致運營狗:如何不依賴分析師,自己搞定數據分析?

致運營狗:如何不依賴分析師,自己搞定數據分析?

1 year ago 0 3151

在這個數據驅動運營的時代,數據不僅是數據工程師和分析師的事情,在工作中也要求運營從業者有一定的數據分析能力,更有人說“數據分析能力是未來運營的分水嶺”。從我自身角度出發,真心覺得數據能更好推動運營策略和工作的開展。
但運營童鞋多是數據小白,沒有編程和技術基礎,那我們該怎么分析并用好數據呢?今天從運營常見的數據問題出發,希望讓大家能快速地入門數據分析,讓數據更好地為工作服務,別白白浪費數據的價值。

不知該分析哪些數據?從哪些角度入手?

這是運營小伙伴們最頭痛的問題,不知道該關注、分析哪些數據,就算拿到數據后,也不知道到底從哪些方面去分析這些運營數據。給小伙伴們整理一些運營常見的數據指標,也總結了一些比較適用的分析角度,希望有用~

1、互聯網運營關注的常見數據指標

? 流量
1)訪問:PV、UV、IP(最常見);跳出率、平均訪問時長、平均訪問頁數等;使用設備、操作系統、瀏覽器、地域分布等訪問行為;
2)注冊:注冊人數、注冊走勢、累計注冊人數、達成率等;
3)渠道&推廣:來源渠道分布、總消費、展示量、點擊率、點擊率、平均點擊價格、轉化率、轉化成本、ROI等;

? 用戶
1)活躍/登錄:DAU、WAU、MAU、活躍率、登錄人數等;
2)留存:次日留存率、周留存率、月留存率等,還有按渠道去分析留存率;
3)流失:流失數據容易被遺忘,包括流失率,流失人數、每日平均流失人數等;
4)付費:付費人數、付費轉化率、單筆訂單平均金額等,更多看訂單數據;
5)其他:每日評論人數、收藏人數、分享人數等
6)頭像:一方面分析用戶屬性:關注年齡、性別、學歷、職業、地域、婚否、收入、興趣等;另一方面分析用戶行為:登錄次數、活躍率、累計消費金額、最近一次購買、購買次數、復購率等;

? 訂單: 付費人數、新增付費人數;總金額、每日訂單數、平均每日成交額、客單價;付費金額、付費毛利、付費利潤、復購率、ARPU、付費各個路徑轉化等;
? 內容: PV、UV;UGC、PGC、文章數、關注數、閱讀數、互動數(評論、點贊等)、傳播數(轉發、分享等);
? 活動:活動頁PV、UV、新增人數、參與人數、登錄人數、轉化人數、轉化成交金額、ARPU、優惠券發放/使用人數、營銷成本、營銷轉化率、ROI、分享人數、分享次數等,數據要根據活動類型而定;
? 服務:電商、O2O等行業易涉及,包括咨詢人數、咨詢轉化率、退貨率、退款率、好評率、差評率、投訴率等 ;
? APP:各渠道下載量、激活數、新增注冊數、獲客成本;啟動次數、啟動人數、停留時長;push到達率、打開率等,其他參考以上數據。

2、適用的分析角度、方法

數據分析有各種高大上的分析原則,比如AARRR模型、5W2H等,但是運營畢竟不是專業的數據分析師,主要能用好這些原則就夠了~
? 對比:分成橫向和縱向對比,比如縱向的同環比分析,橫向的不同產品、不同渠道的對比等;
? 走勢(變化):指標隨時間的變動,表現為增幅(同比、環比等);
? 分布:這個好理解,比如說用戶不同年齡段的分類、不同職業的分布、不同地域分布等;
? 細分:從多層級去了解數據,比如分析全國不同省份不同城市的具體訂單數據,從全國—省份—城市一一下鉆深入分析;
? 轉化:主要體現在結果的最終轉化、各個路徑的轉化,比如通過整個注冊流程的轉化分析來優化細節;
? 預測:根據現有情況,估計下個分析時段的指標值。

案例
某水果O2O平臺想確認未來一周各品類應準備的數量,若沒有數據的支撐,那只能由人工結合經驗得到一個大致結論,一般誤差比較大導致水果浪費較多。該怎么解決這個問題呢?當有了往常數據,數據走勢有了一定的規律,可通過數據預測來得到一個比較合理、比較準確的數值,再通過不斷預測—驗證得到一個最佳方案,保證水果備貨剛剛好,減少浪費,節約成本,這就是數據的價值。

(綠色:日常數據走勢;黃色:未來10天數據預測)

等待分析師漫長的排期?能否自己搞定分析?
分析師身負多個部門的數據分析工作,有時從提需求到最終拿到數據,2、3天都過去了,且不說分析結果是否是你想要的,就時效性而言,這份數據結果的意義也減弱了,如何變身自己的“專屬分析師”呢~
數據分析的整個過程:確定指標——數據收集——數據整合、數據處理/建模、數據分析、數據呈現、報表匯報。
? 確定指標:不多說了,可參考一下第1個問題。
? 數據收集:可通過公司數據庫埋點獲得,可通過第三方平臺獲得,也通過一些記錄的本地數據獲得。
? 數據整合:運營人要看的數據太多了,有數據庫,有各種第三平臺的數據(友盟、統計、推廣、公眾號等),每次都需要從不同平臺取數據,太分散了,最好能在一個數據平臺集中管理數據。
? 數據分析:可參考分析方法,比如“求和、計數、同環比、多粒度下鉆”等分析,一般在excel中需通過寫公式搞定。
? 數據呈現(可視化):簡單地說,就是如何制圖唄,請直接學習第3個問題。
? 報表匯報:將數據通過表格、圖表或其他形式向領導匯報。

