数据分析-思维分析逻辑day03

一、指标体系搭建

指标体系的通俗定义和选取原则

背景

• 对于某核心数据如日活，只知道数据在变化，但是不知道为何变化，产品为了解释这种现象，一会要这个数一会要那个数。
• 年度汇报时，产品跟数据要各种各样的数据，或者数据内部花费大量时间对各种各样的口径
• 每隔一段时间，产品都会拉上数据研发一起对埋点，总觉得当前的字段不够用，底层日志越来越大，数仓要修改的越来越多，取数越来越慢，错误越来越多。

原因解释

• 根本原因在于缺少指标体系的建设、宣贯、实施
• 业务方不重视是因为这个活是个基建活，离kpi完成太远，只有出问题时才会临时重视，数据方没重视是因为这个活是一个吃力不讨好的活，可能认为就是一个思维导图而已
• 真实答案是：要想把指标体系真正说明白不容易，而如果你都说不明白，你怎么判断你自己真的很懂呢，作为埋点、取数、分析的一切前提，这个活如果做不好，会始终发现很乱

指标体系的定义和选取原则

• 定义：在业务的不同阶段，分析师牵头、业务方协助，制定的一套能从各维度去反应业务状况的一套待实施框架
• 指标选取原则：根本性、可理解性、结构性
  • 根本性：核心数据一定要理解到位和准确
  • 可理解性：所有指标要配上业务解释性，如日活德定义是什么，打开还是点击还是进程在
  • 结构性：能够充分对业务进行解读，如新增用户只是一个大数，我们还需要直到每个渠渠道德新增用户，每个渠道的新增转换率，每个渠道的新增用户价值等

指标体系的四步法

指标的构成

• 1、原子性指标：最基础的不可拆分指标，如交易额
• 2、修饰词（可选）：某种场景，如搜索
• 3、时间段：时间周期，如双11
• 4派生指标=1+2+3：例如双11这一天通过搜索带来的交易额，次日留存、日活、月活、日转换率

1、厘清业务阶段和方向

• 业务前期：创业期
  • 最关注盘子大小
  • 业务前期，最关注用户量，此时的指标体系应该紧密围绕用户量的提升来做各种维度拆解，如渠道
• 业务中期：上升期
  • 盘子大小、健康度
  • 业务中期，除了关注用户量的走势，更加重要的是优化当前的用户结构，如看用户留存、如留存偏低，必然和产品模块有关系，是不是某功能流量承接效果太差
• 业务后期：成熟发展期
  • 收入、市场份额
  • 成熟发展期，一定要看收入指标，各种商业化模式的收入，同时做好市场份额和竞品监控

2、确定核心指标：多去了解业务和市场头部玩家

最重要的是找到正确的核心指标，相信我，这个可不是一件容易的事，不是因为这件事很难，而是所有人都去重新接受一些客观事实很难。

举例：某款产品的日活口径就是打开app，通过不断的买量，日活也一直在上升，然而分析师发现，打开app的用户中，3秒跳出率30%，非常不健康，那么当前的核心指标日活实际上已经有问题了，更加好的核心指标是停留时长大于3秒的用户数

每个app的核心指标都不一样，所以一定要花时间去考虑这件事，这个非常重要，不只是看日活和留存那么简单（趣头条）

3、核心指标维度拆解

核心指标的波动必然是某种维度的波动引起的，所以要监控核心指标，本质上还是监控维度核心指标
通用的拆解方法都是先对核心指标进行公式计算，再按照因为路径来拆
当前的核心指标是停留时长大于3秒的用户数

停留时长大于3秒的用户数=打开进入app的用户数×停留时长大于3秒的占比

• 打开进入app的用户数：
  • 渠道转换率
  • 打开方式
  • 用户画像
• 停留时长大于3秒的占比：
  • 停留时长的分布
  • 停留大于3秒的用户特征和行为特征
  • 停留小于3秒的用户特征，有无作弊可能

