业务数据分析必备知识-彻底解决「没有数据分析思路」的问题

• 常用的数据指标：

• 数据指标：指对当前业务有参考价值的统计数据
• • 

                 

•  常见业务数据指标的梳理：
•  

  • 直接付款	适应场景	解决什么问题	非直接付费
    GMV	总量	描述交易的金额总规模	目标完成数（报名、点击、分享...）
    ARPU/ARPPU	人均	单个用户的贡献程度	人均访问时长
    付费人数	人数	描述愿意为服务付费的人数总规模	完成人数
    付费率、付费频次	健康程度	描述总体上的用户付费意愿评判一个服务的健康程度	完成率
    SKU视角	被消费对象	需要分析消费品本身的运营情况时	被消费内容视角

• 交易类模块常用指标：
•  

  • 描述了什么	举个例子	做好了就能怎样（效果）
    核心场景转化效率	电商	更容易卖
    总的交易规模	电商、知识付费	卖更多
    单个用户价值	奢侈品海淘	卖更高价
    收入的持久度	订阅式购物	卖更多次

• 内容浏览类模块常用指标：
•  

  • 	描述了什么	举个例子	做好了就能怎样（效果）
    浏览数	累计量	头条类	有多少人阅读
    浏览广度	覆盖内容库情况	视频网站多个频道	库存利用效率更高
    浏览时长	占据用户多少时间	快手、抖音	减少竞品使用时间
    内容互动	用户对内容的情感	AB站	用户粘性

• 社区/社交类模块常用指标：
•  

  • 	描述了什么	举个例子	做好了就能怎样（效果）
    发布量	用户创作内容的数量	贴吧、FB	更多的话题源头
    互动量	用户与用户间互动的次数	微博	社区更具有活力
    关系亲密	用户与用户间的关系	微信	更有可能长期留存

• 数据处理工具：

  • Excel : lookup、数据透视表常用功能。
  • Tableau：适合大数据处理，尤其是涉及到快速变化的数据集，能够容易地插入大量标准的数据库，例如MySQL，Amazon AWS，Hadoop，SAP和Teradata。
• 数据可视化工具：
  • ​​​​​​​Tableau：该工具有3种可用形式——桌面、服务器和云在线，其桌面工具内置常用的分析图表和一些数据分析模型，可以快速的探索式数据分析，制作数据分析报告。（https://www.tableau.com/）
  • Microsoft Power Bl：其可视化功能能够直接从报告中创建，可以同整个组织的用户共享。除了大量的内置可视化样式外，也可以在AppSource社区不断创建新的可视化样式，或者如果你想自己编码，那么可以使用开发人员工（Developer Tools）从头开始创建并与其他用户共享。（https://powerbi.microsoft.com）
  • 高德地图可视化：主要功能在于，可通过python调用高德地图API实现未知地区的经纬度换算，或者在可视化平台上实现一键式地图可视化。（https://lbs.amap.com/）
  • BDP：在线可视化数据分析工具，可连接第三方数据平台，有工具，有API、客户端、Excel插件等，且支持实时更新（数据库等），也支持增量更新（同步客户端）（https://me.bdp.cn/home.html）
  • Echarts：百度的一个开源的数据可视化工具，提供可交互，可高度个性化定制的数据可视化图表（https://echarts.baidu.com/）
• 数据分析平台：
  • ​​​​​​​Google Analytics、百度统计，神策分析，GrowinglO，诸葛IO，友盟

• 数据分析方法（九种）：

•  

  • 

  • 对比分析：
    • 比什么：绝对值 vs 比例值
    • 怎么比：同比 vs 环比
    • 和谁比：和自己比 vs 和行业比
  • 多维度拆解：
    • 原理：指标/业务流程需要按照多维度拆分，来观察变动
    • 适用场景：
      • 需要分析单一指标的构成、比例时
      • 需要针对流程进行拆解分析
      • 需要还原行为发生时的场景
  • 漏斗观察分析：
    • ​​​​​​​原理：通过一连串向后影响的用户行为来观察目标
    • 适用场景：
      • 适用：有明确的业务流程和业务目标
      • 不太适用：没有明确的流程、跳转关系频繁复杂的业务
  • 分布情况：
    • ​​​​​​​原理：从事件在不同维度中的分布情况来观察以便理解该事件除了累计数量和频次外，更多维度的信息
    • 适用场景：
      • 已经知道一群用户完成了指定事件，但需要对用户群体进行细分，按不同的维度和价值将他们划为不同群体，分别进行后续的维护或分析。
      • 已经知道单个事件的完成次数，希望知道这些次数拆分到不同维度上后的分布情况，以便更清晰地了解该事件的完成情况。
  • 用户留存：
    • ​​​​​​​原理：
      • 大盘留存：将某时间段与另一时间段的用户ID交叉去重
      • 精准留存：过滤进行过指定行为的用户ID，再计算将用户分为不同群体后，观察其之间留存的区别
    • 适用场景：
      • 评估产品功能粘性
      • 验证产品长期价值
  • 用户画像：
    • ​​​​​​​常见特征：基础属性、社会关系、行为特征、业务相关
    • 标签来源：直接填写、通过用户自己的已有特征推得、通过用户身边的人推断
    • 适用场景：市场营销、个性化运营、业务分析、用户研究……
  • 归因查找：
    • 原理：将事件拆解，并根据业务性质，确定影响事件完成的关键部分（首次归因、递减归因、未次归因）
    • 适用场景：
      • 将目标的达成拆分到各个模块，方便统计各模块的贡献
      • 获悉当前指标达成的主要因素，获得如何提升业务指标的洞见
  • 路径挖掘：
    • 原理：逐级展开某一事件的前一级（后一级）事件，观察其流向
    • 适用场景：
      • 有明确的起始场景，希望观察这个场景它之后
      • 有明确的结果目标，希望观察来的用户是如何到达的
  • 行为序列：
    • ​​​​​​​原理：将单一用户的所有行为以时间线的形式进行排列
    • 适用场景：
      • 观察掩盖在统计信息下更细致的信息，还原用户具体的使用场景
      • 通过观察具体的行为特征，找到提升产品价值的机会点
  • 推荐书籍：
    • 《谁说菜鸟不会数据分析》《数据驱动：从方法到实践》
    • 《数据化管理：洞悉零售及电子商务运营》
    • 《决战大数据》《数据之美》《精益数据分析》
    • 《深入浅出数据分析》《深入浅出统计学》
    • 《数据化决策》《MySql必知必会》《赤裸裸的统计学》
  • 内容参考3节课数据分析地图。