1. <dd id="mssxb"></dd>
    <em id="mssxb"></em>

        1. <tbody id="mssxb"><noscript id="mssxb"></noscript></tbody>
          <button id="mssxb"><object id="mssxb"><menuitem id="mssxb"></menuitem></object></button>
          <em id="mssxb"><object id="mssxb"><input id="mssxb"></input></object></em>

          運營如何做數據分析?3個思路與8種方法!

          運營數據分析

           

          最近在看《首席增長官》,其中一些內容還是很有指導價值的,于是新建一個文集,把一些閱讀筆記就放在這里。像AARRR模型這種比較普遍的就不列入了,主要會記錄一些讓我感覺耳目一新的方法論或者思維框架。一、數據分析的3個思路

          根據書中給出的范例來看,這3種方法可能更適合偏宏觀的決策,比如多渠道投放時的決策,在應對落腳點比較精確的分析來說,方法可能需要調整,比如確定按鈕是放右上角還是底部。

          1、基本的數據分析方法

          以業務為核心的數據分析應該以業務場景為起點,業務決策為落點,這也是比較通用的一種方法,很多場景下都可以使用以下五個步驟進行推論。

          書中提到了五個基本步驟——挖掘業務含義-制定分析計劃-拆分查詢數據-提煉業務洞察-產出商業決策。

          關于這個方法,沒有想到比較好的實例,書中有一個關于多渠道投放決策的例子,還不錯,推薦去看看。

          2、內外因素分解法

          這個方法的場景是用于找到影響北極星指標的因素,也就是從兩個維度進行區分(內部因素+外部因素、可控因素+不可控因素),將影響因子分為四個類別。

          這本質上就是一種窮舉,這種方法的最大弊端是容易漏,不論分析者是一個人還是一個團隊,基本不可避免的會有遺漏。當然好處是,從四個區間對影響因子進行區分,能夠比較直觀的進行分析,從而以自己可控的方式進行對癥下藥。

          3、DOSS思路

          具體問題(Detailed Question)

          整體影響(Overall Influence)

          單一回答(Single Answer)

          規?;桨福⊿caled Solution)

          二、數據分析的8個方法

          假設你面前有產品的所有數據,包括過去一年的dau、新增、留存、渠道等等常規數據,也包括app從開屏到核心功能所有頁面的uv/pv、所有CTA的uv/pv,也就是說關于app的所有數據基本都能夠拿到,現在要搭建一套數據體系,有哪些方式?

          1、數字和趨勢

          最基本的數據展現形式,用exel就可以完成。

          關鍵數值。趨勢圖表,直方圖、折線圖、堆積圖、餅狀圖。

          2、維度分解

          單一的數值或者趨勢比較宏觀時,需要對其進行拆解。

          比如每日新增,可以從渠道的維度進行拆解,分為應用寶、appstore、360手機助手等等,基于此我們可以查看不同維度的新增情況,進而做一些渠道推廣的決策;

          每日新增也可以從時間的維度進行拆解,比如發現新增的高峰時間段是中午一點,那么運營活動可以考慮集中在這個時間。

          3、用戶分群

          把符合某種特定行為或標簽的用戶進行分群,進行歸類,比如“1月份來自北京的應用寶新增用戶”。

          我們可以針對這個分群的用戶進行深度的分析,比如他們的愛好、消費水平、高頻行為,進而針對性的進行用戶運營營銷推廣,比如對“放進購物車但是沒有支付的用戶”發放優惠券。

          4、轉化漏斗

          這個應該是最熟知的一種方法了,基本所有的用戶行為都可以用漏斗來表現,不論是注冊轉化漏斗還是下單支付漏斗。

          關注三個問題:

          -從開始到結束,整體的轉化率是多少

          -每一步的轉化率是多少

          -哪一步的流失最多,原因,流失的用戶符合哪些特征(這里就可以使用用戶分群來精細分析)

          5、行為軌跡

          從若干個頁面的uv/pv值,僅可以看到整體的轉化率,實際上可能會存在偏差,從用戶的行為軌跡可以從更實際的角度了解產品。

          6、留存分析

          關注兩類留存:

          -新用戶留存:次日留存、7日留存、30日留存,以及留存率的變化趨勢。

          -功能留存:即使用xx功能的用戶在次日又有操作

          7、A/B測試

          意義就不用解釋了,但是真正實施過A/B測試的實際上應該是有限。

          進行A/B測試的兩個必備因素:

          -有足夠的時間進行測試。

          -數據量和數據密度較高。產品流量不大的情況下,測試的統計結果實際上有很大的隨機性。

          8、數學建模

          當一個商業目標與用戶行為用戶畫像等信息有關聯性時,可以使用數學建模、數據挖掘等方式進行建模,進而預測分析。

          這就屬于比較高階的操作了,需要公司有一定規模且有足夠的預算投入。

           

          作者:Rockelbel,授權青瓜傳媒發布。

          來源:Rockelbel

          本文經授權 由青瓜傳媒發布,轉載聯系作者并注明出處:http://www.csever.com.cn/104889.html

          《免責聲明》如對文章、圖片、字體等版權有疑問,請聯系我們 。 青瓜商務通 找客戶 找服務
          企業微信
          青瓜商務通小程序
          運營大叔公眾號