运营数据分析方法.docx

运行必备的 15 个数据分析措施
一、数据分析的战略思维
无论是产品、市场、运行还是管理者，你必须反思：数据本质的价值，究竟在哪里？从这些数据中，你和你的团体都可以学习到什么？
1. 数据分析的目的
对于企业来讲，数据分析的可以辅助企业优化流程，减少成本，提高营业额，往往我们把此类数据分析定义为商业数据分析。商业数据分析的目的是运用大数据为所有职场人员做出迅捷、高质、高效的决策，提供可规模化的处理方案。商业数据分析的本质在于发明商业价值 ，驱动企业业务增长。
2. 数据分析的作用
我们常常讲的企业增长模式中，往往以某个业务平台为关键。在这其中，数据和数据分析，是不可或缺的环节。

通过企业或者平台为目的顾客群提供产品或服务，而顾客在使用产品或服务过程中产生的交互、交易，都可以作为数据采集下来。根据这些数据洞察，通过度析的手段反推客户的需求，发明更多符合需求的增值产品和服务，重新投入顾客的使用，从而形成形成一种完整的业务闭环。这样的完整业务逻辑，可以真正意义上驱动业务的增长。
3. 数据分析进化论
我们常常以商业回报比来定位数据分析的不一样阶段，因此我们将其分为四个阶段：

阶段 1：观测数据目前发生了什么？
首先基本的数据展示，可以告诉我们发生了什么。例如：企业上周投放了新的搜索引擎 A 的广告，想要比对一周内新渠道 A 比既有渠道 B 状况怎样，A、B 各自带来了多少流量，转化效果怎样？ 又例如，新上线的产品有多少顾客喜欢，新注册流中注册的人数有多少。这些都需要通过数据来展示成果，都是基于数据自身提供的“发生了什么”。
阶段 2：理解为何发生？
假如看到了渠道 A 为何比渠道 B 带来更多的流量，这时候我们就要结合商业来深入判断这种现象的原因。这时候我们可以深入通过数据信息进行深度拆分， 也许某个关键字带来的流量，也许是该渠道更多地获取了移动端的顾客。这种数据深度分析判断，成为了商业分析第二个进阶，也同步可以提供更多商业价值上的体现。
阶段 3：预测未来会发生什么？
而当我们理解了渠道 A、B 带来流量的高下，就根据以往的知识预测未来会发生什么。在投放渠道 C、D 的时候，猜测渠道 C 比渠道 D 好，当上线新的注册流、新的优化，可以懂得哪一种节点比较轻易出问题；我们也可以通过数据挖掘的手段，自动预测判断 C 和 D 渠道之间的差异，这就是数据分析的第三个进阶，预测未来会发生的成果。
阶段 4：商业决策
所有工作中最故意义的还是商业决策，通过数据来判断应当做什么。而商业数据分析的目的，就是商业成果。当数据分析的产出可以直接转化为决策，或直接运用数据做出决策，那么这才能直接体现出数据分析的价值。
4. 数据分析的 EOI 框架
EOI 的架构是包括 LinkedIn、Google 在内的诸多企业定义分析型项目的目的的基本方式，也是首席增长官在思索商业数据分析项目中一种基本的、必备的手段。

其中，我们先会把企业业务项目分为三类：关键任务，战略任务，风险任务。以google为例，google的关键任务是搜索、SEM、广告，这是已经被证明的商业模型，并已经持续从中获得诸多利润。google的战略性任务（在 年左右）是安卓平台，为了防止苹果或其他厂商占领，因此要花时间、花精力去做，但商业模式未必成型。风险任务对于创新来说是十分重要的，例如google眼镜、自动驾驶汽车等等。
数据分析项目对这三类任务的目的也不一样，对关键任务来讲，数据分析是助力（E），协助企业更好的盈利，提高盈利效率； 对战略任务来说是优化（O），怎样可以辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I），努力验证创新项目的重要性 。首席增长官需要对企业业务及发展趋势有着清晰的认识，合理分派数据分析资源、制定数据分析目的方向。
二、数据分析的 3 大思绪
而面对海量的数据，诸多人都不懂得从怎样准备、怎样开展，怎样得出结论。下面为大家简介做数据分析时的 3 个经典的思绪，但愿在数据分析的实际应用中能给大家带来协助。
1. 数据分析的基本环节
上面我们提到了数据分析与商业成果之间关联的重要性，所有商业数据分析都应当以业务场景为起始思索点，以业务决策作为终点。数据分析该先做什么、后做什么。基于此，我们提出了商业数据分析流程的五个基本环节。
1. 要先挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景成果是什么。
2. 需要制定分析计划，怎样对场景拆分，怎样推断。
3. 从分析计划中拆分出需要的数据，真正落地分析自身。
4. 从数据成果中，判断提炼出商务洞察。
5. 根据数据成果洞察，最终产出商业决策。

