1. <output id="dttpj"></output>
          <output id="dttpj"></output>

          ×
          支持199IT發展可加入知識交流群(4000+用戶),最有價值數據分享和討論!
          點擊即可加入!
          關閉

          8種數據分析師必備方法

          對于具體的業務場景問題該怎么辦呢?本文以一個電子商務網站為例,用數據分析對該網站進行快速地數據采集、清晰和可視化展示,總結出以下 8 種常見的數據分析方法。

          對于具體的業務場景問題,我們該怎么辦呢?我們以一個電子商務網站為例,用數據分析對該網站進行快速地數據采集、清晰和可視化展示,然后給大家分享這 8 種常見的數據分析方法。

          01 數字和趨勢

          看數字、看趨勢是最基礎展示數據信息的方式。

          在數據分析中,我們可以通過直觀的數字或趨勢圖表,迅速了解例如市場的走勢、訂單的數量、業績完成的情況等等,從而直觀的吸收數據信息,有助于決策的準確性和實時性。

          對于電子商務網站,流量是非常重要的指標。

          上圖中,我們將網站的訪問用戶量(UV)和頁面瀏覽量(PV)等指標匯匯聚到統一的數據看板(Dashboard),并且實時更新。這樣的一個數據看板,核心數字和趨勢一目了然,對于首席增長官來說一目了然。

          02 維度分解

          當單一的數字或趨勢過于宏觀時,我們需要通過不同的維度對于數據進行分解,以獲取更加精細的數據洞察。在選擇維度時,需要仔細思考其對于分析結果的影響。

          舉個例子,當監測到網站流量異常時,可以通過拆分地區、訪問來源、設備、瀏覽器等等維度,發現問題所在。

          03 用戶分群

          針對符合某種特定行為或背景信息的用戶,進行歸類處理,是我們常常講到的用戶分群(segmentation )的手段。

          我們也可以通過提煉某一群用戶的特定信息,創建該群體用戶的畫像。 例如訪問購物網站、寄送地址在北京的用戶,可以被歸類為“北京”用戶群體。

          而針對“北京”用戶群體,我們可以進一步觀察他們購買產品的頻度、類別、時間,這樣我們就創建出該用戶群體的畫像。

          在數據分析中,我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產品優化,效果會更加明顯。

          上圖中,我們通過用戶分群將一次促銷活動中支付失敗的用戶挑選出來,然后推送相應的優惠券。這樣精準的營銷推廣,可以大幅度提高用戶支付的意愿和銷售金額。

          04 轉化漏斗

          絕大部分商業變現的流程,都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一,無論是注冊轉化漏斗,還是電商下單的漏斗。

          通過漏斗分析可以從先到后還原用戶轉化的路徑,分析每一個轉化節點的效率。其中,我們往往關注三個要點:第一,從開始到結尾,整體的轉化效率是多少?第二,每一步的轉化率是多少?第三,哪一步流失最多,原因在什么地方?流失的用戶符合哪些特征?

          上圖中注冊流程分為 3 個步驟,總體轉化率為45.5%;也就是說有 1000 個用戶來到注冊頁面,其中 455 個成功完成了注冊。

          但是我們不難發現第二步的轉化率是 56.8% ,顯著低于第一步 89.3% 和第三步轉化率 89.7%,可以推測第二步注冊流程存在問題。

          顯而易見第二步的提升空間是最大的,投入回報比肯定不低;如果要提高注冊轉化率,我們應該優先解決第二步。

          05 行為軌跡

          關注行為軌跡,是為了真實了解用戶行為。

          數據指標本身往往只是真實情況的抽象,例如,網站分析如果只看訪問用戶量(UV)和頁面訪問量(PV)這類指標,斷然是無法全面理解用戶如何使用你的產品。通過大數據手段,還原用戶的行為軌跡,有助于增長團隊關注用戶的實際體驗、發現具體問題,根據用戶使用習慣設計產品、投放內容。

          上圖中展示了一位用戶在某電商網站上的詳細行為軌跡,從官網到落地頁,再到商品詳情頁,最后又回到官網首頁。

          網站購買轉化率低,以往的業務數據無法告訴你具體的原因;通過分析上面的用戶行為軌跡,可以發現一些產品和運營的問題(比如是不是商品不匹配等等),從而為決策提供依據。

          06 留存分析

          在人口紅利逐漸消褪的時代,留住一個老用戶的成本要遠遠低于獲取一個新用戶。每一款產品,每一項服務,都應該核心關注用戶的留存,確保做實每一個客戶。

          我們可以通過數據分析理解留存情況,也可以通過分析用戶行為或行為組與回訪之間的關聯,找到提升留存的方法。

          在 LinkedIn,增長團隊通過數據發現,如果新用戶進來后添加 5 個以上的聯系人(上圖紅色線條),那么他/她在 LinkedIn 上留存要遠遠高于那些沒有添加聯系人(上圖綠色和紫色的線條)的留存。

          這樣,添加聯系人稱為 LinkedIn 留存新用戶的最核心手段之一。除了需要關注整體用戶的留存情況之外,市場團隊可以關注各個渠道獲取用戶的留存度,或各類內容吸引來的注冊用戶回訪率,產品團隊關注每一個新功能對于用戶的回訪的影響等等,這些都是常見的留存分析場景。

          07 A/B 測試

          A/B 測試用來對比不同產品設計/算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產品或者功能設計的效果,市場和運營可以通過 A/B 測試來完成不同渠道、內容、廣告創意的效果評估。

          舉個例子,我們設計了兩種不同的產品交互形式,通過比較實驗組(A 組)和對照組(B 組)的訪問時長和頁面瀏覽量兩個衡量指標,來評估哪一種交互形式更佳。要進行 A/B 測試有兩個必備因素:

          第一:有足夠的時間進行測試;

          第二:數據量和數據密度較高。

          因為當產品流量不夠大的時候,做 A/B 測試得到統計結果是很難的。而像 LinkedIn 這樣大體量的公司,每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數據規模較大時使用會更加精準,更快得到統計的結果。

          08 數學建模

          當一個商業目標與多種行為、畫像等信息有關聯性時,我們通常會使用數學建模、數據挖掘的手段進行建模,預測該商業結果的產生。

          作為一家 SaaS 企業,當我們需要預測判斷客戶的流失時,可以通過用戶的行為數據、公司信息、用戶畫像等數據建立流失模型。利用統計學的方式進行一些組合和權重計算,從而得知用戶滿足哪些行為之后流失的可能性會更高。

          我們常常說,不能度量,就無法增長,數據分析對于企業商業價值的提升有著至關重要的作用。當然,僅僅掌握單純的理論還遠遠不夠,實踐出真知。數據分析的方法大家不妨在自己日常工作中,有分析相關項目里嘗試使用,相信可以事半功倍,創造更多商業價值。

          源自|大數據觀察

          轉自|中國統計網

          感謝支持199IT
          我們致力為中國互聯網研究和咨詢及IT行業數據專業人員和決策者提供一個數據共享平臺。

          要繼續訪問我們的網站,只需關閉您的廣告攔截器并刷新頁面。
          滾動到頂部
          --> 吉林快三今天开奖结果