如何进行数据分析

分析思路

1. 基于用户路径分析

• App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等
• 定义用户画像标签化：通过用户的app使用操作数据来进行划分用户，对于一个话题主动分析制作帖子的创造主动型用户、热衷于点赞评论的互动型用户、默默看帖子不作反馈的潜水型用户

2. 基于产品节点

对于一个电商app，加入购物车到下单成功的数据转化率分析，优惠券的使用率分析，基于关键节点的数据分析可通过增加辅助功能进行优化分析，例如支付转化率的提高可以加入倒计时/有xx人同时在抢等等，促使尽快完成支付

分析步骤

1. 定义

• 针对问题是什么：到达率？用户路径转化率？订单用户转化率？
• 数据指标的定义：例： 订单用户转化率： 订单用户/全体用户 vs 订单用户/访问用户
• 对产品的实际意义：提高订单量？
  明确期望值：
  运营推广：用户量上升，拉新促活减少用户流失
  促销活动：付费行为上升
  产品迭代：用户体验上升
  行业环境：环境改善、人口红利、政策保护
  用户质量：用户黏性，ltv、对手
• 确定分析范围：哪几个数据

2. 数据收集

• 收集方法：
  问卷调查
  客户端数据：用户停留时长，页面到达率等
  服务端数据和历史日志：精确度高
  业务数据：销售额，订单数量等
• 数据校验：排除异常
  可控错误：系统错误（底层数据算错、统计过程错误），人工错误（数据算错、写错，标签打错，时间统计错误）
  可预异常：环境异常（节假日、日常环境变化），政策异常（宏观政策变化、公司政策变化），系统异常（系统改版、升级、故障）

3. 数据分析

1. 数据分析法

• 杜邦分析法
  以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。GMV下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？
• 漏斗分析法：流程式数据分析
  关注哪一步流失最多，关注流失的人都有哪些行为
  记录流程中每一个节点的uv人数，转化率，找出转化率降低的节点，分析节点原因
• （AHP 层次分析法：将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法
  以用户的忠诚度分析为例，忠诚度是一个偏定性的指标，我们需要用定量的数值进行衡量。那么我们可以用AGP层次分析法来分析，选取用户使用频率、最近使用时间、平均使用时长及平均使用页面数四个可以量化的值进行衡量，产品经理对这四个值的权重进行定义，再对通过矩阵分析，最终可以得到每个用户的忠诚值，从而可以进行量化比较及分析）

2. 问题分析法：出现某个异常数据，如何找出异常数据的原因？

例：一个产品核心页面昨日流量下降了20%以上。为什么？
优先排除技术故障和业务调整，在通过流量角度和用户角度进行分析、发现问题。

• 技术角度：常见的内部因素： App崩溃、卡死，网页有400与500错误等；外部因素：第三方接口报错、运营商网络问题
  检查数据测量工具，检查数据是否正确：（第三方分析工具）
  检查底层数据，确保数据准确；
• 业务角度：调查业务上的调整，市场运营活动是否变化
  回顾历史查看是否出现过此类现象：季节性变化；部署新版本；天气或者竞争原因
  考虑最近进行的产品上更改，这种更改是否影响了指标
  公司业务是否发生了变化，是否有新的营销策略，新的定价模型，改变了客户运营的方式
  公司其他产品是否发生了更改，这种更改是否会影响到自己的产品
• 流程角度： 例如事故页本身情况正常，但之前的页面退出率大幅增加。这时候分析出问题页面在流程上的作用。（画出流程）
  选择正确的数据指标，关注数据指标的变化；例如地产信息的软件关注访问者的邮政编码，因为其具有高度的地域性
• 用户角度：发现流程上的问题后（这里是新用户必须通过问题页进入事故页），讨论出问题的用户与其他用户的区别，为何退出率突然提高。
  用户的需求是否发生了改变？
• 其他考虑：
  竞争分析：竞争对手是否加入？离开？
  宏观或自然变化？

• 是否因为行业环境改善？
  看其他公司数据？竞品数据？游戏工委发布的官方公告？行业热点情况？（数据营销组&主动收集）
  是否用户质量较高？
  内部数据用户付费、时长、次数趋势？
  是否运营推广效果好？
  产品迭代情况，用研/品牌经理打听运营活动内容和效果
  用户数据下降，是什么原因？
• 对比：
  横比：与别的公司比
  纵比：与自己的时间轴比
• 细分：
  细分维度：时间、地区、品类
  细分粒度：时间：天、小时
  地区：省、市、区
  品类：大类、单个游戏
• 溯源：查询源日志和源记录
  数据陷阱：
  幸存者偏差 -> 内在有偏的样本：调查对象，调查对象美化形象；分层随机抽样，刻意造成误差
  精心挑选的平均数：考虑数据分布的离散（方差、标准差、极差）和集中趋势（平均数、中位数、众数）
  注意没有披露的数据：样本数？变动范围？标准差？
  坐标轴的比例关系
  滥用平面图形
  相关关系的误解

3. 改进 跟踪

回答问题的框架

检查数据测量工具，确保测量工具正确性。
检查基础数据以确保其准确性；
回顾历史，查看历史数据情况；
考虑最近产品进行的更改；
深入分析数据；
考虑公司其他团队的最新更改；
考虑公司可能在产品之外进行的任何更改；
考虑用户行为或客户趋势的变化；
进行竞争分析；
考虑宏观政治经济或自然条件变化；