運行必備的15個數據分析措施一、數據分析的戰略思維無論是產品、市場、運行還是管理者，你必須反思：數據本質的價值，究竟在哪里？從這些數據中，你和你的團體都可以學習到什么？1.數據分析的目的對于企業來講，數據分析的可以輔助企業優化流程，減少成本，提高營業額，往往我們把此類數據分析定義為商業數據分析。商業數據分析的目的是運用大數據為所有職場人員做出迅捷、高質、高效的決策，提供可規模化的處理方案。商業數據分析的本質在于發明商業價值，驅動企業業務增長。2.數據分析的作用我們常常講的企業增長模式中，往往以某個業務平臺為關鍵。在這其中，數據和數據分析，是不可或缺的環節。通過企業或者平臺為目的顧客群提供產品或服務，而顧客在使用產品或服務過程中產生的交互、交易，都可以作為數據采集下來。根據這些數據洞察，通過度析的手段反推客戶的需求，發明更多符合需求的增值產品和服務，重新投入顧客的使用，從而形成形成一種完整的業務閉環。這樣的完整業務邏輯，可以真正意義上驅動業務的增長。3.數據分析進化論我們常常以商業回報比來定位數據分析的不一樣階段，因此我們將其分為四個階段：階段1：觀測數據目前發生了什么？首先基本的數據展示，可以告訴我們發生了什么。例如：企業上周投放了新的搜索引擎A的廣告，想要比對一周內新渠道A比既有渠道B狀況怎樣，A、B各自帶來了多少流量，轉化效果怎樣？又例如，新上線的產品有多少顧客喜歡，新注冊流中注冊的人數有多少。這些都需要通過數據來展示成果，都是基于數據自身提供的“發生了什么”。階段2：理解為何發生？假如看到了渠道A為何比渠道B帶來更多的流量，這時候我們就要結合商業來深入判斷這種現象的原因。這時候我們可以深入通過數據信息進行深度拆分，也許某個關鍵字帶來的流量，也許是該渠道更多地獲取了移動端的顧客。這種數據深度分析判斷，成為了商業分析第二個進階，也同步可以提供更多商業價值上的體現。階段3：預測未來會發生什么？而當我們理解了渠道A、B帶來流量的高下，就根據以往的知識預測未來會發生什么。在投放渠道C、D的時候，猜測渠道C比渠道D好，當上線新的注冊流、新的優化，可以懂得哪一種節點比較輕易出問題；我們也可以通過數據挖掘的手段，自動預測判斷C和D渠道之間的差異，這就是數據分析的第三個進階，預測未來會發生的成果。階段4：商業決策所有工作中最故意義的還是商業決策，通過數據來判斷應當做什么。而商業數據分析的目的，就是商業成果。當數據分析的產出可以直接轉化為決策，或直接運用數據做出決策，那么這才能直接體現出數據分析的價值。4.數據分析的EOI框架EOI的架構是包括LinkedIn、Google在內的諸多企業定義分析型項目的目的的基本方式，也是首席增長官在思索商業數據分析項目中一種基本的、必備的手段。其中，我們先會把企業業務項目分為三類：關鍵任務，戰略任務，風險任務。以google為例，google的關鍵任務是搜索、SEM、廣告，這是已經被證明的商業模型，并已經持續從中獲得諸多利潤。google的戰略性任務（在年左右）是安卓平臺，為了防止蘋果或其他廠商占領，因此要花時間、花精力去做，但商業模式未必成型。風險任務對于創新來說是十分重要的，例如google眼鏡、自動駕駛汽車等等。數據分析項目對這三類任務的目的也不一樣，對關鍵任務來講，數據分析是助力（E），協助企業更好的盈利，提高盈利效率；對戰略任務來說是優化（O），怎樣可以輔助戰略型任務找到方向和盈利點；對于風險任務，則是共同創業（I），努力驗證創新項目的重要性。首席增長官需要對企業業務及發展趨勢有著清晰的認識，合理分派數據分析資源、制定數據分析目的方向。二、數據分析的3大思緒而面對海量的數據，諸多人都不懂得從怎樣準備、怎樣開展，怎樣得出結論。下面為大家簡介做數據分析時的3個經典的思緒，但愿在數據分析的實際應用中能給大家帶來協助。1.數據分析的基本環節上面我們提到了數據分析與商業成果之間關聯的重要性，所有商業數據分析都應當以業務場景為起始思索點，以業務決策作為終點。數據分析該先做什么、后做什么。基于此，我們提出了商業數據分析流程的五個基本環節。要先挖掘業務含義，理解數據分析的背景、前提以及想要關聯的業務場景成果是什么。需要制定分析計劃，怎樣對場景拆分，怎樣推斷。從分析計劃中拆分出需要的數據，真正落地分析自身。