产品运营常用11种数据分析方法!
数据分析的方法有很多,今天我们从大家耳熟能详的5W2H出发到群组分析等,基本上涵盖了工作生活中可能会用到的各种方法,下面我们一个一个来聊。
01 5W2H分析方法
就是用5个W和2个H开头的英文单词来思考问题,很好理解,适用于解决简单的问题,而面对复杂的商业问题时就需要其他的方法辅助了。
02 逻辑树分析方法
由费米提出,主要用来将复杂的问题变成简单的问题,像树枝那样逐渐展开,问题拆解,把一个复杂的问题变成一个个简单的子问题。
面试中常见的问题:如估算深圳有多少个产品经理,芝加哥有多少钢琴调音师等,这类估算问题我们称之为费米问题,在解决费米问题时,考察点通常不是真的去算出深圳到底有多少个产品经理,重点在于你的分析方法,也就是你运用逻辑树分析问题的能力。
03 行业分析方法
当需要分析行业问题、制定发展规划时,要进行行业分析,首选PEST分析法。
04 多维度拆解分析方法
多维度拆解法,就是维度+拆解,从多个角度思考问题。
那么可以从哪些维度来拆解问题呢?
- 从指标构成拆解
- 从业务流程拆解
面试中常见的 “次日用户留存率下降了 5%该怎么分析?” 这种问题,就可以用到维度拆解的方法。
通过多维度拆解数据,我们发现了一种考察数据整体和不同部分时,会得到相反结论的现象,称之为辛普森悖论。
当我们对两个变量进行分组研究时,在分组中都占优势的一方,在总评中反而成为失势的一方。
比较著名的当属1973年加利福尼亚大学伯克利分校性别歧视的例子,男生录取率为44%,女生录取率为35%,根据这个数据有人就觉得该校有性别歧视的倾向,但如果每个院系分开来看录取率的话,可以发现,A B D F四个院女生的录取率都高于男生。这个悖论告诉我们一个简单的统计数字不能完全描述其背后的复杂意义,因此只看到数据整体,而忽视数据内各个部分的差异是不对的。
05 对比分析
在进行对比分析时,主要考虑两个问题,和谁比,以及如何比。
和谁比
- 和自己比:同比、环比、定比、与目标值的对比、纵比、横比、特定时期的对比
- 和行业比:与行业平均水平比
如何比
- 数据整体的大小:平均值、中位数
- 数据整体的波动:变异系数
- 趋势变化:折线图、同比、环比
注:比较的对象规模一致才有可比性
A/B测试就是应用了对比分析
06 假设检验分析
分析问题发生的原因,也叫归因分析,“为什么”的问题,指标下降的问题
07 相关分析
研究两种或两种以上数据之间关系的方法,如果一个指标和另一个指标是一起变化的,说明它们是相关的,而如果是一个指标先变化从而导致了另一个指标的变化,说明它们是有因果性的。
需要注意的是,相关性并非因果性,现实生活中,100%的因果关系很难找到。如何判别是相关还是因果呢?答案就是:单变量控制法,控制其他因素不变,只改变一个因素,然后观察这个因素对结果的影响。
08 群组分析
也叫同期群分析,也就是对数据分组后对比。
比如按时间分析留存率,目的是找到留存率低的组,然后进一步分析这些组。
还有流失用户分析、金融逾期分析等
09 RFM分析
RFM分析用来对用户进行价值分类,从重要价值用户到一般挽留用户,识别有价值的用户,进行精细化运营,不断将用户转化为重要价值用户。
这里的R F M分别对应:
- R-最近一次消费间隔
- F-消费频率
- M-消费金额
如信用卡会员服务,就是采用RFM分析后进行运营的一个例子,不能对用户采取同样的运营策略,否则可能导致流失。
注意:对RFM值要根据业务的不同灵活运用
10 AARRR模型
AARRR模型用来分析用户行为,为产品运营制定决策,实现用户增长。
对应产品运营的5个重要环节:
- Acquisition-获取用户:用户如何找到我们
- Activation-激活用户:用户的首次体验如何
- Retention-提高留存:用户会回来吗
- Revenue-增加收入:如何赚到更多的钱
- Refer-推荐:用户会推荐给其他人吗
获取用户阶段,我们比较关心以下指标:
- 渠道曝光量
- 渠道转换率
- 日新增用户数
- 日应用下载量
- 获客成本
激活用户阶段,需要找到“啊哈时刻”,就是让用户情不自禁地喜欢上产品亮点、发出赞叹的时刻。
留存阶段,核心目标是让用户养成使用习惯,重点关注留存率指标
增加收入阶段,主要关注:
- 总量相关指标,如成交总额、成交数量
- 人均情况指标,如ARPU/ARPPU、人均访问时长
- 付费情况指标,如付费率、复购率
推荐阶段,也叫病毒营销,或自传播,主要关注:
- 转发率
- 转化率
- K因子
11 漏斗分析
漏斗分析是衡量业务流程每一步的转化率的分析方法,在各行各业都有相应的应用,如用户转化的分析、用户流失分析、流量监控等。目的在于定位问题节点,找到有问题的环节在哪。
跟可乐一起精读一本书,每天进步一点点。
作者:可乐的数据分析之路
来源:可乐的数据分析之路(the_way_of_data_cola)
扫一扫 微信咨询
商务合作 联系我们