运营如何做数据分析?3个思路与8种方法!

运营数据分析

 

最近在看《首席增长官》,其中一些内容还是很有指导价值的,于是新建一个文集,把一些阅读笔记就放在这里。像AARRR模型这种比较普遍的就不列入了,主要会记录一些让我感觉耳目一新的方法论或者思维框架。一、数据分析的3个思路

根据书中给出的范例来看,这3种方法可能更适合偏宏观的决策,比如多渠道投放时的决策,在应对落脚点比较精确的分析来说,方法可能需要调整,比如确定按钮是放右上角还是底部。

1、基本的数据分析方法

以业务为核心的数据分析应该以业务场景为起点,业务决策为落点,这也是比较通用的一种方法,很多场景下都可以使用以下五个步骤进行推论。

书中提到了五个基本步骤——挖掘业务含义-制定分析计划-拆分查询数据-提炼业务洞察-产出商业决策。

关于这个方法,没有想到比较好的实例,书中有一个关于多渠道投放决策的例子,还不错,推荐去看看。

2、内外因素分解法

这个方法的场景是用于找到影响北极星指标的因素,也就是从两个维度进行区分(内部因素+外部因素、可控因素+不可控因素),将影响因子分为四个类别。

这本质上就是一种穷举,这种方法的最大弊端是容易漏,不论分析者是一个人还是一个团队,基本不可避免的会有遗漏。当然好处是,从四个区间对影响因子进行区分,能够比较直观的进行分析,从而以自己可控的方式进行对症下药。

3、DOSS思路

具体问题(Detailed Question)

整体影响(Overall Influence)

单一回答(Single Answer)

规模化方案(Scaled Solution)

二、数据分析的8个方法

假设你面前有产品的所有数据,包括过去一年的dau、新增、留存、渠道等等常规数据,也包括app从开屏到核心功能所有页面的uv/pv、所有CTA的uv/pv,也就是说关于app的所有数据基本都能够拿到,现在要搭建一套数据体系,有哪些方式?

1、数字和趋势

最基本的数据展现形式,用exel就可以完成。

关键数值。趋势图表,直方图、折线图、堆积图、饼状图。

2、维度分解

单一的数值或者趋势比较宏观时,需要对其进行拆解。

比如每日新增,可以从渠道的维度进行拆解,分为应用宝、appstore、360手机助手等等,基于此我们可以查看不同维度的新增情况,进而做一些渠道推广的决策;

每日新增也可以从时间的维度进行拆解,比如发现新增的高峰时间段是中午一点,那么运营活动可以考虑集中在这个时间。

3、用户分群

把符合某种特定行为或标签的用户进行分群,进行归类,比如“1月份来自北京的应用宝新增用户”。

我们可以针对这个分群的用户进行深度的分析,比如他们的爱好、消费水平、高频行为,进而针对性的进行用户运营营销推广,比如对“放进购物车但是没有支付的用户”发放优惠券。

4、转化漏斗

这个应该是最熟知的一种方法了,基本所有的用户行为都可以用漏斗来表现,不论是注册转化漏斗还是下单支付漏斗。

关注三个问题:

-从开始到结束,整体的转化率是多少

-每一步的转化率是多少

-哪一步的流失最多,原因,流失的用户符合哪些特征(这里就可以使用用户分群来精细分析)

5、行为轨迹

从若干个页面的uv/pv值,仅可以看到整体的转化率,实际上可能会存在偏差,从用户的行为轨迹可以从更实际的角度了解产品。

6、留存分析

关注两类留存:

-新用户留存:次日留存、7日留存、30日留存,以及留存率的变化趋势。

-功能留存:即使用xx功能的用户在次日又有操作

7、A/B测试

意义就不用解释了,但是真正实施过A/B测试的实际上应该是有限。

进行A/B测试的两个必备因素:

-有足够的时间进行测试。

-数据量和数据密度较高。产品流量不大的情况下,测试的统计结果实际上有很大的随机性。

8、数学建模

当一个商业目标与用户行为用户画像等信息有关联性时,可以使用数学建模、数据挖掘等方式进行建模,进而预测分析。

这就属于比较高阶的操作了,需要公司有一定规模且有足够的预算投入。

 

作者:Rockelbel,授权青瓜传媒发布。

来源:Rockelbel

扫一扫 微信咨询

联系我们 青瓜传媒 服务项目

商务合作 联系我们

本文经授权 由青瓜传媒发布,转载联系作者并注明出处:https://www.opp2.com/104889.html

《免责声明》如对文章、图片、字体等版权有疑问,请联系我们广告投放 找客户 找服务 蘑菇跨境
企业微信
运营大叔公众号