想成為資料產品經理，先掌握這些資料分析方法論
業務、產品、運營三類分析方法
作者：楊子江
來源：春羽計劃投稿
本文為作者授權鳥哥筆記釋出，轉載請聯絡作者並註明出處
產品經理的概念在不斷泛化。近些年來，隨著網際網路行業的發展，越來越多的企業意識到了大資料和精細化運營的重要性，為了更好地挖掘資料的價值，指導業務的優化和發展，資料產品經理應運而生，他們基於資料分析方法發現問題，並提煉關鍵要素，設計產品來實現商業價值。
雖為產品經理，但要真正解決核心問題，不免要在前期和中期進行大量的資料分析工作，那麼，實用的資料分析方法有哪些呢？
一、業務分析類：
1.杜邦分析法
杜邦分析法目前主要用於財務領域，通過財務比率的關係來分析財務狀況， 其核心要點 是將 一個 大的問題拆分 為更 小 粒度 的指標， 以此瞭解 問題出在了哪兒，從而對症下藥 。
以電商行業為例，GMV（網站成交金額）是考核業績最直觀的指標，當GMV同比或環比出現下滑時候，需要找到影響GMV的因素並逐一拆解。
GMV下降如果是因下單使用者減少所造成的，那麼是訪客數（流量）減少了，還是轉化率下降了呢？如果是訪客數減少了，那是因為自然流量減少了，還是因為營銷流量不足？
如果是自然流量下降的話，可能需要在使用者運營和產品運營端發力，如果是營銷流量不足，那麼可以通過營銷活動或者站外引流的形式增加曝光量。
同樣，如果是轉化率的問題，那麼需要對使用者進行細分，針對不同階段的使用者採取不同的運營策略，關於使用者的部分，這裡不做贅述，有興趣的朋友可以關注後面的文章。
最後，如果是因為客單價不高，那麼需要進行定價及促銷的方案優化，比如識別具有GMV提升潛力的商品進行定價優化，評估當前促銷的ROI，針對選品、力度和促銷形式進行優化。同時通過關聯商品的推薦或商品套裝促銷的形式，激發使用者購買多件商品，也可以有效提高客單價。
2.同比熱力圖分析法
同比熱力圖分析法這個名稱是我自己造的，其實無非是把各個業務線的同比資料放到一起進行比較，這樣能更為直觀地瞭解各個業務的狀況。
構建一張同比熱力圖大致需要三步：
第一步，按照杜邦分析法將核心問題進行拆解，這裡仍以電商為例，我們將GMV拆成了流量、轉化率、商品均價和人均購買量，
即GMV=流量*轉化率*商品均價*人均購買量；
第二步，計算每個業務各項指標的同比資料；
第三步，針對每一項指標，對比各業務的同比高低並設定顏色漸變的條件格式，以上圖中的轉化率同比為例，業務5轉化率同比最高，為深橙底色，業務3轉化率同比最低且為負值，因此設定為藍色底色加紅色字型。
通過 同比熱力圖的 分析，首先，可以通過縱向 對比了解業務 自身 的同比趨勢， 其次 ，可以 通過 橫向對比了解 自身 在同類業務中的位置，此外， 還可以 綜合分析 GMV等核心 指標 變動 的原因 。
除了電商業務的分析以外，同比熱力圖同樣適用於網際網路產品資料指標的監控及分析，該分析方法的關鍵點在於拆解核心指標，在本文後面的產品運營類方法中將會介紹相關指標的拆解方法。
3.類BCG矩陣
BCG矩陣大家都非常熟悉了，以市場佔有率和增長率為軸，將座標系劃分為四個象限，用於判斷各項業務所處的位置。
這裡想講的並非傳統的BCG矩陣，而是BCG矩陣的變陣，或者叫類BCG矩陣。根據不同的業務場景和業務需求， 我們可以 將 任意 兩個 指標 作為 座標軸， 從而 把各類業務或者使用者劃分 為 不同的型別 。
比如可以以品牌GMV增長率和佔有率構建座標系，來分析各品牌的狀況，從而幫助業務方瞭解到哪些品牌是未來的明星品牌，可以重點發力，哪些品牌處於弱勢且增長匱乏，需要優化品牌內的產品佈局。
除此之外，我們還可以根據以下場景構建類BCG矩陣：
1）分析商品引流能力和轉化率：流量份額-轉化率
2）分析商品對毛利/GMV的貢獻：毛利率-銷售額
3）基於RFM分析使用者的價值：訪問頻率-消費金額
按照上述方法，大家可以根據需求大開腦洞，按照一定標準對研究物件進行分類分析。
二、使用者分析類
1. TGI指數
在分析使用者時，通常的做法是將目標使用者進行分類，然後對比各類使用者與總體之間的差異性，TGI指數提供了一個很好的方法，來反映各類使用者群體在特定研究範圍(如地理區域、人口統計、媒體偏好等)內的強勢或弱勢。
