零基础,面对运营的数据分析该如何下手?

  • A+
所属分类:网站运营
摘要

文章主要概述了数据分析的方法与流程,并通过案例解析如何进行运营的数据分析。干货好文,与大家分享。

对于数据分析,我发现很多运营都有这样一些困惑:

  1. 不知道从哪里获取数据;
  2. 不知道用什么样的工具;
  3. 不清楚分析的方法论和框架;
  4. 大部分的数据分析流于形式。

其实,数据分析并没有大家想象的那么难

概念:数据与数据分析

大家一直在说收集数据和数据分析,但是对于两者具体的定义又很难说清楚。很多人都会先入为主,认为数据就是各种表格、各种数字,例如excel报表、各种数据库。其实这是一个错误或者说有偏差的认识,它会使得我们对数据的认识变得很狭隘。

1.什么是数据?

数据(data)是描述事物的符号记录,是构成信息或者知识的原始材料。这种哲学层次的定义,让数据的范围极大丰富,也符合目前“大数据”发展的需要。

作为一名运营人,我们接触到的数据可能没有那么复杂,但是也有很多类别。

从数据的来源来看,可以分为企业外部数据和内部数据。外部数据主要包括宏观经济、新闻舆情、社会人口、和市场调研数据;内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。不同数据的获取途径、分析方法、分析目的都不经相同,不同行业、不同企业在实际分析中也都各有偏好。

2.什么是数据分析?

数据分析是指从数据中提取有用的信息,并指导实践。

但需要注意的是:

  • 这些信息需要用来指导实践,而不是流于形式;
  • 需要提取的是有用的信息,而不是自嗨。

思路:方法论与方法

很多人刚接触数据分析的时候,都深感无从下手。所以我们需要宏观的方法论和微观的方法来指导。那么方法论和方法有什么区别?

方法论是从宏观角度出发,从管理和业务的角度提出的分析框架,指导我们接下来具体分析的方向。

方法是微观的概念,是指我们在具体分析过程中使用的方法。

1.方法论

数据分析的方法论很多,这里我给大家介绍一些常见的框架。

  • AARRR:增长黑客的海盗法则,精益创业的重要框架,从获取(Acquisition)、激活(Activation)、留存(Retention)、变现(Revenue)和推荐(Referral)5个环节增长。
  • 4P理论:经典营销理论,认为产品(Product)、价格(Price)、渠道(Place)和促销(Promote)是影响市场的重要因素。
  • 5W2H分析法:从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。
  • PEST分析法:从政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)四个方面分析内外环境,适用于宏观分析。
  • SWOT分析法:从优势(Strength)、劣势(Weakness)、机遇(Opportunity)、威胁(Threat)四个方面分析内外环境,适用于宏观分析。

数据分析的方法论很多,没有最好的方法论,只有最合适的。详细介绍一下 AARRR 方法论,对于精益化运营、业务增长的问题,这个方法论非常契合。

对于互联网产品而言,用户具有明显的生命周期特征,下面我以一个O2O行业的APP为例阐述一下。

  • 通过各种线上、线下的渠道获取新用户,下载安装APP。
  • 安装完APP后,通过运营手段激活用户;比如说首单免费、代金券、红包等方式。
  • 通过一系列的运营使部分用户留存下来,给企业带营收。
  • 如果用户觉得这个产品不错,可能推荐给身边的人;或者通过红包等激励手段鼓励分享到朋友圈等等。

需要注意的是以上环节并非完全按照上面顺序来的;运营可以根据业务需要灵活应用。 AARRR的五个环节都可以通过数据指标来衡量与分析,从而实现精益化运营的目的;每个环节的提升都可以有效增长业务。

2.方法

借助常见的网站/APP数据分析产品,我们非常快速的完成这7种分析。

趋势分析

趋势分析是最简单、最基础,也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图,然后持续观察,重点关注异常值。

在这个过程中,我们要选定第一关键指标(OMTM,One Metric That Matter),而不要被虚荣指标(vanity metrics )所迷惑。

以社交类APP为例,如果我们将下载量作为第一关键指标,可能就会走偏;因为用户下载APP并不代表他使用了你的产品。在这种情况下,建议将DAU(Daily Active Users,日活跃用户)作为第一关键指标,而且是启动并且执行了某个操作的用户才能算上去;这样的指标才有实际意义,运营人员要核心关注这类指标。

