数据分析很痛苦?5类问题建议、8大分析方法帮到你

时间:2019-06-26 00:00:00 作者:

“对数据敏感,能够通过数据分析与反馈,不断改进和优化产品”之类的招聘要求屡见不鲜。

诚然,数据分析能力已经成为产品人不可或缺的技能。数据的敏感度和分析能力的高低,往往可以看出一个产品人的功底。笔者虽说几乎天天和数据打交道,但始终觉得要获得能力进阶,仍需进行系统性的学习和实践。因此本文作如下梳理和思考,希望对大家有所帮助。

一、本文目的

  1. 列举常见数据分析问题,自我反思对症下药。

  2. 给出一些分析思路,提升日常数据分析效率。

  3. 学习日程制定指引,逐步掌握数据分析工具。

二、文章框架

  1. 5大常见问题

  2. 学习动力

  3. 日常分析类型

  4. 分析思路

  5. 制定学习日程

  6. 数据分析工具(excel、文末赠送学习礼包)

三、为啥要学数据分析

你可能会说,这不是废话吗?!肯定要学啊!不过笔者还是要强调下:没有足够的驱动力,顶多也是三天打鱼,难以为继。

数据分析有啥好处?一句话总结就是:数据改变生活。

哈,有点扯。随便贴几点吧,每个人的动机都不一样,有用就好。

四、5大常见问题

这两周,通过调研和自我反思,同学们在数据分析这个环节上,主要集中在5大问题,笔者简称之为“4无1不”,若未能妥善解决,将严重影响工作的效率和身心健康。

1. 无思路:数据杂乱,不知到从何入手

成因:分析的业务目标不清晰,导致数据采集过剩;分析方法与分析的场景不懂得如何结合,导致无从下手。

对策:第一步,理解业务背景和业务目标;熟悉各分析方法及应用场景,后面有介绍。

2. 无侧重:分析逻辑不严谨,生搬硬凑乱猜想

成因:未整体考虑对数据造成波动的可能原因,将相关性指标用作为因果关系指标,成为了“为了分析而分析”。

对策:数据分析应形成闭环,确定分析目标——采集数据——列举可能原因(金字塔/公式化思维,后面介绍)–验证猜想–得出分析结论–后续优化对策

3. 无规划:分析时,却发现数据缺失,采集难度高

成因:对所上线产品的价值收益不清晰,未提前规划观察指标及进行相关的数据采集需求开发,巧妇也难为无米之炊啊!

对策:明确产品的成功指标,可提前构思分析思路,进而反推所需的数据需求细节

4. 无记录:数据异常,却不知道做了什么

成因:团队内部信息同步不及时。可能是活动导致的产品数据暴增,或者产品更新导致系统故障数据下跌

对策:建立团队内部的协作机制,信息及时同步至共享平台。如:运营活动上线前X天,及时同步至产品相关活动规划,并做好备份记录和通知相关部门。

5. 不熟练:对分析工具不熟悉,分析耗时大

成因:分析工具如excel,若不是在学校有专门课程,基本是自学或者报相关课程,工作忙没抽时间单独学习是根本原因

对策:建议列出自己的薄弱环节,有针对的找相关的课程学习,如果是小白,建议系统地学学,后面会涉及。

五、日常分析类型

日常的数据分析类型可以从四个角度去归类:产品设计五要素、数据类型、产品进化流及时间。

分类的目的是为了帮助我们更好地理清日常数据分析的场景,以便更有针对性地进行整理归类、前置学习储备,比如说:数据类型纬度中,提前整理好存放用户数据、交易数据的数据库及表字段,可以提高数据采集时的效率;整理好项目周报的报表格式,有数据增加,直接更新即可。

1. 从产品设计五要素看

战略层的数据多留点心思,老板们会不定期地问起,找数据比较久就比较尴尬了。

2. 从数据类型看

下面的数据,在个性化推荐或精准营销场景会用得非常的高频,数据的质量决定了推荐效果的好坏。

3. 从产品进化流看

产品上线的前中后,产品的关注数据会有所差别,相关的数据收集和分析要靠自己不断总结反思了。

4. 从时间上看

建议同学们自我盘点下:有哪些是一次性的?哪些是周期性的?相应的采集需求或者分析报表该如何呈现才更佳?

六、数据分析思路

这部分是比较关键的一环,构思不清晰,如无头苍蝇一般,费时费力还无用。在分析之前,可以先问下自己,这个数据分析,到底目的是为了什么?

笔者认为,基本上为如下三类:

  1. 事前:制定/预防

  2. 事中:控制/调整

  3. 事后:结项/优化

因此,数据分析的思路是:始终围绕该阶段下的业务目标而开展数据分析。

分析思路建议参考:金字塔+公式化思维,这样可以穷举可能造成的影响因素,并进行一一分析排除,找到可能的原因。

tips:建议先列清楚可能原因,在进行数据采集和数据分析,避免返工。

举例:当一个电商平台的订单转化率下降时,可以列出订单转化率公式:CR=订单数/UV。下降的原因:可能是订单数变少了,也可能是来的客户增加了。这针对这两个指标进行罗列可能造成的原因,并通过数据验证分析。

七、数据分析方法

有了数据分析的思路,就需要通过适合该场景的分析方法进行分析,以进行规律的探索。

常用到的一些分析方法如下:

1. 趋势分析法

将两个或两个以上的指标或比率进行对比,以便计算出它们增减变动的方向、数额、以及变动幅度的一种分析方法。

2. 对比分析法

将两个或两个以上指标对比,寻找其中规律。静态对比,不同指标横向对比。动态对比,同一指标纵向对比

3. 多维分解法

把一种产品或一种市场现象,放到一个两维以上的空间坐标上来进行分析。

4. 用户分群

根据用户与产品之间的互动程度进行划分,以更好经营用户。

5. 用户细查

用户抽样,具体观察用户在行为、交易上的特征数据,以观察是否具有显著特征,反推宏观数据,找出数据规律。

6. 漏斗分析法

对业务流程节点进行划分,建立整个业务流程的转化漏斗,并追踪分析。

7. 留存分析

用户注册后,追踪该用户次日/周/月的活跃情况。

8. AB测试法

A/B测试的实质是对照试验,即通过对几个不同的版本进行对比,从而选出最优解。

八、学习日程

因为计划常常赶不上变化,因此这里希望同学们列的是日程,而不是计划。这部分分两步:第一步搞清楚自己需要什么,第二步,制定适合的学习日程。

step1:需要什么

  1. 根据第五节的数据分析类型,梳理日常高频分析场景。

  2. 总结自己的薄弱环节:可以反思分析过程,做什么最痛苦和请教大佬们都有哪些高超技艺?

  3. 选一个自己未来钻研的方向:行业分析、BI方向、机器学习。

以上,确定一个学习优先级。

step2:学习日程

  1. 一个可持续性的学习习惯:什么时候学习效率最高,最可执行。

  2. 一个阶段性的学习目标:先看excel的基本知识,再看统计学,再学SQL。

  3. 定期时间日程安排,具体的日程编排根据自己的时间来。

九、数据分析工具

最后一部分,我们先来作下热身学习吧,奉献上excel的必备技能,以下仅划下重点:

好了,本次的分享就到这里了,我们下次再见。


分项代码
声明:本文内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:进行举报,并提供相关证据,工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。