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。