举个例子：
某国内互联网金融理财类网站，市场部在百度和 hao123 上均有持续的广告投放，吸引网页端流量。近来内部同事提议尝试投放神马移动搜索渠道获取流量；此外也需要评估与否加入金山网络联盟进行深度广告投放。
在这种多渠道的投放场景下，怎样进行深度决策？ 我们按照上面商业数据分析流程的五个基本环节来拆解一下这个问题。
第一步：挖掘业务含义。
首先要理解市场部想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化：对 P2P 类网站来说，与否发起 “投资理财” 要远重要于 “访问顾客数量” 。因此无论是神马移动搜索还是金山渠道，重点在于怎样通过数据手段衡量转化效果；也可以深入根据转化效果，优化不一样渠道的运行方略。
第二步，制定分析计划。
以 “投资理财” 为关键转化点，分派一定的预算进行流量测试，观测对比注册数量及最终转化的效果。记下俩可以持续关注这些人反复购置理财产品的次数，深入判断渠道质量。
第三步，拆分查询数据。
既然分析计划中需要比对渠道流量，那么我们需要各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。
第四步，提炼业务洞察。
根据数据成果，比对神马移动搜索和金山网络联盟投放后的效果，根据流量和转化两个关键KPI，观测成果并推测业务含义。假如神马移动搜索效果不好，可以思索与否产品适合移动端的客户群体；或者仔细观测落地页体现与否有可以优化的内容等，需找出业务洞察。
第五步，产出商业决策。
根据数据洞察，指导渠道的决策制定。例如停止神马渠道的投放，继续跟进金山网络联盟进行评估；或优化移动端落地页，更改顾客运行方略等等。
以上这些都是商务数据分析拆解和完毕推论的基本环节。在接下来的内容中，我们都会有这个分析思绪。
2. 内外原因分解法
在数据分析的过程中，会有诸多原因影响到我们的北极星指标，那么怎样找到这些原因呢？在此向大家推荐内外原因分解法。内外原因分解法是把问题拆成四部分，包括内部原因、外部原因、可控和不可控，然后再一步步处理每一种问题。

举个例子：
某社交招聘类网站，分为求职者端和企业端。其盈利模式一般是向企业端收费，其中一种收费方式是购置职位的广告位。业务人员发现， “公布职位” 的数量在过去的 6 月中有缓慢下降的趋势。对于此类某一数据指标下降的问题，可以怎么分析呢？
根据内外原因分解法，我们可以从四个角度依次去分析也许的影响原因。
1. 内部可控原因：产品近期上线更新、市场投放渠道变化、产品粘性、新老顾客留存问题、关键目的的转化。
2. 外部可控原因：市场竞争对手近期行为、顾客使用习惯的变化、招聘需求随时间的变化。
3. 内部不可控原因：产品方略（移动端/PC端）、企业整体战略、企业客户群定位（例如只做医疗行业招聘）。
4. 外部不可控原因：互联网招聘行业趋势、整体经济形势、季节性变化。
有了内外原因分解法，我们就可以较为全面地分析数据指标，防止也许遗失的影响原因并且对症下药。
3. DOSS 思绪
DOSS 思绪是从一种详细问题拆分到整体影响，从单一的处理方案找到一种规模化处理方案的方式。首席增长官需要迅速规模化有效的增长处理方案，DOSS 是一种有效的途径。

举个例子：
某在线教育平台提供免费课程视频，同步售卖付费会员，为付费会员提供更多高阶课程内容。假如我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的顾客，那么数据分析应当怎样支持呢？
我们按 DOSS 思绪的四个环节，分解如下：
1. 详细问题：预测与否有也许协助某一群组客户购置课程。
2. 整体影响：首先根据此类人群的免费课程的使用状况进行数据分析、数据挖掘的预测，之后进行延伸，例如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
3. 单一回答：针对该群顾客进行建模，监控该模型对于最终转化的影响。
4. 规模化方案：之后推出规模化的处理方案，对符合某种行为轨迹和特性的行为进行建模，产品化课程推荐模型
三、数据分析的 8 种措施
上面简介了 3 个经典分析思绪，它们可以帮你搭建一种清晰的数据分析思绪框架。那么对于详细的业务场景问题，我们又该怎么办呢？我们以一种电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行迅速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析措施。
1. 数字和趋势
看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速理解例如市场的走势、订单的数量、业绩完毕的状况等等，从而直观地吸取数据信息，有助于决策的精确性和实时性。