4、指标宣贯、存档、落地

• 宣贯：很多人都忽略这一步，没有指标的宣贯和存档，和业务核心人员沟通好之后就开始建报表，然后就完事了。实际上搭建好指标体系后，要当面触达所有相关的业务接口人，最好是开会并邮件。
• 存档：同时要对指标的口径和业务逻辑进行详细的描述存档，如***功能日渗透率=该功能的日点击人数/日活。只有到这一层，后面的人才能看懂是什么意思
• 落地：就是建核心指标的相关报表，实际工作中，报表都是在埋点前建好的，这样的话一旦版本上线就能立即看到数据，而且这个时候各方的配合度最高
• 分析师经常抱怨临时提数需求太多，就是因为指标体系没做好

知乎APP指标体系实操

1、当前业务发展阶段

知乎当前处于业务发展期和成熟期之间，2个论点

• 1、当前知乎的业务正在一个快速调整期，内容向娱乐大众化转型
• 2、商业化进行较大的探索，但不是做的很重，也就是说，无论是最核心的内容还是商业模式，都在探索当中

工作当中，这块只需要看每年的业务规划即可得到答案

2、核心指标及拆解

对于首页推荐产品，最重要的指标是问答数

问答数=提问数+回答数=提问人数×人均提问数+回答数×人均回答数

提问人数这里是否有必要按按照漏斗模型来拆？我的理解是不用

有些觉得可能评论点赞数应该是核心指标，实际上不是这样：
评论点赞多跟产品的健康度没有直接关系，评论点赞多的本质是因为提问回答比较精彩，这是一个相关性而不是因果关系，
很多做内容的同学，都觉得评论很重要，只要我评论做上去了，日活就能涨上去，数据相关性上是这样，但业务逻辑不对
所以评论点赞收藏这些都是一个二级功能，更底层的理解实际上是增加app的社交属性

3、会议、存档、建表

• 会议：产品（负责使用）、研发（负责打点）
• 存档：对不太好理解的指标要进行单独的解释，比如什么是日活
• 建表：确定好打点之后，就要建表，确保数据第一时间出来，能及时发现问题
  
  根本不需要一套大而全的指标体系，只需要围绕当前的核心指标，解决最重要的问题即可

总结

• 指标体系这件事本质上是业务人员和分析师的逻辑性怎么样，非常重要
• 不同业务阶段指标体系不一样，核心指标一定要正确
• 核心指标的拆解通用模式都是先公式拆解，再按照业务模块、路径来分
• 指标体系的宣贯和存档必不可少

二、流量分析

背景

有了指标体系和报表之后，最重要的事情就是每天看各种数据，也就是流量分析

• 渠道分析—从哪来
• 转化分析—经过什么
• 价值分析—产生什么价值
• 波动分析，包括日常的监控分析

渠道分析

常见渠道及渠道分类、渠道的整个过程、渠道的关键指标

1、常见的渠道及渠道分类

• 内部渠道：
• 外部渠道：

2、渠道推广的整个过程

外部渠道、文案展示、落地页、下载、打开、浏览、注册、…、退出

3、渠道的关键指标及分析方法

• 关键指标：前期看有效用户数和次留，中期看次日、7日、30日留存，后期看ROI
• 分析方法：结构分析+趋势分析+对比分析+作弊分析
  • 结构分析：对渠道先按照一级渠道来拆解、再按照二级渠道来拆解
  • 趋势分析：看每个渠道的变化趋势，包括量级和留存
  • 对比分析：不同渠道间的趋势对比
  • 作弊分析：用户行为分析+机器学习，这块用python完成