TGI指數=使用者分類中具有某一特徵的群體所佔比例/總體中具有相同特徵的群體所佔比例*100。
比如在分析使用者的年齡段時，可以通過TGI指數對比各使用者分類與總體在各年齡段的差異，設使用者分類1中16-25歲的使用者佔比為4%，而總體中16-25歲的使用者佔比為8.3%，那麼使用者分類1在16-25歲使用者中的TGI指數為4%/8.3%*100=48。依照這一方法，我們可以對各類使用者在各年齡段的TGI指數進行對比。
如上圖所示，各類目標使用者在16-25歲這個年齡段的佔比都比總體小（TGI指數<100），其中分類1的使用者年齡偏大，因為該類使用者在36歲以上各個年齡段的TGI指數都明顯高於100，且同時高於其他三類使用者。
當前在網際網路領域，除了使用者實名資料以外，其他使用者的畫像維度一般都通過建立模型進行判斷，因此無法完全保證準確性，但不同於小樣本調研，大資料分析是能容忍一定資料誤差的，不過，這一切都要建立在對比的基礎上。
所以， 在 分析使用者畫像 時， 需要根據場景進行使用者分類， 並 對比各類使用者與總體 間 的 差異 ， 這樣才能 保證分析結果的可信 性 和適用性， 而TGI指數 就是很好的對比指標。
2. LRFMC模型
RFM模型是客戶關係管理中最常用的模型，但這一模型還不夠完善，比如對於M(Money)，即消費金額相等的兩個使用者而言，一個是註冊兩年的老使用者，一個是剛註冊的新使用者，對於企業來說，這兩個使用者的型別和價值就完全不同，因此我們需要更全面的模型。
LRFMC模型提供了一個更完整的視角，能更全面地瞭解一個使用者的特徵，LRFMC各個維度的釋義如下：
L(lifetime):代表從使用者第一次消費算起, 至今的時間，代表了與使用者建立關係的時間長度，也反映了使用者可能的活躍總時間。
-
R(Recency) :代表使用者最近一次消費至今的時間長度，反映了使用者當前的活躍狀態。
-
F(Frequency) :代表使用者在一定時間內的消費頻率，反映了使用者的忠誠度。
-
M(Monetary) :代表使用者在一定時間內的消費金額，反映了使用者的購買能力。
-
C(CostRatio):代表使用者在一定時間內消費的折扣係數，反映了使用者對促銷的偏好性。
以去哪兒的業務為例，通過LRFMC模型可以綜合分析使用者的習慣偏好和當前狀態，從而指導精準營銷方案的實施。
-
L(lifetime):使用者來多久了？
-
R(Recency) :使用者最近是否有消費，如果來了很長時間都未消費，是否需要進行喚醒？
-
F(Frequency) :使用者出行的頻率如何，如果是固定週期出行，是否應該進行復購提醒？
-
M(Monetary) :使用者的消費金額是多少，是單價高（購買頭等艙），還是頻次高？
-
C(CostRatio):使用者對摺扣的偏好如何，是為使用者增加權益還是降價促銷？
三、產品運營類
產品運營是一個長期的過程，需要定期對產品的使用資料進行監控，以便發現問題，從而確定運營的方向，同時也可以用於評估運營的效果。
產品運營的常用指標如下：
1）使用廣度：總使用者數，月活
2）使用深度：每人每天平均瀏覽次數，平均訪問時長
3）使用粘性：人均使用天數
4）綜合指標：月訪問時長=月活*人均使用天數*每人每天平均瀏覽次數*平均訪問時長
產品所處階段不同，運營的側重點也會有所不同。在產品初期，核心的工作是拉新，應該更加關注產品的使用廣度，而產品的中後期，應該更加註重使用深度和使用粘性的提升。
對於不同的產品也需根據產品的性質來確定核心指標，比如，對於社交類產品，使用廣度和使用粘性至關重要，而對於一些中臺分析類產品，提升使用深度和使用粘性更有意義。
四、結語
在一款資料產品誕生前，應該是先有資料，再有分析，然後才是產品，分析的廣度和深度直接決定了產品的定位和價值。如果是做一款資料報表類的產品，那麼需要了解核心指標，並建立綜合指標的評估體系，如果是做一款分析決策類產品，那麼還需要基於業務需求，將現有資料指標進行解構再重構。
以上內容僅僅是提供了一些基礎工具和思考方向，資料產品經理是一個新興的分支，目前還沒有成熟的學習體系，未來還需繼續深入淺出，和大家共同成長。