8分钟让你快速读懂数据分析

最近在学习一些数据分析方法，结合自己的一些心得，梳理出以下数据分析文章，读完本文大概需要8-10分钟。

一、什么是数据分析？

数据分析是指用适当的统计方法对收集来的数据进行分析，以求最大化的发挥数据的价值。数据如同金钱一样，本身并没有太多的价值，而正是由于使用分析方法的存在，利用分析方法来得出一定的结论与发现问题，从而挖掘其巨大的价值。

二、为什么数据分析？

很多时候，VC投资需要看数据，做投资决策；公司产品/运营需要做迭代的依据... 数据需求的可能会来自多个方面，总体而言，数据分析的原因主要有以下四种：

1.驱动产品迭代：
用户使用产品的真实轨迹是怎样的？为什么他们会这么做，有没有更简便的流程，以帮助我们作出优化决策？也可以分析产品过往的数据，来洞悉问题，驱动有目标的产品迭代。

2.深度需求分析
对用户所处马斯诺几个层面的需求，用数据来支撑；对交互需求，用数据佐证；对公司层面的需求，通过数据验证合理性。

3.驱动运营决策：
产品新功能上线后效果怎么样？新功能的用户活跃度、用户留存率的变化？A方案和B方案哪个更好？诸如此类的问题，评判一个问题的好坏，比较可靠的恐怕就是数据了。感性的定义很多时候往往会产生大量的不必要的争执。

4.决策商业机会：
针对商业机会的评估，必要的需求调研及市场调研显得尤为关键。一个新市场是否值得介入？一个新项目是否值得投资？是否可以收购某公司等等？

三、如何数据分析？

viri.png

1、数据采集：

原则1：全量而非抽样

采集多种数据来源，前端与后端、业务数据库的全面采集。前端有网页端与APP客户端等，后端采集用来补充前端行为事件所无法采集到的数据。

原则2：多维细分

针对客户行为事件实现5W1H的全面细化，将行为中的什么人、什么时候、从哪里、什么原因、什么事情、如何做的行为轨迹全面记录下来，并进行细化，人（who）可以从注册账号、性别、年龄、个人成长阶段等细分；时间(when)可以从起始时间、结束时间等细分；从哪里(where)可以从IP、位置信息、运营商、OS、机型、IMEI、网络接入方式（2G/3G/4G/WIFI）等细分；原因(why)可以从爱好、需求层级等细分；事情(what)可以从主题、步骤等细分。行为事件与维度的结合，就能得出需要的指标，比如用户在什么地域下的订单......

目前数据采集（埋点）方式主要有三种：

第一种：使用第三方统计分析标准SDK接入到应用中

第二种：使用无埋点方式

第三种：自己开发，精细化运营与产品决策

2、数据建模：

搭建数据指标模型大致要考虑以下三大要素：

a.打通行为数据与业务数据；
b.回归关键数据指标
c.多维度考虑数据可行性

第一关键指标方法

找出第一关键重要指标，然后衍生于子指标，比如：电商销售额
如果你想提升销售额，要么提升买家数，要么提升客单价。
销售额=买家数x客单价
销售额=流量x转化率x客单价
在到达商品详情页中，这个还可以衍生为：
销售量=商详uv x 下单率 x 付款率x客单价
销售量= 活动展现 x 活动转化率x 下单率x付款率x客单价

各阶段指标侧重：

各阶段.png

MVP阶段（验证）：验证可行性与以用户留存率为目标，定性分析，这个阶段本身并没有多少数据可言（数据型产品）除外。

增长阶段（跨越鸿沟）：大多数公司都没能到这个阶段，增长阶段的数据分析需要适当的去对应相应的数据产品分析师，或者使用更深度的数据工具来做相应的决策。可以分为两个层面
1.留存阶段，主要以留存率为指标（次日留存、7日留存、15日留存、30日留存率等）；
2.引荐阶段，主要考虑病毒系数与病毒周期：平均一个用户能带来多少个新用户。所以当病毒系数大于1时，信息将会不断扩散，而总传播人数是发散的。相反，当病毒系数小于1时，总传播人数是收敛的，以及NPS（净推荐值）。

平台期（激活转化）：有专门的数据分析师、工程师，团队对数据分析更加深入。主要关注的是平台用户的活跃度、转化率，使得度过平台期迎来下一个增长期。

变现期:营收成本、用户激活召回、LTV、CAC、渠道分析等指标

3、数据分析：
分析方法：有效的数据分析方法能够深度挖掘数据的价值，常见的数据分析法与模型有用户分群、A/B测试、多维事件分析、漏斗分析、AARRR分析等等

这里主要以漏斗分析法、AARRR分析模型、A/B测试、多维事件分析为例展开：

● 漏斗分析法

分析从潜在用户到最终转化用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品运营的各个关键流程分析中。

何为用户转化漏斗，就是你的业务是如何一步步将一个用户转化过来。比如：

活动：活动展示—>点击详情—>转化
约妹子：搭讪—>约会—>牵手->......

