精益数据分析
2016-08-24 16:23:29 0 举报AI智能生成
精益数据分析是一种以数据驱动决策的方法，它强调在最小化资源浪费的前提下，通过持续改进和优化业务流程来提高组织的绩效。这种方法的核心理念是消除浪费，包括时间、人力和资金等方面的浪费。精益数据分析通过收集、整理和分析数据，帮助组织识别问题、找出根本原因并制定有效的解决方案。此外，精益数据分析还强调跨部门合作，以确保所有相关方都能从数据中获益。总之，精益数据分析是一种实用且高效的管理方法，能够帮助组织在竞争激烈的市场环境中取得成功。
作者其他创作
大纲/内容
认识数据—产品经理与数据分析
数据的客观性
对产品经理来说，数据到底意味着什么？
数据： 量化事物的手段
数据真的是客观的么？什么样的情况数据会犯错呢？
数据会受到主观因素的影响
需要关注
数据涵盖的样本范围
数据提取的手段
数据的来源
样本是否完整
是否经过二次处理
最终要强调的一点
“数据本身具备天然的客观性，无论我们是否触碰它，它已经发生并且就在那里。而在面对海量数据的时候，我们更像一个“求知者”，如果我们希望在数据当中找到答案，我们更应该带着一个“求证”的态度，去读取，去分析，去解读。
培养面对数据的“智慧”
对初级产品经理来说，怎样提高数据分析能力？
要“培养”自己在数据方面的“智慧”
真正优秀的产品经理，既不是任由自己的感性思维天马星空，也不是让自己的理性思维控制自己，而是能够控制自己的感性和理性，在该发散的时候有巧妙的想法，在该聚焦的时候有思辨的逻辑
反复的练习，以及对各种数据的阅历会反过来让产品经理综合的“智慧”更加的饱满
产品经理刚开始和数据打交道时候从两件事做起
第一，学习如何提出数据统计需求
提出数据需求的过程，是一个“界定产品目的和目标，根据目标提出假设、预判产品效果”的过程，要求对功能目标、功能预期效果有完整且清晰的掌握。
第二，学习如何解读数据
对数据足够敏感，能够敏锐的发现数据当中隐含信息，并通过逻辑推理，进一步提出好的追问和假设，然后通过数据或其他手段来验证。
一个完整的数据需求包括
功能设计方案
功能目的和目标
功能上线后需要跟踪的数据指标，及指标的精确定义
e.g:网站注册流程功能的数据统计需求
注册流程的完整方案设计文档
做这个功能的意义：让所有新用户快速完成注册流程，并这却提供所需的必要个人信息
所需指标及定义：围绕2中的目标设计所需的数据指标，思考哪些数据指标，可以描述目标完成情况；比如：每一个注册环节的用户跳出率，每一个注册填写字段的出错率，各类注册错误的出现频次分布等
数据统计需求其实和产品需求有着相辅相成的作用
找不到数据指标来统计这个功能—这个功能是否真正抓住用户的需求，是否在当前阶段有必要做
e.g:一个电商网站周日成交较量下降
假设结果
周日的转化率是否与其他工作日持平？是否有所下降？还是升高？
周日的网站访问量下降比例幅度是多大？周日仍然留在网站上购物的用户，有没有一些共同的特征？
周日的成交量下降，是每一类商品的成交都在下降么？会不会有个别类目周日的成交不降反升？
好的追问，能指引产品经理发现机会而提出好的追问，就需要实践经验的积累
数据分析当中的“误区”
e.g FB vs LifeSpace
第三方调研机构，对网站A和网站B的改版进行满意度调研，结果显示A的改版满意度为20%，而B为80%。
本次调研，并未考虑参与调研用户数量，占网站整体用户的比例，网站A中大部分用户其实并未参与调研，而这部分用户对改版到底是什么态度，其实在调研结论中并不知道。
忽略沉默用户
用户迫切需要的需求 ！＝ 产品的核心需求
你所听到的需求，或许只是少部分用户迫切需要，而大部分用户并不在乎
结论：没有始终全盘的去考虑用户需求，听到用户声音的时候就做出了决策，而忽略了产品大部分目标用户的核心需求
过分依赖数据
一方面会让我们自己做很多没有价值的数据分析；另一方面，也会限制产品经理本来应该有的灵感和创意。
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个PM综合智慧的体现
