为了打败行业竞对,我不得不用的数据分析利器

楼主
我是社区第221124位番薯,欢迎点我头像关注我哦~
        
       说到数据分析,可能很多小伙伴和我一样,“纵使爱它千万遍,它待我如初恋”,每每下定决心入手学习,可是又不知道从哪开始,复杂的算法、庞大的数据、眼花缭乱的代码......最终还是止步于头脑斗争,无法付诸实际行动。在互联网行业运营岗沉浮2年,经历101次从入门到放弃后,我终于找到了一个数据分析利器——FineBI,使用一段时间后,我总结了运营人做数据分析时的痛点及数据分析的正确打开方式,以下给大家做一个分享。

一、运营人做数据分析的难点

        互联网行业发展快,为了能更好的感知变化,就需要做数据分析,从海量实时的数据中挖掘出有价值的商业信息,要做好这点,一方面需要公司的战略支持,另一方面也要求自己有能力。从公司战略支持上,配备了专门的数据部门,平常工作包括数据看板搭建,数据埋点,数据库维护等。对运营工作的支撑来看,数据看板存在几个常见且严重的阻塞:
1、展示的数据图表固定不变,缺乏灵活性,不能做探索分析,数据看板最多看看日活、月活、留存及一些订单转化数据,这也仅限于“查看”,无法做探索分析,要发现某个产品转化渠道UV数据异常,原因也只能凭经验,比如天气、系统故障、节假日等原因,得出的结论对运营工作支持的作用不大。
2、部门配合沟通成本高,实现效率低。遇到没有的数据图表可以向技术部门提数据看板需求,比如添加XXX路径漏斗转化分析数据图表,技术部门判断为永久性展示的固化图表需求后再进行埋点收集数据,结果从需求评审到需求落地经历半个月,劳心劳力且无法保证数据分析的时效性;另一种情况是原先产品的埋点数据已经做好,只是没有做成数据看板,这就可以直接从数据库里导出数据,再用Excel分析,那么问题来了,需要导出哪些时间段的数据和导出哪些字段的数据不好确定,因为数据是未知的,变化是未知的,导出数据过多,人工筛选工作量不说,Excel也承受不住,保险起见一般会导出较长周期的数据,最后费劲周折做好的图表只能一次性使用,下次有新数据导出,则要按照之前的计算方法重新排版一次,无法实现数据更新。
3、业务数据和行为数据是分开的两套数据库系统,无法放在一起分析,比如订单转化路径和最终订单量数据,在行为数据看板上观测客户的购买行为,在业务数据看板上查看客户的实际下单的订单数量,最终的转化率需要自己手动计算,现有的埋点数据只能收集到用户点击“立即购买”按钮的次数,实际场景是点击付款按钮的次数到最终付款的人数存在偏差,而核心路径下的偏差数据正是我们需要重点分析挖掘的内容。

二、数据分析的正确打开方式

1、使用工具,明确分工

       数据人员因为对业务不熟悉,每次有新的分析需求都要与他们反复沟通,有时甚至要带图说话,期间消耗大量的时间成本,想想得不偿失,不如拿到数据后自己做分析,所以我认为合理的分工方式应该是数据部门负责提供清洗好的数据,运营人员直接拿数据做分析,这点在FineBI上就做的很好,衔接了双方的需求,数据准备自动化,由数据人员负责建立数据连接和数据集,运营人员直接取用准备好的数据,遇到没有数据的情况再向数据部门提数据需求,管理数据是他们的本行,需求响应也就快



2、确定思路,探索分析

做数据分析之前要确定好数据分析的内容和思路,日常分析内容主要是三类:1、分析现象,解决是什么的问题;2、分析原因,解决为什么的问题;3、分析对策,解决应该怎么做的问题。这里举一个案例:某平台型产品9月份发生客单价下降问题,分析其可能原因。首先清楚这是典型的分析为什么的问题,其二确定分析思路,根据归纳推理原理,从结论出发,进行拆解,客单价等于销售总额/成交总笔数,影响销售总额和成交总笔数不外乎服务提供者、用户和产品三个维度,从这三个维度下提出假设(如图),再通过数据逐一验证,以下使用样式数据,演示分析过程。


使用数据人员已经做好了的数据集,即客单价下降原因分析业务包里添加好的数据库表,进行取数分析。


从用户注册表、用户信息表中获取总注册用户数、9月新增注册数和9月流失用户数,使用指标卡组件计算出9月新增客户数为26、流失客户数为2,根据2019年新增注册客户数折线图,可以看出9月新增客户数在正常变化幅度内。


使用订单明细表得到2019年订单量/销售额月份变化趋势图及9月流失客户订单明细表。柱状图所示,9月订单数和销售额较8月有所上升,且在订单记录表中查找2019年9月状态为流失的客户历史交易记录,评价该客户流失对订单转化的影响作用,明细表显示流失客户的订单记录在较早月份,最近没有接单记录,说明新老客户更替不是构成客单价下降的主要原因。在订单总笔数上升和销售总额上涨的情况下,客单价下降极有可能是促销活动或用户来源渠道欠佳导致。


排除人为促销活动因素,从用户维度分析,包括实际付费用户数、新增用户的来源渠道及现有用户的特征画像。通过地图组件发现,2019年5月到9月新增用户中大部分来自于内陆省份和新用户营销渠道,接着用漏斗图统计用户从下载到下单的转化情况,发现转化率较高,更为异常的是订单明细数据中显示平均每个用户只有一次下单记录,然后筛选出9月下单用户,与用户画像表建立关联,通过制定一些判断规则,得到用户画像标签图,发现用户质量不优,且存在“羊毛党”嫌疑。




3、搭建数据看板

我们知道,数据分析的价值在于指导实践,通过分析客单价下降原因,及时改善运营策略,比如适当降低新人首单优惠或根据产品目标人群来调整宣传渠道,吸引更多高价值用户入驻。为了更好指导运营策略调整,我们可以将已经做好的模板固化成每日的数据看板,时时监控客户留存情况。


并且可以将制作好的看板通过挂载到平台目录,供相同部门的人员查看。


值得一提的是,使用模板导出功能可以导出完整且清晰的的模板图片,用于向领导汇报的周报或是月报PPPT。



三、数据分析方法论总结

       实际上,运营做数据分析并不需要懂复杂的技术,关键是对业务流程的理解以及用数据解决问题的思维。刚开始时做分析会比较生疏,做多了之后,积累了数据经验,慢慢会发现自己分析问题的维度越来越广了,这大概就是运营人员的核心竞争力。综上,距离一个优秀的运营,你可能只差一个好的分析工具,比如FineBI(下载地址:http://www.finebi.com/product/download,安装即可用),里面有很多精美的数据看板,下载后可以体验一波。
编辑于 2020-2-10 15:38  
编辑于 2020-2-10 15:39  
分享扩散:

沙发
发表于 2020-2-10 17:17:17
板凳
发表于 2020-2-10 18:45:36
地板
发表于 2020-2-11 16:10:44
厉害,理解很深刻!
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

返回顶部 返回列表