转化及价值分析

漏斗分析、功能模块价值分析

1、漏斗分析

主界面全部uv > 店面页uv> 详情页查看uv> 加入购物车uv > 提交订单uv> 收银台uv> 交易完成uv

针对需要提升的某一步，核心思想是用户细分：
按照用户基础属性和行为属性来拆分

• 基础属性：手机品牌、地域、imei特征
• 行为属性：入口、时段、用户活跃度、用户标签、对有问题的群体进行针对性优化—精细化

2、功能模块常规分析

常规分析包括：

• 1、功能渗透率=功能用户数/大盘用户数：使用某功能的占比
• 2、功能功能留存率=第一天使用该功能同时第二天也使用该功能的用户数/第一天使用该功能的用户数
• 3、功能大盘留存率=第一天使用该功能同时第二天是大盘用户的用户数/第一天使用该功能用户数
• 另外一个必须关注数据：
  大盘用户=所有功能用户排重+不使用任何功能用户：这部分群体也要监控起来，只有这样才是完整的大盘

3、功能模块价值分析

价值分析包括：

• 1、功能核心用户数：复合某种要求的功能用户数：一般包括使用次数、使用时长、使用天数、具备某种行为来定义核心——单纯用户数可能会出现一个悖论：所有功能在涨，但大盘在跌

• 2、功能对大盘贡献度，比如对大盘留存提升的贡献
  功能A对大盘留存的提升贡献=功能A渗透率*功能A的大盘留存提升数

• 严格来讲，只有AB测试才能说明对大盘贡献度，但实际中就这种计算可以对不同功能进行横向对比。

• 3、功能带来的收入对比：每个功能每个月赚多少钱。

波动分析

1、流量波动分析方法—日活

日活波动=外部影响+内部影响
外部影响=行业变化+竞品变化=常识+外部事件+竞品策略
内部影响=数据统计+用户基础属性+用户行为属性

2、流量波动分析方法—留存

留存波动=新用户留存&老用户留存
新用户留存=渠道+渠道过程有关
老用户留存=所有功能用户去重留存+大盘非功能用户留存=功能A留存&功能B留存&功能C留存+大盘非功能用户留存

三、路径分析

路径分析定义

基于用户的所有行为，去挖掘出若干条重要的用户路径，通过优化界面交互让产品用起来更加流畅和符合用户习惯，产生更多价值：先有数据再验证假设

路径分析案例—以美团APP为例

路径分析思考

• 当前的路径分析是以功能点的时序整体分析为主，只有指标没有维度，而要想精细化运营，必须进行维度拆分，如通过不同入口进来的用户，他们的路径分析差异在哪
• 对于有些APP，比如携程旅行，用户可能在打开APP后逛了一会儿，过一周再进来逛并下单，对于这种用户不连续性路径，如何进行分析，其实这是一个行业难题。
• PC端的路径分析和APP端的路径分析最大差异在哪，PC端有没有案例分享

四、竞品分析

为何要做竞品分析

1、背景

波特五力模型：上/下游、行业内部竞争、潜在竞争、可替代品

2、工作中竞品分析的场景

• 准备进入：侧重行业规模和前景
• 发展下降阶段：侧重头部玩家的玩法分析
• 瓶颈阶段：持续监控对手数据，寻找突破
• 快速发展阶段：一般不做竞品分析

3、什么是竞品分析

• 竞品的选择：
• 分析什么点

竞品分析的步骤

1、分析的目的是什么？

• 尝试进入，需评估可行性：偏行业趋势、市场规模、财务收入、看大数不拘泥小节
• 纯粹看竞品的功能、玩法和数据，学习优点：以功能体验、运营手法、具体数据为主、最常见落地性非常强
• 通过看竞品的不同迭代的功能、玩法和数据，揣摩竞品想干啥—预防为主：思考竞品的战略中心在哪

2、挑选1-2家竞品，进行对比分析

• 挑选1-2家真正竞品：核心功能一样
• 功能体验分析：不需要大而全
• 运营手法分析：某个功能的运营手法
• 宏观微观数据分析：数据源很关键（基础数据、财务数据、市场数据）