從數據成果中，判斷提煉出商務洞察。根據數據成果洞察，最終產出商業決策。舉個例子：某國內互聯網金融理財類網站，市場部在百度和hao123上均有持續的廣告投放，吸引網頁端流量。近來內部同事提議嘗試投放神馬移動搜索渠道獲取流量；此外也需要評估與否加入金山網絡聯盟進行深度廣告投放。在這種多渠道的投放場景下，怎樣進行深度決策？我們按照上面商業數據分析流程的五個基本環節來拆解一下這個問題。第一步：挖掘業務含義。首先要理解市場部想優化什么，并以此為北極星指標去衡量。對于渠道效果評估，重要的是業務轉化：對P2P類網站來說，與否發起“投資理財”要遠重要于“訪問顧客數量”。因此無論是神馬移動搜索還是金山渠道，重點在于怎樣通過數據手段衡量轉化效果；也可以深入根據轉化效果，優化不一樣渠道的運行方略。第二步，制定分析計劃。以“投資理財”為關鍵轉化點，分派一定的預算進行流量測試，觀測對比注冊數量及最終轉化的效果。記下倆可以持續關注這些人反復購置理財產品的次數，深入判斷渠道質量。第三步，拆分查詢數據。既然分析計劃中需要比對渠道流量，那么我們需要各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單等類型數據，進行深入的分析和落地。第四步，提煉業務洞察。根據數據成果，比對神馬移動搜索和金山網絡聯盟投放后的效果，根據流量和轉化兩個關鍵KPI，觀測成果并推測業務含義。假如神馬移動搜索效果不好，可以思索與否產品適合移動端的客戶群體；或者仔細觀測落地頁體現與否有可以優化的內容等，需找出業務洞察。第五步，產出商業決策。根據數據洞察，指導渠道的決策制定。例如停止神馬渠道的投放，繼續跟進金山網絡聯盟進行評估；或優化移動端落地頁，更改顧客運行方略等等。以上這些都是商務數據分析拆解和完畢推論的基本環節。在接下來的內容中，我們都會有這個分析思緒。2.內外原因分解法在數據分析的過程中，會有諸多原因影響到我們的北極星指標，那么怎樣找到這些原因呢？在此向大家推薦內外原因分解法。內外原因分解法是把問題拆成四部分，包括內部原因、外部原因、可控和不可控，然后再一步步處理每一種問題。舉個例子：某社交招聘類網站，分為求職者端和企業端。其盈利模式一般是向企業端收費，其中一種收費方式是購置職位的廣告位。業務人員發現，“公布職位”的數量在過去的6月中有緩慢下降的趨勢。對于此類某一數據指標下降的問題，可以怎么分析呢？根據內外原因分解法，我們可以從四個角度依次去分析也許的影響原因。內部可控原因：產品近期上線更新、市場投放渠道變化、產品粘性、新老顧客留存問題、關鍵目的的轉化。外部可控原因：市場競爭對手近期行為、顧客使用習慣的變化、招聘需求隨時間的變化。內部不可控原因：產品方略（移動端/PC端）、企業整體戰略、企業客戶群定位（例如只做醫療行業招聘）。外部不可控原因：互聯網招聘行業趨勢、整體經濟形勢、季節性變化。有了內外原因分解法，我們就可以較為全面地分析數據指標，防止也許遺失的影響原因并且對癥下藥。3.DOSS思緒DOSS思緒是從一種詳細問題拆分到整體影響，從單一的處理方案找到一種規模化處理方案的方式。首席增長官需要迅速規模化有效的增長處理方案，DOSS是一種有效的途徑。舉個例子：某在線教育平臺提供免費課程視頻，同步售賣付費會員，為付費會員提供更多高階課程內容。假如我想將一套計算機技術的付費課程，推送給一群持續在看C++免費課程的顧客，那么數據分析應當怎樣支持呢？我們按DOSS思緒的四個環節，分解如下：詳細問題：預測與否有也許協助某一群組客戶購置課程。整體影響：首先根據此類人群的免費課程的使用狀況進行數據分析、數據挖掘的預測，之后進行延伸，例如對整體的影響，除了計算機類，對其他類型的課程都進行關注。單一回答：針對該群顧客進行建模，監控該模型對于最終轉化的影響。規模化方案：之后推出規模化的處理方案，對符合某種行為軌跡和特性的行為進行建模，產品化課程推薦模型三、數據分析的8種措施上面簡介了3個經典分析思緒，它們可以幫你搭建一種清晰的數據分析思緒框架。那么對于詳細的業務場景問題，我們又該怎么辦呢？我們以一種電子商務網站為例，用數據分析產品GrowingIO對該網站進行迅速地數據采集、清晰和可視化展示，然后給大家分享這8種常見的數據分析措施。1.