
在职场中,当你遇到问题的时候,如果感到无从下手,或者抓不到重点,可能是因为你掌握的思维模型不够多。
一个好用的思维模型,能给我们提供一种观察问题的视角和拆解问题的框架,帮助我们理清数据分析的思路,提高解决问题的效率,从而获得更加满意的结果。
OSM模型,全称是Object-Strategy-Measure 模型,也就是目标-策略-衡量指标,其中:
Object(目标),可以是公司的目标,业务领域的目标,或者某个产品的目标,或者某个活动的目标,某个内容推广的目标等等;
Strategy(策略),就是要达成目标制定的策略,比如要拉新,策略可能是做广告,做活动等等;
Measure(衡量指标),也就是对这些策略,分别对应的可以衡量策略的指标,如果是广告,衡量指标可以是广告点击率;
业务目标的设定应与业务负责人协商一致,明确业务的核心追求,如提升用户数量、用户停留时间、付费用户数或用户消费总额等。在设定业务目标时,需遵循DUMB原则,确保目标的可行性、易懂性、可管理性和有益性:
切实可行(Doable):确保目标设定在可实现的范围内,避免因目标过高而无法达成,影响评估的有效性。
易于理解(Understandable):业务目标应简明易懂,确保业务团队能够清晰理解数据目标的意义。
可干预、可管理(Manageable):业务目标应配备相应的策略或手段,以便团队能够通过具体行动来实现这些目标。
正向的、有益的(Beneficial):业务目标应具有积极意义,避免为了达成某一目标而对其他业务目标产生负面影响。
在明确业务目标的基础上,需要制定相应的业务策略来实现这些目标。例如,为了增加新用户数量,可能采取的策略是在社交媒体平台如抖音、广点通等增加广告投放。
度量是评估策略效果和目标完成情况的关键。以提升产品新用户数为例,评估结果的指标可以是新增用户数。除了关注结果型指标,过程型指标同样重要,它们能够反映策略执行的各个阶段:
曝光下载转化率:衡量从广告曝光到用户下载的转化效率。
下载安装转化率:衡量从用户下载到实际安装应用的转化效率。
下载激活率:衡量从安装到用户激活应用的转化效率。
OSM模型通过将业务目标与评估指标紧密相连,确保了每个设定的指标都有明确的目的,即评估特定业务策略的效果,以及这些策略如何服务于整体业务目标的实现。这种清晰的关联性有助于企业更有效地监控业务进展,优化决策过程,并推动业务的持续改进和发展。
OSM模型是一个业务分析框架,不是算法模型。一般来说OSM模型有正向和反向使用两种用法:
1、正向使用:在项目开始前,分解大目标,明确行动和每个行动考核指标。这是上边的例子所演示的工作流程。如果企业数据驱动氛围很好,理应这么工作。
2、反向使用:项目前期没有做啥筹备,事后复盘发现一堆问题。这时候想要检讨为啥做烂了,也能按这个思路,把项目中做的事一一梳理出来,看这些事能影响什么子指标,实际影响到了没有,这些子指标和大目标之间有啥联系。
UJM模型(User Journey Map,用户旅程地图模型)是用于描述和分析用户在使用产品或服务过程中与品牌、产品或服务互动的完整流程。
UJM模型的目的是深入理解用户体验的各个阶段,帮助设计更符合用户需求的产品和服务。它通常用于用户体验设计(UX)、市场营销、产品开发等领域。
UJM模型可以将业务策略拆解为若干个环节,这些环节串联起来就形成“业务流程”;同时设计若干指标衡量流程就形成了“过程指标”。
UJM模型,即户旅程地图一般长这个样子:
UJM模型由以下几个关键部分组成:
用户角色:定义目标用户群体,创建虚构但具有代表性的用户角色,以代表不同的用户类型。
阶段和触点:识别用户与产品或服务交互的各个阶段,包括用户接触的所有触点(如网站、移动应用、实体店面等)。
行为和活动:详细记录用户在每个阶段的行为和活动,包括他们如何与产品或服务互动。
情感反应:描述用户在不同阶段的情感体验,包括他们的满意度、挫折感或愉悦感。
痛点和机会:通过分析用户旅程,识别用户体验中的痛点和改进机会。
用户目标和动机:理解用户在每个阶段的目标和动机,以及他们使用产品或服务的原因。
支持和障碍:识别用户在旅程中获得帮助的支持点,以及可能遇到的障碍。
故事叙述:通过叙述用户的故事,将所有信息整合在一起,形成一个连贯的叙述,帮助团队成员理解用户旅程的全貌。
UJM是描绘用户在应用程序内行动轨迹的视觉表示。以电子商务平台为例,用户购买商品的整个行为路径可以通过UJM进行展示。
通过梳理完整的用户行为路径,我们可以针对每个环节设计相应的评估指标。例如,为了评价某项策略对用户从打开APP到将商品加入购物车的影响,我们可以监测并分析以下转化率:
从打开APP到浏览商品的转化率;
从浏览商品到查看商品详情的转化率;
从查看商品详情到加入购物车的转化率。 通过这些关键环节的转化率,我们能够全面评估策略的效果,确保数据指标设计既完整又科学。
这种方法使我们能够精确地识别和优化用户体验的每个阶段,从而提升整体的用户满意度和业务成效。
UE模型即Unit Economics,是指单体经济模型,是衡量一个单位产品或服务的收入和成本关系的工具。
单体是整体团队和业务的缩影,通过对单体和最小单位的分析,我们能更加简洁地看清问题,做到一叶知秋、以小见大、见微知著、窥知业务全貌。
单位经济模型是指一个商业体中,以能完成商业闭环的一个单位为视角,计算财务模型。
抽象来说,单位经济模型一般可以表述成:每1个单位下,X = f(a,b,c...)
