数据流程分析的主要内容(数据流程内容简介)

数据流程分析的主要内容(数据流程内容简介)

  为什么要做数据分析?

  数据如何驱动运营?

  数据分析的指标有哪些?

  数据分析的模型有哪些?

  怎么评估用户价值?

  数据分析报告怎么写?

  数据可视化工具 …

  (一) 数据驱动企业运营

  从电商平台的「猜你喜欢」到音乐平台的「心动模式」,大数据已经渗透到了我们生活的每一个场景。不论是互联网行业,还是零售业、制造业等,各行各业都在依托互联网大数据(数据采集、数据存储、数据处理、数据挖掘、数据分析、数据呈现)实现企业价值。

  企业中数据从产生到应用依次要经过数据源层、数据仓库层、数据建模层,最后到数据应用层,经过层层加工逐渐支持到上游的应用环节。

  数据应用层是数据产生价值的出口,通过数据挖掘、用户画像建模、推荐算法的制定,可实现千人千面的个性化内容推荐。「个性化」内涵是内容与用户的高度匹配,以达到提升体验、提升高黏性、促进销售转化的目的。

  (二)数据驱动产品运营

  数据分析对业务发展、产品优化、精细化运营也起到了关键支持。

  数据驱动产品、数据驱动运营的关键在于「可以通过数据分析提出产品优化思路,提出运营提升的举措,快速上线验证效果,重新优化,进入新的增长循环」。

  数据运营的关键应用场景有:

  评估产品改版(新功能)效果发现产品改进关键点构建用户画像,以便开展精细化运营优化用户体验发现业务运营中存在的问题运营效果分析、ROI分析数据总结与向上汇报

  ……

  (一)数据驱动运营的内涵

  数据驱动运营是一个很宽泛的概念,但拆分下来,数据驱动运营有三个内涵:

  产品运营人员要具备数据意识,通过数据发现问题产品运营人员可以通过数据管理本职工作,用数据解决问题让数据说话,提高各部门的沟通效率

  (二)数据驱动运营的工作流程

  1. 定义数据分析目标

  明确目标,意味着运营人员(或数据分析师)要站在数据结果输出对象的角度去思考。

  对于管理层来说,往往会关注以下几个结果:

  重大决策最终反应在了哪些指标上这些指标有什么关联业务全局有什么变化趋势与过去相比,哪些进步了,哪些退步了数据暴露出了什么问题,需要做什么调整

  产品运营人员则更关注细节。整体来看,运营数据分析的目标主要有三类——即「解决是什么、为什么、做什么」的问题,具体的数据分析目标还要结合实际工作来定义:

  是什么:如运营举措的效果如何?产品优化的效果如何?用户使用情况是怎样的?用户的体验反馈如何?为什么:如转化率为什么提升/降低?用户为什么会产生意料之外的行为?运营举措和产品优化为什么有效/没有效果?做什么:如运营策略该如何调整?产品该怎么优化?业务战略该怎么调整?

  2. 数据指标拆解

  在确定了分析目标后,就需要进行数据指标拆解。明确要分析哪些具体的数据指标,为了避免遗漏关键细节,可以先对业务(或某一个活动、使用场景)流程做梳理,得出每一个节点的数据指标项,根据分析目标需要,保留关键项,剔除多余项。

  3. 数据采集

  定义数据源:在分析数据之前,要对数据来源、统计口径、统计周期加以定义,以便提交「数据提取」需求。数据的获取途径:数据来源包括埋点数据、运营平台、业务平台、第三方平台、回访调研等。运营人员要对不同数据源的真实性、准确性做把关。

  4. 数据可视化

  使用图表工具,将数据可视化,更容易发现数据的趋势、极值、联系。不同图表类型适用于不同的分析场景。

  5. 数据分析

  解决问题是数据分析的最终落脚点。这一环节的目标是发现数据的特征、规律、数据之间的关联,通过对数据的洞察解决实际问题。

  6. 输出数据分析结论

  数据分析的结果可以根据需要以Word或PPT的形式呈现。

  报告应采取总分总的格式:

  总述:阐述数据分析的背景、目的、目标、分析思路、目录、关键发现。分述:对业务按多维度细分分析,用数据图表与相应结论阐述观点。总结:提出结论与优化建议、行动计划、对业务发展做预测,提出策略与结论、附录。