3、给出初步分析结论

• 尝试进入：评估可行性、如何开始做，SWOT分析
• 学习竞品：竞品什么功能好，接下来产品运营会如何去做，预计带来收益多少、产品运营参与很重
• 揣摩竞品：竞品下一步战略是什么，要不要跟进，这种最难。

案例介绍

五、营销活动分析

营销活动现状

背景：
现状：活动参与人数、拉新数、用户画像
理解：
1）分析的连贯性：活动前、中、后
2）分析的对比性：活动与活动间对比，什么样的活动比较适合产品本身
3）分析的公正性：拉新促活品牌的评判都应该有一套商定好的标准
营销活动分析无非就两件事：活动效果评估（本活动和活动对比）和活动优化建议

营销活动具体怎么分析

1、理一理

2、活动前好好准备—前1~2周

• 和运营方商定本次活动的目标
• 和研发沟通好埋点：不是每个研发都很靠谱，及时靠谱也可能犯错，埋点这件事上就应该是分析师主导，包括字段名、埋点位置、上报方式
• 搭建好指标体系和报表：提前做好，活动前1天才发现问题太常见
• 定好输出格式：活动中、活动后每天输出哪些数据，什么形式

3、活动中好好观察—期间每一天，包括预热

• 观察第1天数据
• 观察1~3天数据：
• 定时输出活动战报：
• 活动一周数据

4、活动后好好复盘—公正性

• 活动对大盘的影响：难做但有解决方法
• 活动短期的效果：目标完成度、参与人数、拉新、品牌传播指数
• 活动的长期效果：通过活动带来的长期用户数，而不是低价值用户
• 活动存在的问题：包括产品设计和用户反馈
  尽量在活动后1~2周内输出

案例讲解—百度APP为例

活动介绍

拉新：右上角分享
促活：刷资讯找礼物
活动奖励：送现金+机票
体验感受：功能非常简单，但文案写的太复杂
活动日期：

六、用户增长分析

用户增长模型理解

• Acquisition拉新：
• Activation激活：
• Retention留存：
• Revenue变现：
• Referral推荐：
• 如果这样会好很多：留存–>变现–>推荐–>拉新–>激活
• 未来可能会这样：变现–>推荐–>拉新–>激活–>留存
• 最好是这样：不要去纠结模型和玩概念、不要指望数据分析找到一个牛B增长点、如果有大腿可以抱坚决抱、研究自己的产品和用户找到问题建立产品壁垒、学习优秀产品玩法思考本质、分析师的任务是做规模和带收入独立思考

国内的用户增长现状

1、现状

书：增长黑客+增长黑客实战+引爆用户增长
大会：Growing IO，推广自己的growing io 大数据平台
公司：成立用户增长小组

2、看似很唬的几个用户增长方法

• 魔法数字：一个用户阅读篇数超过3篇，留存将大大提升
• 优化渠道结构，提升新增用户留存：好渠道有限、渠道链路长很多因素控制不了、反馈周期长。
• 流失用户召回：召回除了push，还能干啥，不如放在流失原因分析上

3、实际很好的2个增长思维

• 北极星指标：一定要找到最核心指标，不断拆解，拆解后指标和kpi挂钩。MAU=新增+老=本月新增+上月新增留存+上月老留存+上月老回流
• ab测试：公正性和快速反馈性：1）要基于数据分析来做ab测试。2）ab测试不只看个结果数据这么简单，还要看过程数据、排坑是第一步

4、我们可以学到什么

• 增长黑客这本书是怎么火的：抱大腿不断背书很重要。
• Growing IO：这个平台有哪些功能很好，我们大数据平台可以怎么优化

增长案例解析

摩拜案例解读

• 漏斗模型很容易发现引导页问题
• 身份证和押金的前后顺序是产品设计层面，其实是ab测试，所有团内都要把当前工作跟北极星指标结合起来
• 转化率这条漏斗实际上很长，同时还要做各种维度拆解
• 产品本身功能很简单，这个时候运营就非常关键
• 活动运营分析：拉新、促活、传播