经过的每个阶段，都可以拆为好几个子阶段。而每一个阶段都会有用户流失、用户留存下来。对漏斗的每一个环节准确地记录数据，以便分析和优化各个环节的转化率，是数据化运营的基础设施。

比如一个电商的活动页，它的漏斗模型应该是这样的：

下单率.png

从浏览活动页面到详情页的转化率是50%，在详情页下单的下单率是10%，最终下单到付款的转化率是40%。

有这么个漏斗，我们就可以分析每个环节代表了什么，该如何去改善：

活动页—>详情页uv：页面上的内容是否醒目，商品是否是用户喜欢的，需根据页面点击情况及时替换点击效果差的商品。
详情页uv—>下单人数：详情页是否吸引人，页面加载速度是否有影响，是否需要将商品重新排序。
下单人数—>付款人数：是否支付引导差，支付工具是否有故障，是否低于业内平均指标。

另外，在同一个系统内部，也需要做转化率进行对比，比如本月与上月，本周与上周，增加了还是减少了，这样才能得出更为准确的结论与发现问题。

● AARRR模型

AARRR（Acquisition、Activation、Retention、Revenue、Refer）是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

AARRR.png

以下例子中渠道A与渠道B哪一个更优？

比如游戏AARRR各阶段指标
1.A（How do users find us?）
DNU(日新注册且登陆用户数)、推广渠道监测（成本、流量）
2.A（Do users have a great first experience?）
DAU（每日登陆过游戏用户数）、日均使用时长、道具关联分析模型
3.R（Do users come back?）
留存率（次日留存、7日留存、21日留存、30留存）、流失率、流失预警分析模型
4.R（How do you make money?）
PR（付费率）、 ARPU（平均每用户收入）、ARPPU（平均每付费用户收入））、LTV（生命周期价值）
5.R（Do users tell others?）
K-factor、NPS等

● A/B测试

A/B测试就是通过数据支撑，不同渠道、不同人群、最终选定方案。

A/B测试需要有一定的数据支撑，建立准确性与效率高的框架，比如针对不同渠道、用户分群发布、灰度发布等来得出合适方案,这里不加以展开.

AB测.png

● 多维事件分析法

多维事件分析，从多个角度细分数据，从中发现数据变化的具体原因。行为事件与维度的结合可以得到数据指标，比如在电商应用中：
行为事件（1H）：搜索商品、点击商品详情、提交订单、支付订单、售后服务等等都是一系列事件
维度(5W)：人（who）可以从姓名、性别、年龄；时间(when)可以从停留时间、下单事件、付款事件、到货时间等细分；从哪里(where)可以从IP、城市、运营商、OS、机型、IMEI、网络接入方式（2G/3G/4G/WIFI）等细分；原因(why)可原因(why)可以从爱好、需求层级等细分；事情(what)可以从主题、步骤等细分。
两者结合就可以得出多维度指标，比如用户在哪个区域下订单，从什么渠道过来的，过去一段事件支付订单款项多少等等......

四、数据不是万能的

数据虽然不可或缺，但也不是万能的，比如在产品创新方向上很难获得驱动，在长期的用户反馈上很难获得数据的足够判断，那么真正能驱动一款产品的用户快速增长，靠的都是什么方法呢？

验证.png

- 做真正有意义的产品

市场上很大一部分产品都是意义不大的，尤其在这个存量过于饱和的市场下，要获得用户的快速增长，还是应该回到产品的核心上来，创造真正有价值的东西，辅以数据驱动，这样的结合可能能获得更大的增长。

- 塑造品牌价值
对核心用户尤其要重点塑造品牌观念，在传统行业中，众多企业做品牌的重视度高于互联网行业的企业，而在互联网确是常常不被重视的，与本身的燥热有很大关系，也许我们可以看看健身应用Keep的slogan与品牌塑造案例里面学习到更多的东西。