对于电子商务网站，流量是非常重要的指标。上图中，我们将网站的访问顾客量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard），并且实时更新。这样的一种数据看板，关键数字和趋势一目了然，对于首席增长官来说一目了然。
2. 维度分解
当单一的数字或趋势过于宏观时，我们需要通过不一样的维度对于数据进行分解，以获取愈加精细的数据洞察。在选择维度时，需要仔细思索其对于分析成果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。图 7 中，当日网站的访问顾客量明显高于上周，这是什么原因呢？当我们按照访问来源对流量进行维度拆分时（图 9 ），不难发现直接访问来源的访问量有非常大的提高，这样就深入把问题聚焦了。
3. 顾客分群
针对符合某种特定行为或背景信息的顾客，进行归类处理，是我们常常讲到的顾客分群（segmentation ）的手段。我们也可以通过提炼某一群顾客的特定信息，创立该群体顾客的画像。 例如访问购物网站、寄送地址在北京的顾客，可以被归类为“北京”顾客群体。而针对“北京”顾客群体，我们可以深入观测他们购置产品的频度、类别、时间，这样我们就创立出该顾客群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的顾客进行有针对性的顾客运行和产品优化，效果会愈加明显。上图中，我们通过 GrowingIO 的顾客分群功能将一次促销活动中支付失败的顾客挑选出来，然后推送对应的优惠券。这样精确的营销推广，可以大幅度提高顾客支付的意愿和销售金额。
4. 转化漏斗
绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原顾客转化的途径，分析每一种转化节点的效率。
其中，我们往往关注三个要点：
1. 从开始到结尾，整体的转化效率是多少？
2. 每一步的转化率是多少？
3. 哪一步流失最多，原因在什么地方？流失的顾客符合哪些特性？

上图中注册流程分为 3 个环节，总体转化率为45.5%；也就是说有 1000 个顾客来到注册页面，其中 455 个成功完毕了注册。不过我们不难发现第二步的转化率是 56.8% ，明显低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。显而易见第二步的提高空间是最大的，投入回报比肯定不低；假如要提高注册转化率，我们应当优先处理第二步。
5. 行为轨迹
关注行为轨迹，是为了真实理解顾客行为。数据指标自身往往只是真实状况的抽象，例如：网站分析假如只看访问顾客量（UV）和页面访问量（PV）此类指标，断然是无法全面理解顾客怎样使用你的产品。
通过大数据手段，还原顾客的行为轨迹，有助于增长团体关注顾客的实际体验、发现详细问题，根据顾客使用习惯设计产品、投放内容。

上图中展示了一位顾客在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最终又回到官网首页。网站购置转化率低，以往的业务数据无法告诉你详细的原因；通过度析上面的顾客行为轨迹，可以发现某些产品和运行的问题（例如是不是商品不匹配等等），从而为决策提供根据。
6. 留存分析
在人口红利逐渐消褪的时代，留住一种老顾客的成本要远远低于获取一种新顾客。每一款产品，每一项服务，都应当关键关注顾客的留存，保证做实每一种客户。我们可以通过数据分析理解留存状况，也可以通过度析顾客行为或行为组与回访之间的关联，找到提高留存的措施。

在 LinkedIn，增长团体通过数据发现，假如新顾客进来后添加 5 个以上的联络人（上图红色线条），那么他/她在 LinkedIn 上留存要远远高于那些没有添加联络人（上图绿色和紫色的线条）的留存。 这样，添加联络人称为 LinkedIn 留存新顾客的最关键手段之一。除了需要关注整体顾客的留存状况之外，市场团体可以关注各个渠道获取顾客的留存度，或各类内容吸引来的注册顾客回访率，产品团体关注每一种新功能对于顾客的回访的影响等等，这些都是常见的留存分析场景。
7. A/B 测试
A/B 测试用来对比不一样产品设计/算法对成果的影响产品在上线过程中常常会使用 A/B 测试来测试不一样产品或者功能设计的效果，市场和运行可以通过 A/B 测试来完毕不一样渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不一样的产品交互形式，通过比较试验组（A 组）和对照组（B 组）的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。
要进行 A/B 测试有两个必备原因：第一，有足够的时间进行测试；第二，数据量和数据密度较高。由于当产品流量不够大的时候，做 A/B 测试得到记录成果是很难的。而像 LinkedIn 这样大体量的企业，每天可以同步进行上千个 A/B 测试。因此 A/B 测试往往在企业数据规模较大时使用会愈加精确，更快得到记录的成果。
8. 数学建模
当一种商业目的与多种行为、画像等信息有关联性时，我们一般会使用数学建模、数据挖掘的手段进行建模，预测该商业成果的产生。
作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过顾客的行为数据、企业信息、顾客画像等数据建立流失模型。运用记录学的方式进行某些组合和权重计算，从而得知顾客满足哪些行为之后流失的也许性会更高。
我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提高有着至关重要的作用。当然仅仅掌握单纯的理论还远远不够，实践出真知。 数据分析的措施大家不妨在自己平常工作中，有分析有关项目里尝试使用，相信可以事半功倍，发明更多商业价值。