三步搞定数据统计分析:统计+分析+可视化!

我们都知道,数据是支撑决策的重要依据!

于是我们可以看到,几乎所有的产品,都会具有数据统计分析的功能模块。

往大了说,比如数据中台;往高端了说,比如数据大屏、数据看板、数据驾驶舱;往本质了说,其实就是数据的统计分析。

作为一个非数据型产品经理,或者是初级产品经理,该怎样设计这个功能模块呢?

如果你刚好为此苦恼,不妨试一下我最近研究的这三步曲:统计+分析+可视化!(看的时候不要乱说话,可以喊“卧槽”)

前言

关于数据统计分析,首先表达一个我蛮认同的观点:

好的数据分析师,要像眼科医生一样:配眼镜可能有很多专业的方法,有很多专业的工具,可在配的过程中,医生纠结的不是自己的理论,而是关注用户看得清不清楚,不断问用户“这样可以吗?这样更清楚吗?再这样试试呢?”

—接地气的陈老师

相信在工作中,大家经常会碰到一些“孔乙己”式的数据统计分析,一开口就是“xx指标体系”,再加上一大堆什么“权威的、标准的、BAT认定的”这之类的修饰词汇。

这特么就是典型的虚假数据分析啊,因为这些玩意,看起来牛x哄哄,亮瞎了众人的狗眼,但大多数时候,耗时费力,却没有解决实际问题!

并且这种虚假的数据统计分析,还有它遵循的理论模型:

而真正的数据统计分析,就像太极拳的精髓一样:“只重其义,不重其招,你忘记所有的招式,就练成太极拳了。”(以解决业务问题为根本!

学成之时,你的境界也会是这样的:

张三丰:“你记住没有?”

张无忌:“没记住。”

张三丰:“这套叫什么拳?”

张无忌:“不知道”

张三丰:“你老爸姓什么?”

张无忌:“我忘了。”

张三丰:“好,你只要记住,把这两个混蛋打成废人就行了。”

但是,但是,但是,这可是张三丰100岁才悟出的拳法,而且张无忌也是有九阳神功护体,所以他们才能够“只重其义,不重其招”。(这特么太凡尔赛了!)

对于我们这些非数据型产品经理,或者是初级产品经理来说,自然还是需要从一招一式开始练起。不然,结局指定是“被那两个混蛋打成废人”~

先模仿才能超越嘛,我们今天就来研究一下怎样模仿。

01

统计

要搞数据的统计分析,那第一步我们得先有数据吧,也就是数据的统计工作!

提起数据统计,那自然绕不开数据埋点。关于埋点怎么埋,随便一查,就有很多总结的很好的文章了。

but,我想说的是,如果你们公司从来没整过埋点这个事,那也不用大费周章,因为界内已经有很多成熟的埋点公司了,例如神策、友盟等等,直接花钱办事就完了,也不贵~

我们今天研究的,是通过埋点,能够获得哪些数据呢?总结下来,大概有这么五类:

埋点获取五类数据

1. 整体概况

2. 用户获取

3. 活跃与留存

4. 事件转化

5. 用户特征

来来来,我们逐个剖析一下,这几类数据,具体都包含什么,以及获取这些数据有啥用~

1. 整体概况

实时数据意义:可以获取到每个小时的产品实时数据,帮助你了解产品目前的实时情况。

使用概况意义:产品整体的使用情况,包括用户量、访问情况、留存等,帮助你对产品整体指标有一个大致的了解。

2. 用户获取

渠道访问意义:每个渠道的用户的使用情况,包括渠道中新用户的占比、留存等,帮助你了解产品在获客层面上的优势与不足。

版本数据意义:每个版本的使用情况,帮助你了解在产品升级的过程中,是否在活跃和留存方面有所改善。

3. 活跃与留存

访问流量意义:产品的每日访问数据,指标集中在新老用户的访问行为上,提供访问次数、时长、次数分布、访问时段高峰等指标,帮助了解新老用户在使用产品时的一些行为特征。

用户留存意义:提供用户 7 日,次日,次周,次月留存的数据,帮助你了解新老用户的使用粘性。

4. 事件转化

自定义事件意义:用户自定义关键事件,系统会自动生成该事件的发生次数、人数以及分布情况,也就是能够看到用户都在干啥。

收益类事件意义:用户自定义收益类事件,系统会自动生成该事件的发生次数、人数以及分布情况,会根据你选择的数值类型属性,计算该数值的总值、人均值以及次均值。也就是能够看到用户都咋花钱的。

