不能度量，就無(wú)法增長(zhǎng)。

數(shù)據(jù)分析對(duì)于企業(yè)商業(yè)價(jià)值的提升起到了至關(guān)重要的作用。在具體的業(yè)務(wù)場(chǎng)景中，一般有八種常見(jiàn)的數(shù)據(jù)分析方法。

1

數(shù)字和趨勢(shì)

采用數(shù)字和趨勢(shì)圖進(jìn)行數(shù)據(jù)信息的展示最為直觀，從具體的數(shù)字和趨勢(shì)走向中可以更好地得到數(shù)據(jù)信息，有助于提高決策的準(zhǔn)確性和實(shí)時(shí)性。

比如將某app或某網(wǎng)站的uv、pv等指標(biāo)統(tǒng)一匯總到一個(gè)數(shù)據(jù)看板上，進(jìn)行實(shí)時(shí)更新。這樣的一個(gè)數(shù)據(jù)看板使得數(shù)字和趨勢(shì)一目了然，非常直觀。

2

維度分解

當(dāng)單一的數(shù)字或趨勢(shì)過(guò)于宏觀時(shí)，我們可以通過(guò)不同維度對(duì)數(shù)據(jù)進(jìn)行分解，以獲取更加精細(xì)的數(shù)據(jù)洞察。在進(jìn)行維度選擇時(shí)，需要考慮此維度對(duì)于分析結(jié)果的影響。 比如某app的日活突然下降了，可以通過(guò)拆分新老用戶(hù)、渠道、app版本、地區(qū)、設(shè)備等維度，發(fā)現(xiàn)問(wèn)題所在，也就是將宏觀的問(wèn)題拆分成小的問(wèn)題去聚焦問(wèn)題所在。

3

用戶(hù)分群

用戶(hù)分群即指針對(duì)符合某種特定行為或具有共同背景信息的用戶(hù)，進(jìn)行歸類(lèi)處理。也可通過(guò)提煉某一類(lèi)用戶(hù)的特定信息，為該群體創(chuàng)建用戶(hù)畫(huà)像。 例如使用同一app的用戶(hù)可以按照地址進(jìn)行用戶(hù)群體的劃分，可分為“北京”、“上?！薄ⅰ昂贾荨钡?。由此便可進(jìn)一步觀察某一用戶(hù)群體的一些行為或數(shù)據(jù)指標(biāo)，如app使用時(shí)長(zhǎng)，使用頻度，購(gòu)買(mǎi)次數(shù)、購(gòu)買(mǎi)金額等，以此來(lái)創(chuàng)建該用戶(hù)群體的畫(huà)像。 用戶(hù)分群的意義在于我們可以針對(duì)具有特定行為或特定背景的用戶(hù)，進(jìn)行針對(duì)性的用戶(hù)運(yùn)營(yíng)和產(chǎn)品優(yōu)化，比如對(duì)具有“放棄支付或支付失敗”的用戶(hù)進(jìn)行對(duì)應(yīng)優(yōu)惠券的發(fā)放，以此來(lái)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)，大幅提高用戶(hù)的支付意愿和成交量。

4

轉(zhuǎn)化漏斗

かけすな

絕大部分商業(yè)變現(xiàn)的流程，都可歸納為漏斗。漏斗分析是常見(jiàn)的一種數(shù)據(jù)分析手段，比如常見(jiàn)的用戶(hù)注冊(cè)轉(zhuǎn)化漏斗，電商下單漏斗。整個(gè)漏斗分析的過(guò)程就是用戶(hù)從前到后轉(zhuǎn)化的路徑，通過(guò)漏斗分析可以得到轉(zhuǎn)化效率。 這其中包含三個(gè)要點(diǎn)：其一，整體的轉(zhuǎn)化效率。 其二，每一步（轉(zhuǎn)化節(jié)點(diǎn)）的轉(zhuǎn)化效率。 其三，在哪一步流失最多，原因是什么，這些流失的用戶(hù)具有什么特征。 上圖是共包括三步的注冊(cè)流程，整個(gè)注冊(cè)流程的總體轉(zhuǎn)化率為46.5%，即1000個(gè)訪問(wèn)了注冊(cè)頁(yè)的用戶(hù)中，有465個(gè)成功完成了注冊(cè)。關(guān)注到每一步的轉(zhuǎn)化率，發(fā)現(xiàn)第二步的轉(zhuǎn)化率為65.3%，明顯低于第一步的85.3%和第三步的83.5%，由此可推測(cè)，這一步驟可能存在問(wèn)題。可針對(duì)這一注冊(cè)步驟去發(fā)現(xiàn)問(wèn)題，再進(jìn)行轉(zhuǎn)化率的提高。

