開啟精益成長
數據分析的實質就是通過數理思維來推導、指導我們的運營工作。數字化時代,數據分析思維和數據洞察能力将成為運營的核心競争力之一。
1 First Point
數據分析的5種類型
作為運營,數據分析有時候是為了探究發生了什麼、有時候是為了找到某件事情發生的原因,還有時候是為了預測分析可能會發生某件事情......
在正式進行數據分析之前,我們需要弄清楚數據分析的5種類型。這裡總結了5種數據分析的類型,從描述性分析到規範性分析,數據分析的複雜性和工作量随之增加,且越往後越依賴機器。
描述性分析——發生了什麼
描述性分析是任何數據分析過程的起點,旨在回答發生了什麼的問題,是我們通過對各種來源的原始數據進行整理,再将其轉化為對業務有價值的洞察。
通過易觀方舟可視化看闆,我們可以将采集的數據自定義可視化成線圖、柱狀圖、氣泡圖等,很直觀地看到發生了什麼。
易觀方舟數據看闆示例
探索性分析——探索數據之間的關系
顧名思義,探索性分析的主要目的是探索,其最典型的應用領域就是數據挖掘。通過探索性分析,能夠幫助我們發現原本不相關事物之間的數據變量聯系。
數據挖掘領域有一個典型的案例:沃爾瑪通過數據挖掘,發現紙尿褲與啤酒的銷量數據呈相關關系。于是,調整了超市貨架的擺放位置,将紙尿褲與啤酒放在相近的位置,沒想到雙雙增加了這兩種完全不同品類的銷量。
診斷性分析——為什麼會發生
診斷性分析是最常見的數據分析類型。運營人員通過診斷性分析能探究某件事情發生的原因,引發這件事情的前置事件是什麼,這件事情發生後又會引發什麼後置事件。
例如,某天客戶電話投訴突然減少:為什麼會發生這種情況?通過數據分析發現,可能是因為雇傭了新客服、或者産品的某個界面添加了投訴功能等。
如果能知道某件事情發生的原因以及是如何發生的,我們将能很快确定解決問題以及面臨挑戰的具體可落地方法。
預測性分析——會發生什麼
預測性分析通過分析已知的數據假設未來,回答将來會發生什麼的問題。預測性分析不僅會用到前文所提到的3種數據分析類型,還需要用到機器學習(ML)和人工智能(AI)等前沿的數據科學技術。
例如,根據某零售店過去5年的銷售數據,我們能預測該零售店下個月、下個季度的總銷售額,以及某個單品的銷量。
通過預測性分析,不僅可以了解事情的發展趨勢、模式以及某件事情發生的原因;還可以根據某件事情在特定領域的發展現狀,做出明智的預測。易觀方舟内置用戶流失預警、商品銷量預測等預測模型,大幅提升運營競争力。
規範性分析——要采取什麼行動
規範性分析是最高級的數據分析類型,通過以上所有數據分析,并結合數據模型,回答要采取什麼行動的問題。規範性分析會分析多個場景,預測每個場景的結果,并根據結果決定哪個是最佳行動方案。
人工智能(AI)是處于數據分析前沿的規範性分析的例子。人工智能(AI)建立在大數據的基礎之上,通過攝取和分解大量的數據,自學如何使用數據信息并做出明智的決策。
我們在進行數據分析時,大多是進行描述型分析、探索型分析和診斷型分析,預測性分析和規範性分析大多交由機器去學習和解決。
2 Second Point
數據分析的方法:三闆斧 雙股劍
回到數據分析的實際應用中,不管是産品疊代優化分析,還是運營活動分析等,似乎總會涉及到很多數據分析的方法。
但萬變不離其宗,最終總結下來其實都是這5種方法或者他們的交叉組合。如下圖所示,易觀數科将其總結為數據分析的三闆斧和雙股劍。
2.1數據分析的三闆斧
趨勢分析
趨勢分析可以說是最基礎且最常用的數據分析方法。通過對有關指标的各期對基期的變化趨勢的分析,分析該指标的趨勢變化,從中直觀地發現問題,讓運營決策更準确和更實時。
例如,對于品牌零售行業,GMV是最核心的指标,我們就可以根據日、周、月等時間維度描繪GMV的趨勢圖,這樣便可以很直觀的看到按照不同時間維度GMV的變化。
細分分析
當趨勢分析過于宏觀,細分分析則是精細化運營的必備,通過按照不同的維度一步步地對數據進行拆分,不斷接近問題發生的起源,讓運營獲取更加精細的數據洞察。
例如,某品牌零售企業的GMV某天有明顯的下降,那麼我們就可以根據全國各省級行政區的維度,細分湖南省、廣東省、北京市、雲南省等34個省級行政區,查看具體是哪個省級行政區的GMV有所下降。
定位到具體的省級行政區後,還可以繼續往市級、區級層層細分。
對比分析
對比分析是将兩個或兩個以上的數據進行比較,分析差異并揭示數據所代表事情的發展變化情況以及規律。其特點是可以非常直觀地看出事情某方面的變化或差距,并且可以準确、量化地表示出這種變化或差距是多少,主要是為了給孤立的數據參考系。
例如,同樣以品牌零售企業的GMV為例,通過對比不同年份的GMV變化趨勢,我們可以很直觀地看到這家企業的年度增長情況,判斷是否值得投資。
2.2 數據分析的雙股劍
溯源分析
追溯到事情的源頭去分析,是避免運營做過多無用分析的方法。
舉個例子,當一批用戶到來我們的産品内,購買轉化率比較低。通常情況下我們去分析,可能會圍繞産品流暢度的問題、運營活動力度的問題,或者商品吸引力的問題。但很有可能從源頭分析,這批用戶就并非我們的目标用戶,而是虛假流量。
歸因分析
通過一種或者一組規則,将銷售功勞或者轉化功勞等分配給轉化路徑中的各接觸點,即為歸因分析。
本質上歸因分析都是為了衡量和評估用戶觸點對總體轉化目标達成所作出的貢獻,評價的核心指标為轉化貢獻度。但具體如何衡量和評估,就需要我們用到歸因分析模型。
常見的歸因模型主要有5種,分别為首次觸點歸因模型、末次觸點歸因模型、線性歸因模型、位置歸因模型和時間衰減歸因模型。關于歸因分析的詳細文章可跳轉《都說歸因是門“玄學”,從頭到尾了解一下?》
近期白皮書
,