数据分析并不是数据统计,如果想把数据做的有深度,一定需要做数据现象背后的原因解读。
数据分析的核心点是准确(不能错)、整洁(在数据报告的呈现上宁少不要多,要清晰且简洁的描述问题)。
可视化(文不如表,表不如图)、对比性(数据没有对比是没有意义的)。
数据分析的基本流程有6个主要步骤,我们先来看第一步:找到数。
比如人在什么情况下会哭?有一个概念叫“穷举”,遇到伤心的事会哭,但是难过和伤心都是重复的。
当解决一个问题,用穷举并且重复的方式,是没有办法把这个问题拆分清楚的,所以解决问题的前提是按结构化进行分类。
另一种拆分方法,比如人为什么会哭?因为物理刺激(主动和被动 )/精神刺激(正向刺激和非正向刺激)。
第一“核心指标”,指最终未完成的,当一个问题有且只有一个核心指标,那就是优先级的;第二“过程指标”,是影响核心指标的所有关键指标。
2、定指标
1)树形拆解法
因此美团为商家和信息内容服务、做信息展示,收6块钱的服务费,这是交易收入。
毛利率一般是受交易额的影响,交易额越大(毛利率不变的情况下)收入就会越多。
B端GMV+C端GMV=总GMV,总交易额和B端、C端的交易额,这三者相等,因为只是供给端和需求端的关系。
比如小卖部,每天结算当天的营业额(交易额),第一从货的角度看,一共有50件货,卖出去法40件,商品动销率是90%。
每件货卖完平均单商品的GMV是50块,用50×90%×50算出当天整体的交易额。
第二是从人的角度看,不考虑有多少货,只看来了多少人,比如来1000人,其中有500人购买商品,每个人花20块,这样就能计算出来当天卖多少钱。
分B端和C端是因为货的角度和进货与选货的人有关,需要看货选的好不好、动销高不高、单产怎么样等。
人的角度,包括人来不来买、地理位置、货品陈列、营销包装、是否有红包活动有关。
人和货是两条思路,如果要优化/提高整体GMV,要把货和相对应的包装做好,所以从供给端和需求端来看,要把所有的问题更明显的发现出来。
2)漏斗拆解法
拆解要点是先定流程→理清每个环节之间的先后关系→观察转化率,看数据情况→和相类似的进行比较,找到可优化的点。
第一要知道核心指标是什么,第二完成对核心指标的拆解,相对的拆解方法是漏斗或树形,要么两个一起使用,进行逐级拆分,最后把整个的指标体系搭建完整。
背后的核心原因,第一在于懂业务,第二是对数据的敏感度很高,那数据的敏感度如何养成?基础的训练是加深认知条件。
作为运营,数据表就算提出来,其实也不一定能用,因为有些数一看就是错的,这就叫基本的数据敏感度,验证方法就是看对业务的理解、常识性的判断。
一般来说,验一张数据表的真伪,是先把数据扫一遍 ,根据常识做判断。
去掉一些错误的,抓住突变点/矛盾点,进行谨慎分析,去掉影响结论的数据,发现问题再及时修复。
如果发现是系统的问题,要设置必要的告警和监控机制,及时解决。
5、做分析
数据分析常用的方法有两种,包括对比和关联,对比分析里有4个是常见的维度。
1)对比分析
第一,时间维度
包括环比和同比,环比是指日、周、月、季度;同比是指月、季度、年。
比如2022年是同比,2022年5月和2022年6月是环比。
第二,用户维度
社会属性包括性别、年龄、地域、职业收入;用户属性包括新用户&老用户、免费&付费、高等级&低等级。
第三,操作维度
包括操作前&操作后、操作A&操作B,主要是操作的流程、推广、功能、场景。
第四,竞品维度
包括数据情况、功能使用、体验和流程、营销和推广。
2)关联分析
首先分析的时候要知道,需要整个所有的路径,串联起来去看数据,有可能是补贴变少了、渠道投少了、质量变低了,总之不要直接判断在一个因素上,收入也是一样的。
先把所有的核心指标和过程指标都找出来,之后再整合所有路径,以串联的方式看数据,去发现他们彼此之间的关系是怎样的。
当一个核心指标产生变化,不是单一因素影响的,需要去看所有的过程指标,再去定位问题,数据表达的信息与多种因素相关。
6、写结论
数据分析报告的写作,所描述的现象是在某个时间段的数据呈现是什么样的。
可以记住两个问题,比如造成数据变化的原因究竟是什么?有什么办法可以改善/促进数据的变化?
注意第一结论基于数据,避免武断猜测;第二相互矛盾的结论和话术;第三少描述、多数据;第四记得文不如图,图不如表。
小结
以上就是数据分析的流程啦,首先做数据的收集,其次分析问题的原因,只有加以思考、说明趋势才有意义。
第一步把数据陈列出来(准确统计),第二归因,第三迭代(落地动作),第四看迭代效果,第五进行下一步的解读。
数据不是统计,而是分析,做数据分析的前提是对业务逻辑的深刻理解。
本文地址:http://dh99988.xhstdz.com/news/6353.html 物流园资讯网 http://dh99988.xhstdz.com/ , 查看更多