多维分解

多维分解是指从业务需求出发,将指标从多个维度进行拆分;这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。

有时候一个非常笼统或者最终的指标你是看不出什么问题来的,但是进行拆分之后,很多细节问题就会浮现出来。

举个例子,某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度,显然这样的数据会让你无从下手;但是你对这些指标进行拆解之后就会发现很多思路。

下面展示的是一个产品在不同操作系统下的用户参与度指标数据。

仔细观察的话,你会发现移动端平台(Android、Windows Phone、IOS)的用户参与度极差,表现在跳出率极高、访问深度和平均访问时长很低。这样的话你就会发现问题,是不是我们的产品在移动端上没有做优化导致用户体验不好?在这样一个移动互联网时代,这是非常重要的一个问题。

用户分群

用户分群主要有两种分法:维度和行为组合。第一种根据用户的维度进行分群,比如从地区维度分,有北京、上海、广州、杭州等地的用户;从用户登录平台进行分群,有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群,比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别,这个具体的我会在后面的留存分析中介绍。

用户细查

正如前面所说的,用户行为数据也是数据的一种,观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上,一般抽取3-5个用户进行细查,即可覆盖分群用户大部分行为规律。

我们以一个产品的注册流程为例:

用户经历了如下的操作流程:【访问官网】-【点击注册】-【输入号码】-【获取验证码】。本来是非常流畅的一个环节,但是却发现一个用户连续点击了3次【获取验证码】然后放弃提交。这就奇怪了,用户为什么会多次点击验证码呢?这个时候我建议您去亲自体验一下您的产品,走一遍注册流程。

你会发现,点击【获取验证码】后,经常迟迟收不到验证码;然后你又会不断点击【获取验证码】,所以就出现了上面的情况。绝大多数产品都或多或少存在一些反人类的设计或者BUG,通过用户细查可以很好地发现产品中存在的问题并且及时解决。

漏斗分析

漏斗是用于衡量转化效率的工具,因为从开始到结束的模型类似一个漏斗,因而得名。

漏斗分析要注意的两个要点:第一,不但要看总体的转化率,还要关注转化过程每一步的转化率;第二,漏斗分析也需要进行多维度拆解,拆解之后可能会发现不同维度下的转化率也有很大差异。

某企业的注册流程采用邮箱方式,注册转化率一直很低,才27%;通过漏斗分析发现,主要流失在【提交验证码】的环节。

经过了解发现,邮箱验证非常容易出现注册邮箱收不到邮件的情况,原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间过长等等。既然这么多不可控因素影响注册转化率,那就换一种验证方式。换成短信验证后,总体转化率提升到了43%,这是非常大的一个增长。

留存分析

留存,顾名思义就是新用户留下来持续使用产品的含义。衡量留存的常见指标有:次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存,一个是新用户的留存率,另一个是产品功能的留存。

以社区网站为例,“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率,这也是很多社群或者社区主推这个功能的原因。

首次注册微博,微博会向你推荐关注10个大V;首次注册LinkedIn,LinkedIn会向你推荐5个同事;申请信用卡时,发卡方会说信用卡消费满4笔即可抽取【无人机】大奖;很多社交产品规定,每周签到5次,用户可以获得双重积分或者虚拟货币。在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number,这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明,符合这些特征的用户留存度是最高的;运营人员需要不断去push,激励用户达到这个标准,从而提升留存率。

A/B测试与A/A测试

A/B测试是为了达到一个目标,采取了两套方案,一组用户采用A方案,一组用户采用B方案。通过实验观察两组方案的数据效果,判断两组方案的好坏。

在A/B测试方面,谷歌是不遗余力地尝试;对于搜索结果的显示,谷歌会制定多种不同的方案(包括文案标题,字体大小,颜色等等),不断来优化搜索结果中广告的点击率。

流程:宏观、中观和微观

有了具体的分析方法还不够,运营要做好数据分析还需要一个清晰的流程。在这里从宏观、中观和微观三个层次给大家介绍一下。

1.宏观

风靡硅谷的精益创业,它推崇MVP(最简化可行产品)的理念,通过小步快跑的方式来不断优化产品、增长用户。

在运营工作中,我们要大胆尝试,将想法转化成产品和运营方法。然后分析其中的数据,衡量产品或者运营的效果。如果好的话保持并大力推广,如果不好的话总结问题及时改进。在“构建-“衡量”-“学习”的不断循环中逐渐优化,这个流程是非常适合运营工作的。