  7. 测试验证

  根据数据分析结论,按照计划开展优化测试,对测试效果展开分析,以此开启新的数据分析进程,形成数据分析工作的闭环。

  (一) 基础数据指标

  基础数据指标参考了增长黑客理论中的AARRR模型,针对用户从新增到流失的多个环节,来定义相应指标。

  新增:日/周/月新增。传播:病毒系数、传播周期。活跃:活跃用户数DAU/MAU。留存:留存率:次日、周、月。流失:流失率。

  (二)用户行为数据指标

  另一个维度,立足于用户行为,可以根据提升黏性、提升参与度、提升转化这三个目标定义具体的数据指标。

  黏性指标:留存率、周活天参与度指标:活跃度、停留时长、访问页面数量转化指标:用户从上一环节到下一环节的转化率

  这两种指标体系都具有参考价值,可以根据自身实际情况适当组合。

  (一)用户分群

  用户分群是精细化运营的基础要求,也是数据分析的最基础方式。对用户进行分群,能帮助我们了解每个细分群体用户的变化情况,进而了解用户的整体现状及发展趋势。同时,由于运营资源本身有限,不可能真的做到一对一的个性化运营,但针对群体的运营是十分必要的。

  (二)用户分群模型

  用户分群的首要任务是根据具体的业务场景,确定不同的分类规则,给出清晰的定义。

  1. AARRR模型分群法

  借鉴增长黑客AARRR模型,可以把用户分为:

  注册用户:通过不同获客渠道完成注册的用户。活跃用户:注册且登陆的用户。留存用户:一定时间内未流失的用户。下单用户:对营收产生价值的用户。忠诚用户:对产品高度认同及依赖的用户。

  2. RFM模型分群法

  (1)RFM模型——用于建立分群维度

  传统行业对用户分类最常用的方法是RFM模型,RFM分别是三个英文单词的首字母。

  R(Recency)代表消费新鲜度。理论上,最近一次消费时间越近,说明此用户相对来说是比较优质的用户,对提供即时的商品或者服务,他们是最可能及时响应的。F(Frequency)代表消费频率。是用户在某段时间内购买商品或服务的次数。一般来说,消费频率越大,顾客忠诚度越高。M(Monetary)代表消费金额。消费金额体现用户的消费能力。

  (2)用户五等分模型——用于明确分群规则

  美国数据库营销研究所Arthur Hughes用户五等分模型,将指标按下列规则分类:

  1)查询近一个月(查询时间往前推30天)所有内容创建者最近一次的登录时间。

  2)按最近一次登录时间距离查询当日的时间排序:前20%标记为R5,记为5分;前20%~40%,标记为R4,记为4分;前40%~60%,标记为R3,记为3分;前60%~80%,标记为R2,记为2分;前80%~100%,标记为R1,记为1分。依此类推,将创建内容的用户分成五等分。

  3)查询出内容用户在一个月内登录的天数,及创建的内容数,按同样的方法五等分进行标记。

  4)将R5、F5、M5等同于5分,R4、F4、M4等同于4分,R1、F1、M1等同于1分,将每个顾客对应的三个数字相加,作为内容提供用户价值的得分。

  (3)RFM模型分群法的应用

  1)细分用户群分析

  对某个或某几个用户分群进行分析,从而给出具有针对性的运营建议。如对R1、R2的用户进行分析,找到活跃用户的共性,从而反推用户不活跃或流失的原因。

  2)顾客价值评估

  基于用户五等分模型,对用户进行价值评估。在资源有限的情况下,可以优先满足10分以上高价值用户的需求,同时通过完善权益机制,激励9分以下的低价值用户升级,引导整个用户体系的良性发展。

  3)流失用户监控

  基于R、M两个维度,对不同分值用户打上标签,区分出高价值忠诚用户、高价值流失用户等,以便展开具体的运营举措。

  3. 关于「同期群」

  同期群是一种用户分群的方式,按用户的新增时间将用户分群,得到的每个群叫一个同期群。

  由于同一项产品改进对不同同期群中的用户产生的影响是不同的,分开衡量才更能反映真实的情况,因此,我们常常会进行同期群分析。同期群分析是指将用户进行同期群划分以后,分析和对比不同同期群组用户的相同指标。