错判因果关系
所谓因果关系，就是A的发生，导致了B的发生，比如醉酒驾驶导致交通事故，那么醉酒就是交通事故的原因之一
所谓相关关系，就是A和B两件事的出现，都是出自同一个原因，数据上显示火锅消费高峰期和冰激凌消费低谷总是同一个阶段出现，而这两件事情都有同样一个原因，即天气变冷，气温下降
e.g
某电商网站数据显示，商品评论的数量与商品销售额呈正比，即一个商品评论数量越多，那么该商品的销售额也会越高
那么商品评论和销量之间是什么关系呢？
大部分是因果关系，但是商品评论不是商品销量的主因，而是比如质量，价格，推广的人群等等
警惕数据表达的技巧
简单的坐标轴改变，给人的感觉就不一样
不要妄谈大数据
什么是大数据
三个要素
用全部数据
所谓采用全部数据，就是当通过数据分析一个问题的时候，涉及到所分析问题的所有数据都必须纳入到计算范围当中，无论是常规合理数据，还是一些异样的样本数据都必须包含。甚至传统数据分析中可能都完全忽略的数据，都需要包含在大数据分析当中
注重相关关系
即通过大数据分析，最终分析获得并关注数据当中的相关关系，并通过相关关系指导分析、决策、预测，但对因果关系的探索，将不再是这种数据分析所关注的核心内容。
全新的计算方法
即大数据分析，其计算过程不再是传统数据分析中，必须精确统计、不容许任何脏数据、错误数据的分析方法，而是包含了各类混杂数据的简单相关性计算
结论：产品经理要有独立思考和灵活判断的智慧
获取数据—产品分析指标和工具
web网站数据指标
工具
免费的网站排名工具
Alexa、中国网站排名、网络媒体排名
免费的网站检测工具
Google Analytics、百度统计、CNZZ网站分析
博客
网站分析在中国
几个关键的指标
访问量
访问：一次访问就是指一个人来到网站，然后浏览了一些内容之后离开网站的过程；这个过程也会被称为会话，也就是session
访问量定义：一段时间的访问量就是这段时间内的会话次数
用户来到网站（第一个页面），启动一次会话，并编号sessionID＝x，一直到访问第N个页面，都算是同一次会话，sessionID＝x，当关闭浏览器或超过30分钟没有任何动作，结束会话，这个过程算一次会话
访客数
也称为独立访客数（Unique Vistor，缩写UV），就是访问网站的人数。
如何识别一个用户？在网站分析系统中，会依据用户的浏览器，设备型号等信息，为用户分配一个编号，这个编号称为Cookie
访客数就是访问网站的cookie数。如果同一人换了浏览器或设备访问网站，那么它的cookie也就变化了
浏览量
常被称为PV（PageViews），就是浏览页面的数量
访问量（Visis）、访客数（UV）、浏览量（PV）是网站的人气指标
跳出率
跳出率是非常重要的指标
常用的算法是网站的所有会话当中，来到网站之后没有任何动作就离开的比例，等于只访问了落地页面的访问量除以总访问量
页面停留时长
访客一次访问在某个页面上停留的时间，等于这个页面的总停留时长除以这个页面的访问量
网站停留时长
访客一次会话的时间长度，等于网站所有访问量的总停留时长除以访问量
退出率
退出率衡量从某个页面退出网站的比例，它等于从一个页面的退出次数除以访问次数
页面的跳出率和退出率的区别？
退出率是指无论从哪个页面进入网站，最终从这个页面退出的比例
跳出率是指从这个页面进入网站，没有做任何事，就从这个页面退出的比例
转化率
达到达成某种目标的访问量除以总的访问量，或达成目标的访客数占总访客的比例
采用访问量还是访客数作为分母？
如果将访问量作为分母，意味着将每次访问都认为是下单或购买的机会
如果将访客数作为分母，则会认为一个访客在购买之前，多次访问是正常的。
网站检测工具—Google Analytics
包含4个主要模块
受众群体
描述用户特征
流量获取
描述用户从哪里来
用户行为
用户的参与情况
用户转化
用户的达成目标的情况
对分析网站宏观分析
有多少访客访问网站，访问深度怎么样？
查看“受众群体”概览页来了解网站的访客数和访问深度
