再出发
与你我共同分享!

想成为数据产品经理,先掌握这些数据分析方法论

一个优秀的数据产品经理必须要具备各种技能, 要了解自己的用户,明晰用户的核心需求,而最重要的是一定要掌握数据分析技能、会用数据分析工具。让我们通过文章来看看:有哪些实用的数据分析方法吧。

产品经理的概念在不断泛化。近些年来,随着互联网行业的发展,越来越多的企业意识到了大数据和精细化运营的重要性,为了更好地挖掘数据的价值,指导业务的优化和发展,数据产品经理应运而生,他们基于数据分析方法发现问题,并提炼关键要素,设计产品来实现商业价值。

虽为产品经理,但要真正解决核心问题,不免要在前期和中期进行大量的数据分析工作,那么,实用的数据分析方法有哪些呢?

一、业务分析类

1.1 杜邦分析法

杜邦分析法目前主要用于财务领域,通过财务比率的关系来分析财务状况,其核心要点是将一个大的问题拆分为更小粒度的指标,以此了解问题出在了哪儿,从而对症下药。

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?

如果是自然流量下降的话,可能需要在用户运营和产品运营端发力,如果是营销流量不足,那么可以通过营销活动或者站外引流的形式增加曝光量。

同样,如果是转化率的问题,那么需要对用户进行细分,针对不同阶段的用户采取不同的运营策略,关于用户的部分,这里不做赘述,有兴趣的朋友可以关注后面的文章。

最后,如果是因为客单价不高,那么需要进行定价及促销的方案优化,比如识别具有GMV提升潜力的商品进行定价优化,评估当前促销的ROI,针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式,激发用户购买多件商品,也可以有效提高客单价。

1.2 同比热力图分析法

同比热力图分析法这个名称是我自己造的,其实无非是把各个业务线的同比数据放到一起进行比较,这样能更为直观地了解各个业务的状况。

构建一张同比热力图大致需要三步:

  1. 按照杜邦分析法将核心问题进行拆解,这里仍以电商为例,我们将GMV拆成了流量、转化率、商品均价和人均购买量,即GMV=流量*转化率*商品均价*人均购买量;
  2. 计算每个业务各项指标的同比数据;
  3. 针对每一项指标,对比各业务的同比高低并设定颜色渐变的条件格式,以上图中的转化率同比为例,业务5转化率同比最高,为深橙底色,业务3转化率同比最低且为负值,因此设定为蓝色底色加红色字体。

通过同比热力图的分析,首先,可以通过纵向对比了解业务自身的同比趋势,其次,可以通过横向对比了解自身在同类业务中的位置,此外,还可以综合分析GMV等核心指标变动的原因。

除了电商业务的分析以外,同比热力图同样适用于互联网产品数据指标的监控及分析,该分析方法的关键点在于拆解核心指标,在本文后面的产品运营类方法中将会介绍相关指标的拆解方法。

1.3 类BCG矩阵

BCG矩阵大家都非常熟悉了,以市场占有率和增长率为轴,将坐标系划分为四个象限,用于判断各项业务所处的位置。

这里想讲的并非传统的BCG矩阵,而是BCG矩阵的变阵,或者叫类BCG矩阵。

根据不同的业务场景和业务需求,我们可以将任意两个指标作为坐标轴,从而把各类业务或者用户划分为不同的类型。

比如可以以品牌GMV增长率和占有率构建坐标系,来分析各品牌的状况,从而帮助业务方了解到哪些品牌是未来的明星品牌,可以重点发力,哪些品牌处于弱势且增长匮乏,需要优化品牌内的产品布局。

除此之外,我们还可以根据以下场景构建类BCG矩阵:

  • 分析商品引流能力和转化率:流量份额-转化率
  • 分析商品对毛利/GMV的贡献:毛利率-销售额
  • 基于RFM分析用户的价值:访问频率-消费金额

按照上述方法,大家可以根据需求大开脑洞,按照一定标准对研究对象进行分类分析。

二、用户分析类

2.1 TGI指数

在分析用户时,通常的做法是将目标用户进行分类,然后对比各类用户与总体之间的差异性,TGI指数提供了一个很好的方法,来反映各类用户群体在特定研究范围(如地理区域、人口统计、媒体偏好等)内的强势或弱势。

TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100

比如在分析用户的年龄段时,可以通过TGI指数对比各用户分类与总体在各年龄段的差异,设用户分类1中16-25岁的用户占比为4%,而总体中16-25岁的用户占比为8.3%,那么用户分类1在16-25岁用户中的TGI指数为4%/8.3%*100=48。依照这一方法,我们可以对各类用户在各年龄段的TGI指数进行对比。

如上图所示,各类目标用户在16-25岁这个年龄段的占比都比总体小(TGI指数<100),其中分类1的用户年龄偏大,因为该类用户在36岁以上各个年龄段的TGI指数都明显高于100,且同时高于其他三类用户。

当前在互联网领域,除了用户实名数据以外,其他用户的画像维度一般都通过建立模型进行判断,因此无法完全保证准确性,但不同于小样本调研,大数据分析是能容忍一定数据误差的,不过,这一切都要建立在对比的基础上。

所以,在分析用户画像时,需要根据场景进行用户分类,并对比各类用户与总体间的差异,这样才能保证分析结果的可信性和适用性,而TGI指数就是很好的对比指标。

2.2 LRFMC模型

RFM模型是客户关系管理中最常用的模型,但这一模型还不够完善,比如对于M(Money),即消费金额相等的两个用户而言,一个是注册两年的老用户,一个是刚注册的新用户。对于企业来说,这两个用户的类型和价值就完全不同,因此我们需要更全面的模型。

LRFMC模型提供了一个更完整的视角,能更全面地了解一个用户的特征,LRFMC各个维度的释义如下:

  • L(lifetime):代表从用户第一次消费算起, 至今的时间,代表了与用户建立关系的时间长度,也反映了用户可能的活跃总时间。
  • R(Recency):代表用户最近一次消费至今的时间长度,反映了用户当前的活跃状态。
  • F(Frequency):代表用户在一定时间内的消费频率,反映了用户的忠诚度。
  • M(Monetary):代表用户在一定时间内的消费金额,反映了用户的购买能力。
  • C(CostRatio):代表用户在一定时间内消费的折扣系数,反映了用户对促销的偏好性。

以去哪儿的业务为例,通过LRFMC模型可以综合分析用户的习惯偏好和当前状态,从而指导精准营销方案的实施。

  • L(lifetime):用户来多久了?
  • R(Recency) :用户最近是否有消费,如果来了很长时间都未消费,是否需要进行唤醒?
  • F(Frequency) :用户出行的频率如何,如果是固定周期出行,是否应该进行复购提醒?
  • M(Monetary) :用户的消费金额是多少,是单价高(购买头等舱),还是频次高?
  • C(CostRatio):用户对折扣的偏好如何,是为用户增加权益还是降价促销?

三、产品运营类

产品运营是一个长期的过程,需要定期对产品的使用数据进行监控,以便发现问题,从而确定运营的方向,同时也可以用于评估运营的效果。

产品运营的常用指标如下:

  1. 使用广度:总用户数,月活;
  2. 使用深度:每人每天平均浏览次数,平均访问时长;
  3. 使用粘性:人均使用天数;
  4. 综合指标:月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。

产品所处阶段不同,运营的侧重点也会有所不同。在产品初期,核心的工作是拉新,应该更加关注产品的使用广度,而产品的中后期,应该更加注重使用深度和使用粘性的提升。

对于不同的产品也需根据产品的性质来确定核心指标,比如,对于社交类产品,使用广度和使用粘性至关重要,而对于一些中台分析类产品,提升使用深度和使用粘性更有意义。

四、结语

在一款数据产品诞生前,应该是先有数据,再有分析,然后才是产品,分析的广度和深度直接决定了产品的定位和价值。

如果是做一款数据报表类的产品,那么需要了解核心指标,并建立综合指标的评估体系。如果是做一款分析决策类产品,那么还需要基于业务需求,将现有数据指标进行解构再重构。

以上内容仅仅是提供了一些基础工具和思考方向,数据产品经理是一个新兴的分支,目前还没有成熟的学习体系,未来还需继续深入浅出,和大家共同成长。

 

转载自:Mr.墨叽

自 pexels,基于 CC0 协议

赞(1) 打赏
未经允许不得转载:木头烤鱼的手记 » 想成为数据产品经理,先掌握这些数据分析方法论
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

汇集各种资源,让idea来得更猛烈些!

联系我们关于本站

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