举个例子,以网约车业务来说,每辆车(单位)全生命周期的收入(财务模型)可以作为一种UE模型,每辆车平均每小时(单位)的平均成本(财务模型)也可以作为一种UE模型。一个leads或一个用户的LTV(或者前N天的arpu),一个用户全生命周期的LTV减去CAC,一个产品固定周期内的毛利等等,都可以作为UE模型。
UE分析的步骤:
首先,我们需要确定业务的最小单元。在医疗器械行业,最小单元可能是一台特定的医疗设备。例如,对于生产心脏起搏器的公司来说,最小单元可以是一台心脏起搏器。
接下来,我们需要计算每个最小单元能为公司带来多少利润。这涉及到收入和成本的预测。
最后,我们需要计算盈亏平衡点,即最小单元需要达到多少利润才能覆盖固定成本。
通过UE分析,我们可以清晰地看到,每台血糖监测仪目前的利润远未达到盈亏平衡点。这提示我们可能需要调整销售策略、降低成本或增加产品附加值。
CDA认证小程序里面有很多数据分析模型的测试,感兴趣的可以扫码CDA认证小程序,测一测你对数据分析模型的掌握程度。 图片
RFM模型是衡量用户价值和用户创利能力的经典工具,依托于用户最近一次购买时间、消费频次以及消费金额。
RFM的含义:
R(Recency)最近一次消费时间:表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。
F(Frequency)消费频率:消费频率是指用户在统计周期内购买商品的次数,经常购买的用户也就是熟客,价值肯定比偶尔来一次的客户价值大。
M(Monetary)消费金额:消费金额是指用户在统计周期内消费的总金额,体现了消费者为企业创利的多少,自然是消费越多的用户价值越大。
每个维度分可为高低两种情况,我们构建出了一个三维的坐标系。RFM模型是根据这三个指标得到一个三维的空间,三个指标的值映射到8个象限中,根据查看客户所在象限确定其价值程度。
RFM模型是一种常用的客户分群方法,它基于客户的购买行为数据,通过三个指标来评估客户的价值:购买频率(Recency)、购买频次(Frequency)和购买金额(Monetary)。
以下是使用RFM模型进行客户分群的步骤:
1.数据收集:收集客户的购买数据,包括每个客户的购买日期、购买次数和购买金额。
2.数据处理:将数据进行归一化处理,使不同指标的数据在同一尺度上进行比较。
3.指标计算:计算每个客户的RFM值:
Recency(R):客户最近一次购买的天数。
Frequency(F):客户在一定时间段内的购买次数。
Monetary(M):客户在一定时间段内的购买金额。
4.分数计算:将每个指标的值转换为分数,通常分数范围为1到5,分数越高表示客户价值越高。
5.客户分群:根据客户的RFM分数,将客户分成不同的群体,例如高价值客户、中价值客户和低价值客户。
6.策略制定:根据不同客户群体的特点,制定相应的营销策略,以提高客户的忠诚度和购买频率。
AARRR模型因其掠夺式的增长方式也被称为海盗模型,是Dave McClure 2007提出的,核心就是AARRR漏斗模型,对应客户生命周期帮助大家更好地理解获客和维护客户的原理。
AARRR分别代表了五个单词,又分别对应了产品生命周期中的五个阶段:
◾Acquisition【获取】
用户从不同渠道来到你的产品。
◾Activation【激活】
用户在你的产品上完成了一个核心任务(并有良好体验)。
◾Retention【存留】
用户回来继续不断的使用你的产品。
◾Revenue 【收益】
用户在你的产品上发生了可使你收益的行为。
◾Referral 【推荐】
用户通过你的产品,推荐引导他人来使用你的产品。
「海盗模型」有两个核心:一是以用户为中心,二是注重产品的整体收益。
哪怕前期获取用户的成本比较高,只要用户生命周期价值(LTV),大于用户获取成本与经营成本之和,就意味着产品能够实现良性增长。
AARRR海盗模型为企业提供了一个全面的用户增长框架。通过分析用户生命周期的五个关键阶段,企业可以深入理解用户行为,识别潜在问题,并制定针对性的策略。该模型尤其适用于希望快速见效的企业,在资源有限的情况下帮助实现用户增长。
随着各行各业进行数字化转型,数据分析能力已经成了职场的刚需能力,这也是这两年CDA数据分析师大火的原因。和领导提建议再说“我感觉”“我觉得”,自己都觉得心虚,如果说“数据分析发现……”,肯定更有说服力。想在职场精进一步还是要学习数据分析的,统计学、概率论、商业模型、SQL,Python还是要会一些,能让你工作效率提升不少。备考CDA数据分析师的过程就是个自我提升的过程。
CDA 考试官方报名入口:https://www.cdaglobal.com/pinggu.html
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05