这些访客从哪里来，以及效果怎么样？
查看“流量获取”的概览页了解网站的流量从哪里来
访客在网站上作了什么？
流量最大的着陆页：可以在Google Analytics“行为”模块的“着陆页”查看
查看数据：找出流量最大的着陆页，着重优化，降低跳出率
流量最大的页面：可以在GA“行为”模块的“所有页面”查看
查看数据：找出流量最大的页面，并与预期对比，发现差异；与流量最大的着陆页对比，就能发现访客浏览了哪些页面，从哪里退出
页面点击热图：对用户点击了哪些链接进行分析，可以在Google Analytics“行为”模块的“网页内分析”查看
查看数据：可以选择流量最大的几个页面进行分析，通过分析，可以了解导航在首页起到的作用，并且知道访客的点击趋势，从而进一步的优化页面
主要流程的转化漏斗：可以在GA“行为”模块的“渠道可视化”定义转化漏斗
查看数据：分析每一步骤的转化率，找出流失最多的步骤，重点优化
移动应用数据指标
每个阶段需要关注的指标
用户获取
下载量
已下载应用的用户数量，以及应用商店排名和评分。下载排名靠前且评分高有助于进一步吸引用户下载
安装激活量
安装并打开应用的设备数
激活率
激活设备数／安装设备数
新增用户数
如果设备时首次激活应用，那么这个设备就是新增。移动应用的用户一般就是指唯一个唯一的设备，新增用户数就是新增设备的数量
用户获取成本
每获取一个用户所需要的费用
用户活跃于参与
日活跃用户数
数量指标
一段时间内启动过应用的设备数，表示用户规模。日活跃用户数能体现当天流量的引入效果，但是波动较大
月活跃用户数
数量指标
月活跃用户数相对稳定，应用的用户规模一般用月活跃用户数表示
活跃系数
质量指标
日活跃用户数／月活跃用户数
0.2以上为合格
平均使用时长
质量指标
平均每个用户一天使用应用的时间
功能使用率
质量指标
使用某功能的用户数占活跃用户的比例。使用率越高表明功能越受欢迎
用户留存
次日留存率
7日留存率
N日留存计算指：统计日期新增的用户或活跃用户，在第N天又来使用的比例。可以参考行业值来对标自己应用的留存是否健康
30日留存率
用户转化
付费用户比例
付费用户占总用户的比例。建议将付费用户和免费用户区别对待
首次付费时间
用户激活后多久才会开始付费。有助于把握转化用户的时间点
用户平均每月营收
等于一个月的收入除以月活跃用户数
付费用户平均每月营收
等于一个月的收入除以月付费用户数
获取收入
收入金额
付费人数
当留存率非常低时，如何利用指标发现问题？
次日留存率低，说明用户对我们应用不感兴趣，或者教程做的很差
7日留存率低，说明用户对内容觉得不耐玩，不好玩
30日留存率低，说明版本迭代规划不好，没有及时给用户更新内容
如何利用数据指标，评估改版效果？
e.g 网易云音乐改版
整体数据—关注留存
新旧版本发布后，新版本发布前14天内的新用户次日留存率
同比：旧版本发布后14天；环比：新版本发布前14天
整体数据—核心功能的使用率
新旧版本发布后、新版本发布前14天内的新增用户听歌比例
新功能使用—使用率和继续使用率
继续使用率：本周使用过功能A的用户，在下周继续使用的人数比例；代表功能的受欢迎程度
新功能使用—对核心功能的促进效果
核心贡献：（使用过功能A的听歌人数比例）－（未使用过功能A的听歌人数比例），0表示没有贡献，大于0表示有贡献
版本迭代的效果尽量用新用户收集数据去衡量
移动应用分析工具
国外分析工具
Flurry
Google Analytics
国内分析工具
友盟
TalkingData
Crash分析工具
crashlytics
电商类数据指标
指标解释
销售额
网站的收入
购买客户数
购买了商品的人数，会按照账号去重计算
老客数
统计当天之前就购买过商品的客户数
新客数
统计当天首次购买商品的客户数
客单价
每个客户购买的金额，销售额／购买客户数
购买转化率
访客中购买了商品的比例，购买客户数／访客数
UV
访客数，来到网店的人数
详情页UV（IPV_UV）
访问商品详情页的人数
订单数