用户特征意义:能够看到我们的用户,都是哪些牛鬼蛇神~

02

分析

有了埋点的数据以后,那就是怎样利用这些数据,充分发掘这些数据的价值了。

数据分析的套路就更多了,把下面这些学会,应该“二八原则”里面的“八”就能够搞定了~

1. 常见的数据分析指标

综合性指标:反映产品的整体情况。

流程性指标:反映用户的使用行为。

业务性指标:反映具体的业务情况。

2. 常见的数据分析维度

数据细分:通过不同的细分维度分析,往往可以追溯到问题发生的原因,还能为后续的一些动作提供参考依据。

数据对比:没有对比就没有伤害,一方面是横向比较,即自身和别人进行对比,如长江的同比、环比;另一方面是纵向比较,即自身和自身进行对比,比如行业竞品、全站数据、AB测试等。

3. 常见的数据分析方法

HEART模型:Google HEART模型的提出,可以让大家反思自己的产品设计思维,同时运用相关设计工具去提高HEART五项指标来完善用户体验,打造更好的产品。

AARRR模型:该模型出自于《增长黑客》,它是在2007提出,当年的获客成本还比较低廉,而这种模型很简单又很直观地突出了增长的所有重要元素,所以这个模型很长时间内都很受欢迎。

RARRA模型:而现在获客的成本与日俱增,市场情况和2007年已经完全不同。现在黑客增长的真正关键在于用户留存,而不是获客。于是,一个突出了用户留存重要性的模型RARRA诞生了。

03 

可视化

有了统计的数据以及分析的维度之后,最后一步工作就是可视化啦!

这个环节的目标很简单,就是让领导看到之后,不由地发出“卧槽,牛x!”这样的感慨,那就ojbk了~

而想要完成这一步,又快又好的方法,那自然就是参考各种规范啦,首先我们可以去一个叫做“e-chars”的网站,去查看各种可视化图表,因为开发很多时候,就是依照这些开源的图表库进行撸代码的~

而我们设计的时候,就需要借助各种原型组件啦。数据可视化的内容有很多,我们来举几个典型例子:

1. 折线图

注意事项:选用的线型要相对粗些,线条一般不超过5条,不使用倾斜的标签,纵坐标轴一般刻度从0开始。预测值的线条线型改为虚线。

2. 柱形图

注意事项:同一数据序列使用相同的颜色。不使用倾斜的标签,纵坐标轴一般刻度从0开始。一般来说,柱形图最好添加数据标签,如果添加了数据标签,可以删除纵坐标刻度线和网格线。

3.  条形图

注意事项:同一数据序列使用相同的颜色。不使用倾斜的标签,最好添加数据标签,尽量让数据由大到小排列,方便阅读。

4. 饼图

注意事项:把数据从12点钟的位置开始排列,最重要的成分紧靠12点钟的位置。数据项不要太多,保持在6项以内,不使用爆炸式的饼图分离。不过可以将某一片的扇区分离出来,前提是你希望强调这片扇区。

饼图不使用图例,不使用3D效果,当扇区使用颜色填充时,推荐使用白色的边框线,具有较好的切割感。


5. 其他

这种数据可视化的图表还有很多,而它的意义就在于,用图表代替大量堆砌的数字,有助于阅读者更形象直观地看清楚问题和结论。

你可能感兴趣的:(人工智能)