  很多时候我们听到「模型」两个字都会觉得高深莫测,当然也有不少人会对这种「学院派」的做法嗤之以鼻。但实际上,模型只是「对数据分析思路的抽象」,通过模型能快速帮助我们梳理思路,理清数据的内在关联。

  数据分析模型有很多种类,本文里我们不涉及技术,只对关键的逻辑模型做重点说明:

  1. 4P营销理论(适用于业务整体分析)

  4P营销理论是密西根大学教授杰罗姆·麦卡锡(E.Jerome Mccarthy)在20世纪60年代提出的。这个理论将营销组合的要素分为产品(Product)、价格(Price)、促销(Promotion)、渠道(Place)四要素,使得营销简化并方便记忆和传播。

  产品:在产品维度,侧重回答我们的产品是什么?是否实现盈利?产品如何满足用户需求?产品的目标用户是谁?产品的优化是否有效?存在什么问题?价格:在价格维度,侧重分析产品如何定价?收入情况如何?ROI如何?哪些环节会影响到收入?促销:促销维度则关注促销方式是什么,效果怎么样?渠道:渠道质量如何?渠道覆盖如何?用户的渠道偏好是怎样的?

  2. 5W2H(适用于向领导汇报数据分析计划)

  5W2H是以5个以W开头的英文单词及2个以H开头的英文单词为缩写的简称,使用5W2H分析方法能很清晰地知道需要往哪些方面去思考和展开分析,帮助理清分析思绪。

  What:数据分析的对象是什么?Why:数据分析的背景是什么,为什么要做这次数据分析?Where:数据源是什么?When:数据采集时段是多久?Who:谁来执行具体的数据环节?How:如何执行?How much:需要投入什么资源?

  3. 其他模型

  PEST:适用于宏观环境的分析。SWOT:适用于做战略分析。

  1. 用户终生价值的计算 (life time value)

  LTV=(某个客户每个月的下单频次*客单价*毛利率)*(1 /月流失率)=(某个客户每个月的下单频次* ARPU *毛利率)*(1 /(1-月留存率))=用户生命周期内下单次数*客单价*毛利率

  1)ARPU值的计算

  ARPU(每个用户的平均收入)=某段时间内的总收入/同时期内活跃用户总数;

  2)流失率的计算

  流失率指的是一段时间内,有多少比例的用户不再使用你的产品了。所以流失率=在某段时间内流失的用户/同时期内活跃的用户,流失比较难定义,但留存比较好定义,故月流失率近似等价于1-月留存率;流失率的倒数用来表示预测的用户生命周期,如果一个产品的流失率为10%,则产品对应的生命周期为10个月。

  2. 应用场景

  1)评估运营活动是否盈利

  单个用户毛利=用户生命周期价值-获取用户成本-运营成本=CLV – CAC – COC

  很多产品在初期一直以补贴用户的形式来留住用户,长此以往,资金链一旦断裂,将无以为继。只有当用户的毛利大于0时,产品才能良性地、持续稳健地发展下去。

  2)追踪投资回报率

  计算公式:ROI=转化率* ARPU/ (CAC + COC)

  作为运营负责人,常常面临分工不明确,考核难量化等问题。

  将KPI进行拆解也是常见的分析方法,其核心思想是将KPI指标(如营收)拆解到各个业务线去,再由各业务线进行二次拆分。

  为了促进流量运营、用户运营、内容运营等各运营团队之间的协作,可以将营业收入KPI以乘积的方式分解成各运营团队的KPI,各团队不仅需要完成各自KPI还需要相互合作才能完成共同KPI,有效减少了团队间的内耗。

  例如,若整个大部门背负着收入指标,则根据计算公式:收入=客单价*付费用户数=客单价*用户数*付费转化率,可以将客单价、付费转化率、用户数作为不同小团队的KPI。

  网络上可搜寻到的数据可视化工具非常多,在数据图表制作、平台操作上也大多相似,但也各有特点,可以根据展示效果需要来选择工具。

  1)花火Hanabi

  2)镝数图表

  3)图表秀

  4)思迈特Smartbi

  5)Datawrapper

推荐阅读