關注產品功能的易用性，合理性，看看用戶經常使用的功能有哪些？哪些地方用戶壓根不會去點？以及用戶使用上的問題等等。

這一部分的分析，主要依靠【前端埋點】的數據，以及一些用研分析得出。

下面我們具體看下如何做數據分析。

二、數據分析基本結構

2.1 不同角色分析視角不同

不同角色對于數據分析的內容有著很大的區別，下圖簡單舉例了一個項目中可能存在的幾種角色，以及每種角色看待數據的視角的相同點和不同點。

2.2 產品經理的分析視角

B端產品和C端產品的分析視角又會有差異之處，此處擇重點簡單概括。

2.2.1 業務分析

2.2.1.1 項目目標實現情況

每個項目的目標，可以是產品經理自己定義的，也可以是業務定義的。

• 定量目標：根據數據即可直觀對比體現。
• 定性目標：比如提高用戶滿意度之類的，測算方式比較多樣，比如用NPS之類的方法。

2.2.1.2 各個階段的數據分析（C端常用）

各階段的數據分析通常用在C端場景更多，比如C端做了某個營銷活動的功能，那么用戶會經歷1——>2——>3幾個步驟/階段，此時，我們就需要對各階段進行轉化率分析，頁面元素的分析。

2.2.1.3 一些常用的維度分析視角

分析一般的思路就是【先總后分】。先看大盤數據表現，然后再細拆維度下鉆。

比如，某個功能的用戶數上線一個月達到了目標，為了看下具體如何達到目標的，首先我會先按地區看，發現河北的增長十分明顯，而湖南、浙江等地表現平平。其次，再去下鉆為什么河北增長如此明顯，發現河北在此期間新用戶增長突出等原因。

只有從不同的維度去看待某一個指標，我們才能看到數據背后的發展規律。那么一些大眾常用的維度基本是：

• 時間維度：天、周、月、季、年
• 地理緯度：國家、片區、省份、城市
• 用戶維度：新老客、性別、年齡段、活躍度、忠誠度
• 渠道緯度：線上渠道、線下渠道、社交媒體
• ……

2.2.2 產品功能分析

2.2.2.1 各個靜態頁面的使用情況

比如你是一個B端后臺產品經理，設計了一個功能，涉及到多個頁面之間的交互，你要看下頁面是否對于用戶是易用的。那可以看下每個頁面的使用埋點，舉例如下。

• 列表查詢頁面：曝光pv、uv；頁面各按鈕的點擊情況；頁面停留時間等
• 詳情頁：曝光pv、uv；頁面各按鈕的點擊情況；頁面停留時間等
• ……

通過看到這些，你會有大概的感知，你這個頁面用的人多不多，用戶經常用的功能是哪些，為什么有的頁面你覺得用的次數應該少結果卻很多…

2.2.2.2 交互頁面合理性分析

幾乎所有的功能都涉及交互，C端的交互相對B端會更多樣一些。從分析各頁面交互的轉化率，我們也能看到我們的功能設計的合理性、用戶的使用偏好。

2.2.2.3 用戶產品體驗反饋

這一階段需要靠人工的問卷調研、回訪等方式，收集用戶的聲音，也是最直觀反映產品功能缺陷的寶貴一環。通過用戶反饋，也可以進一步看到用戶對該功能的爽點和通點，為后面的再次優化提供更多的依據。

三、案例

3.1 背景介紹

這里舉例說一個在第一篇文章中分享過的裂變活動的數據分析。這是一個偏C端的產品能力。

簡單介紹下裂變活動的步驟，分2個角色：邀請者和助力者。

1、邀請者分享活動鏈接給好友，待好友給他助力3個人后，邀請者就可以獲得一個獎勵。

邀請者頁面概況展示：左圖為未邀滿好友頁面，點擊按鈕進行裂變分享；右圖為邀滿后，點擊按鈕領取優惠券獎勵。

2、助力者收到好友的邀請鏈接后，點開幫助好友點擊助力即完成助力，完成后，助力者也可以前往活動頁面去參與活動發起邀請。當然，助力存在成功，也存在多種失敗的情況，不過多贅述。