如何不依賴分析師,自己搞定數據分析呢?
(1)學習一些數據分析理論。(數據思維)
(2)了解、熟悉業務,這點很重要。(業務思路)
(3)學習一些數據分析工具。(工具輔助)
以我的個人經驗來看,真正把握這些真真是夠了~畢竟我們不是專業的數據分析師,能做好業務分析足以!
運營童鞋如何制作讓老板滿意的好看圖表?
沒有哪個老板喜歡雜亂的表格數據,顏值才是王道啊。簡單地說,就是數據如何可視化,讓數據直觀、明了。

? 分析數據占比:分析單維度的數據占比可用餅/環圖、分析多維度的數據占比,可用旭日圖和矩形樹圖。
比如,用戶性別的占比分析只有“性別”一個維度,用餅/環圖展示,男女比例非常直觀,比如下圖明顯是男性用戶偏多,若用戶群體符合初衷和產品特征,那運營方式不妨可以嘗試一些“可愛風”,也許這樣更能吸引男性用戶。營銷活動也可以考慮選擇一些科技類產品作為獎品,也許更能促進男性用戶的購買力,達到活動目的。

(單維度:用戶性別分析)

(多維度:不同地區不同渠道的訂單分析)

? 分析數據同環比趨勢:分析單維度的同環比可用指標卡、分析多維度的同環比可用雙軸圖。
同環比太常見了,幾乎什么數據都要跟之前有個對比,這樣才能更體現目前數據的“運營價值”。
最常見就是PV、UV的同環比了,比如UV環比下降了,是正?;故遣徽?。正常是因為UV可能存在一定規律,可能周五的UV就比周四低,那數據屬于正常。若沒有固定規律,那有異常波動一定要尋找背后的原因,盡快處理問題,以防再犯。

(單維度:PV環比和UV環比分開)

(雙維度:PV環比和UV環比放一起)

? 分析數據走勢:最常用的是折線圖,柱狀圖也可以表達,直觀度略低于折線圖。

(折線圖)

(柱狀圖)

? 分析地區分布:全國、省份分布可用行政地圖,更詳細的地域分布可用經緯度地圖。
用戶地域分析也是非常重要的,這可能決定了公司業務會在哪些區域重點投入、重點銷售。這也是公司廣告需重點投放哪些區域的數據指導,對于每年競價投入幾百萬、幾千萬的公司,正確的用戶地域分析可節省很多不必要的投入,給公司省錢老板可樂意了。

(行政地圖)

(沈陽地區軌跡動態地圖)

(各省份注冊用戶數完成情況)

? 分析任務完成進度:單指標進度可用計量圖,多指標進度可用子彈圖,完成情況一目了然~

(KPI完成進度)

(各項指標完成進度)

? 分析用戶活躍頻次變動:可用?;?/span>。

(用戶活躍情況變化)

? 分析詞頻: 比如用戶的職位分布,可用詞云,有3D效果哦~

(用戶職位分布)

? 分析轉化效果: 那肯定用漏斗圖最最合適。

(用戶咨詢轉化率)

轉化案例
之前在一家電商公司工作,每天網站流量都不低,但最終的支付轉化率始終不高,從流量—注冊轉化還可以,從注冊—瀏覽轉化也還可以,但就是瀏覽—支付轉化不高。通過不斷找原因,通過用戶調研和數據分析(埋點)發現大部分用戶都到了支付頁,但支付入口在移動端不太明顯導致很多用戶棄買,這當然要改,優化后整體轉化率確實提高了。通過數據發現問題—找原因—優化—通過數據驗證可行性,這真的是一個良性循環
每個圖表都有適合的使用場景,用好各種圖表很重要,直接影響到數據的直觀和美觀程度。

如何快速找到數據背后的問題?

做了那么多的數據工作,最終無非是為了從數據中去發現問題,不斷優化運營策略。不論數據是上升了還是下降了,肯定有其變化的原因,這里以用戶數據變化為例了解一下快速找到問題的思路~

? 節假日波動:大部分產品都會受到節假日、周末的影響,辦公軟件節假日/周末數據一般都會下降,電商產品節假日/周末數據一般都會上升。
? 上線、改版:上線不一定單指功能上線,比如營銷活動上線、廣告渠道新上都算是上線,網站任何變動都可以理解成“上線”。
? 異常、故障:服務器故障、渠道被迫下線、網站訪問不了、鏈接異常等,鏈接訪問不了是比較常見的情況。
以上3種都不是,那就下鉆從渠道入手,看哪個渠道數據有異常,再結合具體問題進行分析。(Ps:有時候從渠道發現異常的,所以這個流程的順序不是絕對的)
以上幾種都不是,實在找不到原因,只能跟老板說:“原因未明,將持續觀察趨勢,以確認其偶然性”。
有些問題顯而易見,有些問題排查需要一些時間,看數據最終的意義還是要結合實踐??詞蕁⑾治侍狻餼鑫侍狻倏詞蕁侍飩餼?,或者看數據—發現增長—找到原因—繼續應用,總之:取其精華去其糟粕,你懂得~

本文來源于數據分析網,作者海致BDP。