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，迅速理解例如市場的走勢、訂單的數量、業績完畢的狀況等等，從而直觀地吸取數據信息，有助于決策的精確性和實時性。對于電子商務網站，流量是非常重要的指標。上圖中，我們將網站的訪問顧客量（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。這樣的一種數據看板，關鍵數字和趨勢一目了然，對于首席增長官來說一目了然。2.維度分解當單一的數字或趨勢過于宏觀時，我們需要通過不一樣的維度對于數據進行分解，以獲取愈加精細的數據洞察。在選擇維度時，需要仔細思索其對于分析成果的影響。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。圖7中，當日網站的訪問顧客量明顯高于上周，這是什么原因呢？當我們按照訪問來源對流量進行維度拆分時（圖9），不難發現直接訪問來源的訪問量有非常大的提高，這樣就深入把問題聚焦了。3.顧客分群針對符合某種特定行為或背景信息的顧客，進行歸類處理，是我們常常講到的顧客分群（segmentation）的手段。我們也可以通過提煉某一群顧客的特定信息，創立該群體顧客的畫像。例如訪問購物網站、寄送地址在北京的顧客，可以被歸類為“北京”顧客群體。而針對“北京”顧客群體，我們可以深入觀測他們購置產品的頻度、類別、時間，這樣我們就創立出該顧客群體的畫像。在數據分析中，我們往往針對特定行為、特定背景的顧客進行有針對性的顧客運行和產品優化，效果會愈加明顯。上圖中，我們通過GrowingIO的顧客分群功能將一次促銷活動中支付失敗的顧客挑選出來，然后推送對應的優惠券。這樣精確的營銷推廣，可以大幅度提高顧客支付的意愿和銷售金額。4.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顧客轉化的途徑，分析每一種轉化節點的效率。其中，我們往往關注三個要點：從開始到結尾，整體的轉化效率是多少？每一步的轉化率是多少？哪一步流失最多，原因在什么地方？流失的顧客符合哪些特性？上圖中注冊流程分為3個環節，總體轉化率為45.5%；也就是說有1000個顧客來到注冊頁面，其中455個成功完畢了注冊。不過我們不難發現第二步的轉化率是56.8%，明顯低于第一步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高空間是最大的，投入回報比肯定不低；假如要提高注冊轉化率，我們應當優先處理第二步。5.行為軌跡關注行為軌跡，是為了真實理解顧客行為。數據指標自身往往只是真實狀況的抽象，例如：網站分析假如只看訪問顧客量（UV）和頁面訪問量（PV）此類指標，斷然是無法全面理解顧客怎樣使用你的產品。通過大數據手段，還原顧客的行為軌跡，有助于增長團體關注顧客的實際體驗、發現詳細問題，根據顧客使用習慣設計產品、投放內容。上圖中展示了一位顧客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，最終又回到官網首頁。網站購置轉化率低，以往的業務數據無法告訴你詳細的原因；通過度析上面的顧客行為軌跡，可以發現某些產品和運行的問題（例如是不是商品不匹配等等），從而為決策提供根據。6.留存分析在人口紅利逐漸消褪的時代，留住一種老顧客的成本要遠遠低于獲取一種新顧客。每一款產品，每一項服務，都應當關鍵關注顧客的留存，保證做實每一種客戶。我們可以通過數據分析理解留存狀況，也可以通過度析顧客行為或行為組與回訪之間的關聯，找到提高留存的措施。在LinkedIn，增長團體通過數據發現，假如新顧客進來后添加5個以上的聯絡人（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絡人（上圖綠色和紫色的線條）的留存。這樣，添加聯絡人稱為LinkedIn留存新顧客的最關鍵手段之一。除了需要關注整體顧客的留存狀況之外，市場團體可以關注各個渠道獲取顧客的留存度，或各類內容吸引來的注冊顧客回訪率，產品團體關注每一種新功能對于顧客的回訪的影響等等，這些都是常見的留存分析場景。7.A/B測試A/B測試用來對比不一樣產品設計/算