数据分析应用中的2 个方法和 7 个手段

随着人口和流量红利的下降，互联网产业必然会朝着精益经营的方向发展。数据分析在许多互联网人的工作中变得越来越重要，尤其是对于产品经理。本文将向产品经理介绍数据分析的基本思路，并在此基础上衍生出两种常见的方法和七种应用手段，希望在数据分析的实际应用中能对您有所帮助。1、数据分析的基本思路数据分析应以业务场景为起点，以业务决策为终点。基本思路是五个步骤。首先，我们应该挖掘业务意义，制定分析计划，从分析计划中拆分所需的数据，然后通过数据分析提炼业务洞察力，最终输出业务决策。接下来，让我们用一个案例来解释这五个步骤：一个国内P2P贷款网站，市场部在百度和hao123上有持续的广告，以吸引网络流量；最近，内部同事建议尝试推出谷歌SEM；此外，还需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道投放场景下，产品经理应该如何做出深入的决策？1.挖掘业务意义首先要了解市场部想要优化什么，并以此为核心来衡量KPI。评估渠道效果最重要的是业务转型:对于P2P网站来说，是否『发起借贷』远远比『用户数量』重要。因此，无论是谷歌还是金山渠道，都要根据用户群体的不同，优化相应用户的登陆页面，改进转化。2.制定分析计划『发起借贷』对于核心转换点，分配一定的流量测试预算，观察和比较注册数量和ROI效果，可以继续观察这部分用户的后续价值。3.根据各种渠道跟踪流量、登陆页面停留时间、登陆页面跳出率、网站访问深度和订单类型数据，分组用户查询数据。4.提炼不同渠道的业务洞察力，根据KPI的变化推断业务意义。比如谷歌渠道效果不好，可能是因为谷歌大部分流量都在海外，可能会导致转化率低。金山网络联盟有很多展示位置，需要不断监控不同位置的效果，做出最终判断。5.输出商业决策，最后根据数据洞察指导渠道的投放决策制度。例如，停止谷歌渠道的发布，继续跟进金山网络联盟进行评估，登陆页面应根据数据指标不断优化。2、常用的数据分析方法（1）内外因素分解方法是将问题分为内部因素、外部因素、可控性和不可控性四部分，然后逐步解决每个问题。社交招聘网站一般分为求职者和企业。向企业收费的方式之一是购买职位的广告空间。业务端人员发现『发布职位』在过去的六个月里，数量有缓慢下降的趋势。从产品经理的角度来看，如何解决某一数据下降的问题？根据内外因素分解方法分析如下：1。内部可控因素产品近期在线更新、市场交付渠道变化、产品粘性、新老用户保留问题、核心目标转型；2。外部可控因素市场竞争对手近期行为、用户使用习惯、招聘需求随时间变化；3。内部不可控因素产品策略（移动/PC）、公司整体战略，公司客户群定位(如医疗行业招聘)；4.互联网招聘行业趋势、整体经济形势、外部不可控因素季节性变化；(2)DOSSDOSS是从具体问题分解到整体影响的。从一个单一的解决方案中找到一个大规模的解决方案。在线教育平台提供免费课程视频，销售付费会员，为付费会员提供更高级的课程内容。一个在线教育平台提供免费课程视频，销售付费会员，为付费会员提供更高级的课程内容。如果我想把一套计算机技术的付费课程推给一群持续观看C的人 产品经理应该如何帮助分析免费课程的用户？根据DOSS的思路分解如下：1.预测是否有可能帮助某一组客户购买课程。2.首先根据这类人群免费课程的使用情况进行数据分析，然后进行扩展，如对整体的影响。除了计算机，我们还关注其他类型的课程。3.为该组用户建模单一答案，监控该模型对最终转换的影响。4.规模化后，推出规模化解决方案，建模符合某些行为轨迹和特征的行为，并在产品设计中添加课程推荐模型。根据基本的分析思路，数据分析的应用手段有七种常见的数据分析手段。（1）肖像分组肖像分组是聚合符合特定行为的用户进行特定的优化和分析。例如，在考虑注册转化率时，需要区分移动端和Web端，以及美国用户和中国用户。这样，就可以有针对性地优化渠道策略和运营策略。（2）趋势图可以快速了解市场、用户或产品特征的基本性能，便于快速迭代；指标也可以根据不同维度划分，定位优化点，帮助决策的实时性；（3）漏斗洞察可以恢复用户的路径，分析每个转换节点的转换数据；所有互联网产品和数据分析都离不开漏斗，无论是注册转换漏斗，还是电子商务订单漏斗，都有两点需要注意。一是关注哪一步流失最多，二是关注流失的人有哪些行为。一是注意哪一步流失最多，二是注意流失的人有哪些行为。注册过程的每一步都能有效定位高损耗节点。（4）行为轨迹是恢复所有用户的行为。只看PV、UV等数据不能完全理解用户如何使用您的产品。了解用户的行为轨迹，帮助运营团队关注具体的用户体验，发现具体的问题，根据用户的使用习惯设计产品，发布内容；（5）保留分析保留是了解行为或行为组与回访之间的关系，保留老用户的成本远低于获取新用户，因此保留是分析中非常重要的指标之一；除了关注整体用户的保留，市场团队可以关注各种渠道获取用户的保留率，或者各种内容吸引的注册用户的回访率，产品团队关注每个新功能对用户回访的影响。（六）AA/B测试是对比不同产品设计/算法对结果的影响。（六）A/B测试A/B测试是比较不同产品设计/算法对结果的影响。A/B测试通常用于测试产品在线过程中的效果，市场可以通过A/B测试来完成不同的创意测试。A/B测试有两个必要因素：1。有足够的时间进行测试；2.数据量和数据密度高；因为当产品流量不够大时，很难通过A/B测试获得统计结果。像Linkedin这样的公司每天可以同时进行数千个A/B测试。因此，当公司数据规模较大时，A/B测试往往会更准确、更快地使用统计结果。（7）当商业目标与各种行为、肖像等信息相关时，我们通常使用数据挖掘来预测业务结果；例如，作为SaaS企业，当我们需要预测和判断客户的支付意愿时，我们可以通过用户行为数据、公司信息、用户肖像等数据建立支付温度模型。以更科学的方式进行一些组合和权重，了解用户满足哪些行为，付费的可能性会更高。仅仅掌握简单的理论是不可能的。在日常的数据分析工作中，产品经理需要将这些方法应用到整合中。同时，学会使用优秀的数据分析工具，可以事半功倍，更好地利用数据，实现整体增长。