2.中观

我们可以试着树立整体的流程:1.明确分析目的和思路 →2.数据收集 →3.数据处理 →4.数据分析 →5.数据展现 →6.报告撰写。

这个流程只是从“数据”的角度阐述了前后的流程,并未结合业务实际;但值得注意的是数据分析的最终目的是为了指导实践,而不是写一份报告。

3.微观

下面介绍的是一个非常详细的分析流程,借助于一定的分析工具,我们可以按照这个思路对网站/APP进行细致入微的分析。

但这个流程是具有前提的,前提是用数据分析工具做好数据采集和监控工作,把精力集中在业务分析上。这个流程的核心是“MVP”的理念,“发现问题”-“设计实验”-“分析结果”,通过数据来不断优化产品和运营。

应用:体系与分析

1.案例:搭建数据分析体系

你们喜爱的彩蛋君在公司从事新媒体工作,负责微信的日常运营,阅读量时高时低,总体一般。彩蛋君想办法改进一下微信运营,提高微信的粉丝数和阅读数;

我们从数据分析的角度对这个很多运营人都面对的问题进行了讨论:

  • 不清楚自己需要关注哪些核心指标;
  • 不清楚目标用户的特征(用户属性、用户画像等);

对自己过往工作缺乏系统分析(数据采集、监测和分析)。从业务增长的角度出发,为配合其内容工作的开展,定制一份分析体系至关重要。

第一点,内容定位。

运营需要明确知道自己的目标或者KPI,然后选择一个核心关键指标(OMTM)进行监测。如果是创业公司,初期可能需要拉新,那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体,注重影响力和覆盖面,那么核心指标应该是微信阅读数或者网页PV。

第二点,用户画像。

无论是哪一种运营岗位,都需要明确知道自己的(目标)用户是那些人?这些人都有哪些特征,他们的关注点和痛点是什么?如果你的用户是产品经理,那么可以尝试爬虫抓取产品经理网站上有关的问题,然后做文本分析:这是定量层面的分析。同时,通过调查访问和问卷调研,获取更加深入的用户特征信息:这是从定性层面的分析。

第三点,持续监测。

借助数据分析工具,对核心关键指标(OMTM)进行持续监测。对于指标异常情况,我们需要及时分析和改进。

第四点,数据分析。

统计和分析过往内容的数据,找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好,然后朝这方面不断优化。

2.案例:分析业务核心指标

电子邮件营销是现在很多企业仍在采用的营销和运营方式,某互联网金融企业通过EDM给新用户(有邮件地址但是未注册用户)发送激活邮件。一直以来注册转化率维持在20%-30%之间,8月18日注册转化率暴跌,之后一直维持在10%左右。

这是一个非常严重的衰退,需要立即排查原因。EDM渠道注册转化率涉及到太多的因素,需要一个一个排查,我们列举可能的原因:

  • 技术原因:ETL(数据抽取、转化、载入)出现问题,导致后端数据没有及时呈现在BI报表中;
  • 宏观原因:季节性因素(节假日等),其余邮件冲击(其余部门也给用户发邮件稀释了用户的注意力);
  • 微观原因:邮件的标题、文案、排版设计,注册流程设计。

一个简单的业务指标,会影响到它的因素可能是多种多样的,所以我们需要对可能涉及到的因素进行精细化衡量才能不断优化。最后发现,产品经理在注册环节添加了『绑定信用卡』,导致注册转化率大幅度下降。

作者:TalkingData

  • 我的微信
  • 扫一扫撩我
  • weinxin
  • 我的微信公众号
  • 扫一扫有惊喜
  • weinxin
QuGood

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: