在這樣乙個「資料驅動」的時代,很多產品團隊都選擇在產品早期就引入或搭建資料分析平台,並希望能夠通過資料驅動產品的快速成長,但即便如此,大多數的初創企業還是難逃失敗的厄運。除去戰略、經營等導致企業死亡的情況,資料分析的「深度不夠」也是讓產品鎩羽的重要原因——大多數企業構建的資料分析平台僅僅能看一些統計指標——而這並不足以指導產品改進,並使之走向成功!
對產品使用者和行為資料的研究可以大致劃分為巨集觀層、微觀層和中間層三個層次:
巨集觀層:由一系列的資料指標構成。如產品每日的「活躍使用者數」、「新增使用者數」、「訂單數量」、「點讚的次數和人數」、「次日或7日留存率」等,這些指標能夠幫您從整體上把握產品的運營狀況;
微觀層:由產品中每個使用者及其行為的細節資料構成。如每乙個使用者的年齡性別……、他在什麼時間開啟應用、做了什麼、他的購物車裡都有哪些商品等,這些資料可以讓您去深入的了解和理解每乙個使用者以及使用者的行為?
中間層:中間層由一系列相互關聯的分析方法、模型以及相應的資料構成。如行為分析、漏斗、留存、細分、畫像洞察等等。
「中間層」是至關重要的一層——針對您產品和業務目標展開的大部分分析,都需要在中間層的方法模型支援下完成。這是因為:
如果,中間層能夠基於豐富的維度提供有效的方法和模型,您就有機會對存在問題的巨集觀資料指標進行逐級深入的剖析(drill down),逐步縮小問題的範圍和人群,甚至深入微觀層洞察相關的使用者及行為,直至對問題原因得到清晰的認識(或有效猜測)——並據此構建出產品改進策略並逐步改進,產品就有機會走向成功。
相反,如果中間層缺失,或提供的方法模型不能支援您對問題指標進行足夠的剖析,您就只能回到「看資料→拍腦袋」的老路上去,產品快速增長並最終走向成功的機率將因此降低。
該產品的運營負責人通過資料發現:新使用者在註冊第二天只有20%人回訪(「巨集觀層」指標「次日留存率」低)
接下來,她將某天新增的使用者劃分為「第二天回訪的使用者」和「第二天不回訪的使用者」兩個群體(作者按:「中間層」的人群細分),並且:
對這兩群使用者從各個維度進行了分析對比(作者按:「中間層」的細分、群體畫像、行為分析等方法),結果發現這兩群人的乙個典型區別是:
根據上述差異,這位運營負責人猜測——首次使用時「拍攝並分享」會影響到第二天及以後的留存率。
這位運營負責人將她的發現與產品經理以及其他團隊成員進行了溝通,並得到認可。
隨著產品使用者的快速增長,產品團隊的負責人很快與投資人敲定了新一輪融資,產品邁向成功……
巨集觀層的指標相對容易得到。而選擇或構建合適的分析工具將中間層和微觀層「解鎖」,才是決定資料分析成敗的關鍵!
本文由諸葛io
產品資料分析策劃
資料分析策劃是產品運營極為重要的一部分,企業在運營產品之前就要了解並知道自己要關注哪些資料,然後分析資料,以便調整之後的運營工作。網際網路產品發展到一定階段,使用者就會開始流失,留存率隨著時間的推移會逐步下降,一般在3 5個月後達到穩定。因此,企業需要重點關注留存率。留存率提高了,真正使用產品的使用...
資料產品 資料分析 統計模型分析 回歸分析
當掌握了大量資料時候,我們往往希望在資料中挖掘更多的資訊,一般可以應用成熟模型進行比較深入的分析。舉幾個例子 例如我們工作中常用的,預估下今年12月份的銷量情況 預估銷量情況這時候我們可以用回歸分析,可以理解為乙個自變數或者多個自變數通過演算法運算得出因變數,例如預估12月份的銷量,因變數是銷量。與...
資料分析 三個特點
一.業務理解 能跑數,不叫資料分析,和業務結合並產生價值才是資料分析 怎樣去對業務了解 1.對進入的行業和產品感興趣,有好奇心,願意學習一切未知的知識 2.能夠把業務和資料結合起來,嘗試用資料量化業務狀態和結果,能夠用資料解釋潛藏的未被發現的業務邏輯 3.當分析需求來的時候,要問下為什麼要做這個分析...