5

行為軌跡

數(shù)據(jù)指標(biāo)本身只是真實(shí)情況的一種抽象，通過(guò)關(guān)注用戶(hù)的行為軌跡，才能更真實(shí)地了解用戶(hù)的行為。 例如只看到常見(jiàn)的uv和pv指標(biāo)，是無(wú)法理解用戶(hù)是如何使用你的產(chǎn)品的。通過(guò)大數(shù)據(jù)手段來(lái)還原用戶(hù)的行為軌跡，可以更好地關(guān)注用戶(hù)的實(shí)際體驗(yàn)，從而發(fā)現(xiàn)具體問(wèn)題。如果維度分解依舊難以確定某個(gè)問(wèn)題所在，可通過(guò)分析用戶(hù)行為軌跡，發(fā)現(xiàn)一些產(chǎn)品及運(yùn)營(yíng)中的問(wèn)題。

6

留存分析

人口紅利逐漸消退，拉新變得并不容易，此時(shí)留住一個(gè)老用戶(hù)的成本往往要遠(yuǎn)低于獲取一個(gè)新用戶(hù)的成本，因此用戶(hù)留存成為了每個(gè)公司都需要關(guān)注的問(wèn)題?？梢酝ㄟ^(guò)分析數(shù)據(jù)來(lái)了解留存的情況，也可以通過(guò)分析用戶(hù)行為找到提升留存的方法。 如某閱讀類(lèi)app，每天閱讀時(shí)長(zhǎng)在25-30分鐘（舉個(gè)）的用戶(hù)的留存要遠(yuǎn)高于閱讀時(shí)長(zhǎng)在5-10分鐘的用戶(hù)的留存，因此可考慮將提高用戶(hù)的閱讀時(shí)長(zhǎng)作為一種提升留存的方式。 常見(jiàn)的留存分析場(chǎng)景還包括不同渠道的用戶(hù)的留存、新老用戶(hù)的留存以及一些新的運(yùn)營(yíng)活動(dòng)及產(chǎn)品功能的上線對(duì)于用戶(hù)回訪的影響等。

7

A/B測(cè)試

A/B測(cè)試通常用于測(cè)試產(chǎn)品新功能的上線、運(yùn)營(yíng)活動(dòng)的上線、廣告效果及算法等。 比如某產(chǎn)品設(shè)計(jì)了兩種不同的界面（圖來(lái)源于網(wǎng)絡(luò)），其中包括界面背景顏色變化、點(diǎn)擊按鈕文案變化，模特變化等。以點(diǎn)擊按鈕的設(shè)計(jì)為例，通過(guò)比較實(shí)驗(yàn)組（A）和對(duì)照組（B）的按鈕點(diǎn)擊次數(shù)、點(diǎn)擊率兩個(gè)指標(biāo)，來(lái)評(píng)估哪一種點(diǎn)擊按鈕的設(shè)計(jì)帶來(lái)的效果更好。 進(jìn)行A/B測(cè)試需要兩個(gè)必備因素：第一，足夠的測(cè)試時(shí)間；第二，較高的數(shù)據(jù)量和數(shù)據(jù)密度。 當(dāng)產(chǎn)品的流量不夠大時(shí)，進(jìn)行A/B測(cè)試很難得到統(tǒng)計(jì)結(jié)果。

8

數(shù)學(xué)建模

涉及到用戶(hù)畫(huà)像、用戶(hù)行為的研究時(shí)，通常會(huì)選擇使用數(shù)學(xué)建模、數(shù)據(jù)挖掘等方法。比如通過(guò)用戶(hù)的行為數(shù)據(jù)、相關(guān)信息、用戶(hù)畫(huà)像等來(lái)建立所需模型解決對(duì)應(yīng)問(wèn)題。 實(shí)踐出真知，希望大家能在日常工作、學(xué)習(xí)或項(xiàng)目中嘗試使用上述方法，創(chuàng)造更多的商業(yè)價(jià)值。

責(zé)任編輯：haq