助力者頁面概況展示：左圖為幫好友點擊助力的頁面，右圖為點擊后助力成功并獲得獎勵的頁面。

3.2 數據分析框架

3.2.1 框架如下：

3.2.2 詳細說明

3.2.2.1 目標完成情況

本次吸引新人注冊達xx人，超出目標x%，達到預期；

本次活動完成的訂單量達x元，完成目標的70%，與目標存在一定差距，主要是由xxx原因導致的。

3.2.2.2 各階段數據分析（以下數字純屬虛構）

3.2.2.2.1 邀請者

活動參與情況：

• 【概況分析】本次活動頁面曝光100萬，發起邀請40萬人，40%的人參與了活動，與上期活動參與度（20%）相比，提升了一半，說明活動力度大，規則簡單明了
• 【細節分析】活動參與的人中，大部分人只發起了1、2輪邀請，不會過多參與，猜測可能需要營造稀缺感進一步提升參與度

活動領獎情況：

• 【概況分析】參與活動的人中，83%的人完成了活動，并獲得了優惠券獎勵，說明活動難度不高，用戶普遍信心較足
• 【細節分析】發起活動卻沒人給他助力的用戶占了75%，猜測可能用戶點點看這種試探的行為較多，并不是真的想參與活動

獎品核銷情況：

• 【概況分析】本次共發放獎勵100萬張優惠券，其中核銷率為40%
• 【細節分析】活動期間核銷量持續上升，達到活動結束日達到頂峰，說明用戶對活動的結束有明顯感知，基于厭惡損失心理，使得獲得大額折扣券的用戶想在活動結束前用完券，折扣率越大的券使用的欲望越高。

3.2.2.2.2 助力者

• 【概況分析】助力成功人數200w，其中新人助力占比30%，助力成功率為85%，助力失敗人數中主要由老人助力失敗所致（60%）
• 【細節分析】助力成功后只有20%的人會去參與活動，說明助力成功頁面活動信息透出力度不夠，吸引度不夠
• 【細節分析】助力失敗的原因主要是用戶完成了本輪邀請，占比80%，說明邀請者裂變的速度比較快；助力失敗后有40%用戶會去參加活動，說明“挫敗感心理”可能會驅動用戶更積極參與活動。

3.2.2.3 其他維度分析（簡單舉一個例子）

活動期間商品銷售情況

• 【概況分析】活動期間，各商品銷量排行前三的為：A、B、C
• 【細節分析】老客戶購買決策比較保守，基本會選擇經典款，除非試錯成本比較低才會選擇新品；新用戶由于還沒建立商品心智，購買決策則更看重季節品、主推品。

3.2.2.4 活動頁面分析

• 邀請者首頁分析：通過埋點數據分析，主按鈕、好友助力記錄、我的獎勵、查看獎勵的點擊情況較佳，在后續沉淀后臺能力時，這些可以保留；頭像框邀好友功能則不需要做，點擊情況很差。
• 助力者頁面分析：助力成功頁面轉化率較低，此頁面需要重新更改

3.2.2.5 交互分析（建議畫漏斗圖分析）

3.2.2.5.1 邀請者交互流程：進入活動頁面——>發起活動——>領取獎勵

【數據】：

• 進入活動頁面——>發起活動：轉化率40%
• 發起活動——>領取獎勵：轉化率90%

【結論】：轉化率較上期相比提高，說明活動頁面操作顯眼，用戶路徑清晰

3.2.2.5.2 助力者交互流程：

【數據】路徑1: 點擊助力——>點擊我也要邀請——>進入活動頁面——>發起活動；

• 點擊助力——>點擊我也要邀請：轉化率20%
• 點擊我也要邀請——>進入活動頁面：轉化率100%
• 進入活動頁面——>發起活動：轉化率70%

【數據】路徑2: 點擊助力——>關閉

• 點擊助力——>關閉：轉化率80%

【結論】路徑1&路徑2 ：助力后多數用戶選擇關閉，而但凡被吸引進入活動的，大概率會去參與活動，發起活動，所以助力頁面的信息透傳、按鈕展示需要進行優化

總結

數據分析的主旨就是“了解現狀，發現問題”。我們只要抓住【總—分】結構，先看大面，再從各個視角切入抓原因，就可以產出一份比較詳盡的數據分析報告。

以上為個人淺見，歡迎大家多多指正～