大数据分析思路的4点心得
大数据分析能力对于一名产品经理来说是最基本的能力。 在面试的过程中,社招会有面试官会问你以往你负责的产品的相关数据,如何看待这些数据,如何通过这些数据来做接下来的产品优化;校招的面试官可能会问小伙伴们关于分析数据的思维;在产品经理的日常工作当中,要时长盯着数据的报表来分析产品的健康程度。本文不再对一些基本的数据定义再做描述,而是从分析的思路总结了一些心得,欢迎各位一起来讨论。
1.看数据的纬度
在对一款产品或者一款产品的其中的一个模块进行分析时,我们可以从两个大纬度去分析数据。 首先是从广阔的视角先去查看数据,这里需要对该产品所处的行业数据有一个清晰的了解,该产品所处的行业自己所处的市场占有率的排名,一般市场占有率指的是用户的占有量,一般从行业报告可以看出大概的数据。 然后接下来需要分析这款产品的总的数据情况,比如下载量、DAU、WAU、MAU等,以及该产品的最核心的数据是什么,并且如何有可能从侧面去了解这款产品的竞品的相关数据是什么。 当了解完以上这些总体的信息,我们心中应该对自己所负责的产品有了一个宏观的概念,自己在行业内所处的位置,以及现在最需要提升哪些数据指标都有了一个清晰的认识。接下来就可以从大纬度切入到小纬度,进一步去分析一些细节的数据。例如重要的数据信息,包括用户的基本的构成信息,每个模块自己建立的漏斗信息等。一般在做分析的时候应该注意的是数据的异常现象,出现局部的极值(包括极大值和极小值)都需要进行分析。
2.什么才是好的数据指标?
在做数据分析的过程中,我们需要了解什么样的数据才是好数据,如果单纯地去看一个数据是没有太大意义的,数据本身也具有相应的欺骗性,比如从运营同学那得到了日新增用户数1W,那么单纯看这个数据没有什么意义,我们可以说这个数据很好,因为看上去很大,但是你可能没有看到同期的数据,有可能昨天的数据达到了2W。 第一,好的数据一定是首先最好是以比率的形式存在的,不要绝对数,要相对数据。 比如上面的那个数据我们换成增长率,换成环比这个数据,我们就可以进一步的了解到这个数据的好坏。 第二,就是通过对比来判断数据的好坏。 我们将数据的日增长量做成一个折线图,从折线图我们就能看出这个数据是在高点还是在低点。通过对比,我们就会得知这个数据所处的位置是什么样的。另外,通过对比不同的渠道,对比不同的版本,对比不同的用户群等不同纬度的数据,都可以从侧面反映出这个数据的真实情况。 第三,数据不是一成不变的情况,要动态的去看数据。 单纯只看一个点的数据情况是没有意义的,我们要在数据中加入时间的纬度。引入一段单位的时间去看待数据整体的变化趋势,这样才能更为客观的判断产品的健康程度。
3.发现数据异常后将从几个纬度去分析?
有时候从总量的角度是无法洞察出一些问题的。比如在某段时间内,下载量出现了下跌,我们需要去找到这个当中问题出现在哪里。从总量的角度看,安卓的渠道要比IOS的总量大很多,这并不能说明问题。那么我们首先需要将时间的纬度引入到当中,将这几个月纬度的数据进行对比,一定可以看到在安卓当中有一个月份的数值相比其他较低。然后我们再去看这个月份的情况。一般情况下,在找到这个异常会先从渠道的角度去分析,查看是哪个渠道发生了异常的现象。在针对性的去对渠道进行优化。 然后我们还可以从版本的角度去分析,去查看最近近期是否有新版本的更新,如果有新版本的更新,是否设置了新的功能出现了BUG等问题无法解决,导致了用户出现卸载应用的情况。当然这些角度都要加入时间的纬度去判断。 另外,数据异常也不一定是坏事情。比如在分析用户行为的过程中,如果发现了某些类别的用户的关键指标表现良好,那么就一定要分析为什么这些用户的数据表现为什么十分良好,这也是增长黑客的分析思路。比如在facebook早期发现,如果一名用户在刚使用产品的早期可以快速添加10明好友以上的用户,这类的用户的活跃程度就明显高于其他的用户。在比如airbnb在早期发现那些放置的照片十分精美的住家的出租率较好,发现了这个特性后,内部产品技术团队又进行了一次AB测试,发现果然是存在这样的优化点。 所以在早期一个关键的指标就是如何能快速提高用户添加其他好友的数量。这里需要我们从底层数据分析当中要注意对用户进行分层的处理,从不同的纬度分层找到数据异常的族群,找到共性,归纳表现良好的用户的共性,然后将其作为优化的指标进行优化。
4.不同阶段制定的关键指标应该随着产品的阶段性变化发生变化的
在做数据分析的之前,需要我们对我们分析的目标进行确认,每个阶段的目标也存在着不同的目标,是为了增强用户粘性,还是为了提升营收,或者是为了提高病毒传播系数。 比如在对渠道的判断中,不能只关心拉过来的新用户量,最重要的是我们要关心这些新拉过来的用户对产品的关键指标的影响,比如在社区产品,相比新进用户的数量更应该关心这些用户的活跃度,发布帖子的数量,点赞的数量等关键指标。换句话说更应该关注的是漏斗模型最下方的那个量,关注转化率的最底层的那个数据。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14