• 注册
  • 一个转发,你的朋友可能会感激你一辈子!

  • 查看作者
  • 用好这几招,你就是产品数据分析师

    在做产品数据分析之前,首先我们需要明确在解决什么问题的场景下要对产品进行数据分析?一般包含以下4种场景。

    场景一:我们需要宏观了解当前产品所处状态的健康程度如何?

    场景二:面对具体的数据指标出现异常时,我们该如何分析并发现指标异常背后的原因?

    场景三:如何衡量我们当前工作带来的效果如何?如果没有效果如何调整?有效果又如何把效果放大做的更好?

    场景四:围绕产品的核心价值如何找到隐藏在产品背后的重要线索?进而找到产品的破局点与增长点。

    一、需要哪些数据分析方法可以快速了解产品当前健康程度

    1、对比分析法(一般包含对外对比分析和对内对比分析)

    对外分析主要是针对同行业的竞品,对外对比分析一般主要对比留存和支付转化率,比如facebook的40-20-10(次日留存40%、7日留存20%、30日留存10%),淘宝店铺的生意参谋也会提供同行业店铺的行业平均支付转化率,当然某些垂直细分领域的平台未必能很好的获取到行业的留存数据的参考标准,但也可以有意识的去联系到行业相关从业人员进行交流。

    对内分析可分为环比分析和同比分析,环比分析一般主要解决当前与相邻近的天、周、月、季度之间的对比分析,发现是否出现涨跌异常的现象以及构成涨跌异常现象的具体原因。同比分析一般主要解决当前与历史同期的天、周、月、季度之间的对比分析,发现数据浮动是否遵循周期性规律,如果遵循周期性规律,我们如何做好对未来的提前的部署。

    2、留存分析法

    是一种通过产品日、周、月留存分析判断当前业务的健康程度,当然也要结合行业相关数据。具体选哪种留存分析主要根据业务频次的属性来决定,一般如果是社交类产品可以通过日留存作为参考依据,如果是电影购票类产品可以通过周留存作为参考依据。

    另一种是结合版本迭代看版本迭代前后的留存数据对比,主要是看版本更新后的留存数据较版本更新前的留存数据有没有得到改善。当然产品的留存数据受很多变量因素的影响,比如市场的投放策略调整、新渠道的架设、运营周期性的活动、甚至行业大环境变化等因素都会造成产品留存数据的变化。

    虽变量情况比较复杂,但我们还是可以最大程度的绕开大部分变量因素来分析版本迭代后的效果。比如某次版本迭代前后对外投放、新渠道、活动等都没有变动,但是我们发现改版后的新增用户日留存率都大幅度下跌,新增用户对产品的粘性急速下跌,基本反映了此次版本迭代是失败的,如下图:

    用好这几招,你就是产品数据分析师

    3、同期权分析法:

    有时我们针对当前的产品虽然做了环比、同比分析,也做了改版前后留存效果分析,甚至结果告诉我们都是呈良好的增长趋势,但是当前的业务是否真的是健康的?我们并没有深入刨根究底,不妨我们看看下面这张报表:

    用好这几招,你就是产品数据分析师

    平台从1月至6月无论是客户数还是销售额都呈现增长的趋势,似乎是个很不错的成绩,但我们是否要考虑增长背后的新老客户表现是否异常呢?我们不妨进行拆解一下,如下图所示:

    用好这几招,你就是产品数据分析师

    这时我们发现每个月首次购买的新客户客单价呈现逐月递减的趋势,虽然每个月获取的新客户量是稳定的,但是新客户获取后的首月人均价值(客单价)在减少,问题看来出在渠道获取的新客户上。接下来我们再看看新客户首次购买后的客单价在后续几个月里有没有提升,看下图:

    用好这几招,你就是产品数据分析师

    我们发现新客户首次购买后的客单价在后续几个月客单价有很大幅度的提升,说明平台粘性很强,客户首单购买体验非常棒,客户后续愿意为平台产品付出更高的金额。由此我们通过营收数据的同期群分析得出平台业务一直很健康,问题核心在于渠道获客上,可能需要调整渠道投放策略,尽可能提高新客户的首单购买价值。

    二、怎么分析和发现产品日常数据出现异常的背后原因

    1、断点分布分析法:

    任何产品都会针对产品的核心业务建立关键事件的数据统计,比如常见电商类的产品“加入购物车”、购买等就是关键事件,内容社区类产品“分享”、“评论”、“发布”等就是关键事件。我们在工作中也会经常遇到某关键事件触发数某天突然下降,面对这种情况我们如何快速锁定问题并做好改善措施?