订单数关系到支付压力和仓库发货的任务量
妥投及时率
妥投到客户的订单中，按照约定时间妥投的比例
重点商品缺货率
爆款缺货的比例
销售额的变动因素
销售额＝UV＊转化率＊客单价
购买客户数＝UV＊转化率
访问价值＝转化率＊客单价
流量增长因素
流量
PC／WAP
媒体1
媒体2
App端
Android
渠道包
iOS
IDFA
跟踪工具跟踪来源
客单价增长因素
客单价＝人均购买件数＊件单价
人均购买件数是指每个客户购买几件商品，这个指标也经常用来衡量关联销售的效果，也就是关联销售效果越好，人均购买件数就会越多
件单价是指商品的平均价格，等于销售额除以销售量，这个指标用来衡量网站上的商品价格高低
客单价变动
件单价
热销商品价格变动
人均购买件数
组合装／单件装比例
推荐效果
推荐带来的销售额
转化率增长因素—转化漏斗
入站UV
（详情页到达率）
浏览商品详情页
（下单转化率）
提交订单
（支付成功率）
支付成功
影响因素：支付引导差、支付工具故障等
影响因素：详情页缺少吸引力、加载慢等
影响因素：跳出率高、站内引导不好等
详情页来源
几大来源
直接落地到详情页
从首页进入详情页
从频道页进入详情页
从分类页进入详情页
从搜索进入详情页
从品牌页进入详情页
通过关联销售从一个商品到另外一个商品
总结
入站UV
（直接进入）
商品详情页
首页、频道页、分类页、搜索页、品牌页
（导出）
商品详情页
导出率：点击该页面上链接的次数除以进入该页面的次数
商品导出率：在该页面上点击商品详情页的次数除以进入该页面的次数
商品详情页
（关联推荐点击）
商品详情页
推荐商品点击率
在商品详情页看到推荐的访客中，点击推荐商品的比例
用户生成内容类数据指标
UGC产品的特征
目标：让用户产出内容
访客到产出内容是一个参与度逐渐加深的过程
发表文章
点赞
订阅
评论
其他行为（分享）
UGC产品的参与度
参与度指标
访客数
停留时长
产出内容（点赞、评论、发表文章）
转发微博、发表微博
朋友圈发表状态
发表博客
e.g 轻博客（Loft）
参与度指标
访客数（活跃用户规模）
访问网站或打开APP的人数，等于web端访客数＋移动端访客数
登录访客数及占比（活跃用户规模）
登录的访客数以及占总访客的比例
沉默用户数及占比（留存以及访问深度）
超过7天未访问的访客数的账号数及占总账号的比例
平均停留时长（留存以及访问深度）
总停留时长除以访客数
点赞访客数及占比（核心功能使用情况）
点赞的访客数／登录访客数
推荐访客数及占比点赞访客数及占比（核心功能使用情况）
点击推荐的访客数／登录访客数
分享访客数及占比点赞访客数及占比（核心功能使用情况）
点击分享的访客数／登录访客数
评论访客数及占比点赞访客数及占比（核心功能使用情况）
发表评论的访客数／登录访客数
创作访客数及占比点赞访客数及占比（核心功能使用情况）
创作访客数／登录访客数
优质内容评分
热度＝分享次数＋推荐次数＋点赞次数
热度代表了文章的受欢迎程度，值越大越受欢迎
互联网产品指标思路
有多少访客，访客有什么特征？
访客特征：访客访问的时间段、在哪些地域访问、用什么设备以及用什么网络
访客从哪些渠道获取，效果怎么样？
基本思路：带来多少新访客、浏览深度怎么样、是否留存下来了以及转化率情况
Web网站：新访客占比（代表渠道拓展用户的能力）、跳出率、浏览页面数、以及转化率
移动应用：新设备占比、次日留存率以及转化率
访客的参与深度如何？
跳出率、浏览页面数、转化率
这些访客最终有没有转化，转化漏斗是否顺畅？
任何有意义的动作都可以认为是转化
转化漏斗
有先后顺序的漏斗
入站UV—浏览商品详情页—提交订单—支付成功
参与深度漏斗
访客数—登录访客数—点赞、评论—原创
获取指标的方式
分析日志
程序员纪录日志—分析师／产品经理给出计算逻辑—程序员计算指标—Excel分析或报表
分析工具（自定义事件来分析功能使用率，利用转化漏斗分析转化流程和参与深度）
网站分析工具
移动应用分析工具
分析数据—产品数据分析框架
利用数据—数据驱动产品
0 条评论
下一页