    一般针对这类问题我们可以将关键事件按照时间分布(可以具体到小时分钟)、用户等级分布、地域分布、系统分布等多种维度进行分布分析,经常会快速找到问题的根源出自哪里。

    2、多维度拆解分析法:

    电商类的产品一般都会从用户的新老大维度去拆解分析业务的异常原因,比如近期我们发现平台整体用户的复购率有着明显的下降趋势,环比同比历史数据都没有发现出现异常的原因,(复购率=再次购买用户数/总购买用户数)如下图:

    用好这几招,你就是产品数据分析师

    为了进一步细分复购率异常的原因,我们把当月复购率拆解成新客户和老客户,也就是复购率=(首次购买并在当月2次购买的新客户数+历史购买1次及以上并在当月复购老客户数)/总购买客户数;

    用好这几招,你就是产品数据分析师

    看上图,这样我们就很明显发现6月份复购率低主要是由于6月新客户复购率低拉低了整体的复购率,而且我们也可以顺藤摸瓜的找到用渠道维度去分析,最终发现6月新客户复购率低可能是由于渠道获客方面带来了大量非精准用户,最后沟通得知原因是6月初市场部通过异业拉新合作发放了大量的代金券,导致这部分大量新客为了占便宜用代金券完成了在平台的首单购买行为。

    当然针对这部分用户我们需要进一步分析来源用户的相关属性,这可以通过市场BD同事获取相关信息,同时我们也要注意这部分用户的回返行为,可能是目前平台缺少这部分用户想要的商品,导致了6月新客户复购率低的现状。

    三、怎么衡量和反映当前工作带来的效果是好还是坏,不好下次如何改进,好如何更好

    1、漏斗分析

    漏斗分析中的漏斗指向的其实是核心业务转化效果,这里的核心业务转化一般可以理解为支付转化、分享转化、互动转化等,一般核心业务转化效果相对不错也就反映了当前工作开展效果不错。漏斗分析的核心是缩减不必要的用户路径,放大业务主流转化路径。

    比如某在线教育平台最近上线了一些针对VIP会员的商业模式付费课程,只能免费观看1节课,但只要付费成为VIP会员就能在会员有效期内无限制观看所有付费课程,而普通会员只能观看免费课程,这时我们就需要知道此次上线的商业模式付费课程对VIP会员转化效果相比其它付费课程是否有更好的转化效果?当遇到需要对当前工作进行价值衡量和效果的评估,其实只要将特定时间内分别只看过1集不同付费课程后并转化为vip会员的的用户ID筛选出来,分别对比不同付费课程的vip会员转化率即可。

    用好这几招,你就是产品数据分析师

    这里要注意的是为什么需要在特定时间内针对只看过1集不同付费课程用户做vip会员转化率的效果对比?根本目的还是控制变量,如果时间尺度太长影响用户付费转化成vip会员的变量因素会变多,某付费课程对用户付费行为产生的作用会失真。

    比如你今天免费看了1集商业模式付费课程,有想付费成为vip会员看所有商业模式付费课程的冲动,但是忍住了,过几天又看到了1集其它免费付费课程,这次没忍住居然付费成为会员了。

    从这个场景里我们就很难断定1集免费商业模式付费课程到底对用户成为会员产生了多大作用,因为付费行为的最后1次课程学习不是商业模式付费课,这就很难归因了,所以我们针对的付费vip会员是只在特定时间内而且历史记录中只看过1集付费课程的用户。

    当然有时我们也可以根据时间的先后顺序和学习时长采用递减归因的方式来衡量哪个付费课程对用户转化vip会员贡献价值最大。简单说就是离用户付费转化vip会员时间越近的付费课程学习行为贡献权重越大,付费课程学习所花时间越长对用户付费转化vip会员贡献权重越大。

    2、精准留存分析:

    有时并不是所有的当前工作都能借助显性的付费、分享等最终业务导向来衡量当前工作的好坏,但我们也可以借助留存来衡量当前工作的效果。

    还是以某在线教育平台为例,为了能够更好地培养用户在学习平台上的粘性,该在线教育平台针对每个每类课程开发上线了兴趣小组的功能,学习同一类型课程后的用户可以加入兴趣小组进行留言交流互动,该功能上线2周后老板需要产品运营的同事提供该产品功能的价值效果,面对这样的场景,一般我们需要用到精准留存分析。

    首先我们先找出目前整个大盘的留存情况,如:最近2周首次进入课程学习并在接下来每天再进入课程学习的用户次日留存率是多少?其次我们需要知道最近2周首次加入兴趣小组并在接下来每天再进入课程学习的用户次日留存率是多少?最后我们还需要知道最近2周首次加入兴趣小组并参与互动且在接下来每天再进入课程学习的用户次日留存率是多少?

    以上3类不同的留存率所对应的用户群大小依次为:第1类用户群规模≥第2类用户群规模≥第3类群用户,但这3类留存率还需要做用户筛选和留存对比分析,最终我们得出这3类用户群次日留存对比表,如下图:

    用好这几招,你就是产品数据分析师

    由以上留存对比表我们便得知虽然兴趣小组的功能在一定程度上可提升学习用户留存,但提升学习用户的留存主要还得靠用户加入兴趣小组后的参与互动,关于兴趣小组的互动可作为下阶段运营的重点工作,可将互动行为无限放大。

    当然并不是每次的精准留存分析都能给我们下阶段工作的开展带来指导性的线索,大部分当前开展的工作并没有给产品带来显性甚至是隐性的价值效果,遇到这样的局面我们就需要重新回到本源—“用户需求”,即我们当前的工作到底有没有围绕真实的用户需求来开展。详细可参考我之前的《产品需求挖掘与排序的2大利器:文本挖掘与kano模型》和《需求如何挖掘才能驱动产品发展》。

    四、围绕产品的核心价值找到当前产品中隐藏的线索,进而找到提升产品价值的破局点

    1、线索分析法

    在说如何找到产品中隐藏的线索之前,我们先来了解一下源于硅谷的“Ahamoment”。在Facebook早期发现:让用户在注册后的10天内添加7个好友会极大的提高用户留下来持续使用Facebook;Twitter增长团队曾发现在Twitter平台上留存下来的25%的用户关注用户数都大于30人,之后重新设计产品,增加了注册后进行推荐关注的系列策略并最终极大的提升了Twitter留存率。类似这样的案例还有很多很多...

    要发现产品中的隐藏线索首先还是要围绕产品的核心价值事件展开,产品的核心价值事件一般有购买/分享/关注/停留时长/评论/发布/收藏等等。其次将产品的核心价值事件与当前用户的活跃程度(流失与留存)联系起来并找到关联的阈值。最后发现线索,基于产品再进行引导、运营活动、产品运营机制等措施。

    用好这几招,你就是产品数据分析师

    还是基于上面的在线教育平台为例,该产品的核心事件价值点有付费、停留时长、互动次数,我们基于当前版本以取互动次数与留存相关联的阈值为例,如:近30天新用户互动1次后接下来的留存率是多少?近30天新用户互动2次后接下来的留存率是多少?....最终我们会得到互动核心事件与留存率的的关系列表,如下图:

    用好这几招,你就是产品数据分析师

    如上图中的红圈对应的就是新用户互动6次后留存率能达到58%,再往后就很难上升了,那此处就是互动次数与留存相关联的阈值,阈值即是线索,当然基于其它的核心事件与留存相关的阈值也能找到一些规律,最后我们还是要将这些线索进行打包,最好能独立构成对提升新用户留存的一套组合拳策略,产品引导、运营活动激励、产品运营机制等,最终找到产品价值的破局点和增长点。

    在以上常见的4类解决问题的场景中,数据分析在其中扮演了及其重要的环节,数据驱动产品发展只有在用户需求驱动产品发展的基础上才能发挥其独到的魅力和价值,当然数据分析的高级段位在于对未来的智能预测。

    作者:5年+产品运营人,专研于产品运营、用户运营,这几年在总结属于自己的运营思维模型。微信公众号:运营心经杂谈,欢迎一起交流。

  • 0
  • 0
  • 0
  • 1.5k
  • 单栏布局 侧栏位置: