数据分析8个流程与常用7个思路

大数据 数据分析
在产品运营过程中,数据分析具有极其重要的战略意义,是产品优化和产品决策的核心大脑。因此做好数据分析,是产品运营中最重要的环节之一。那么如何做好支付的数据分析呢?以下梳理出数据分析的8步流程,以及常见的7种分析思路。新手在启动数据分析前,最好跟主管或数据经验较丰富的童鞋确认每一步的分析流程。

在产品运营过程中,数据分析具有极其重要的战略意义,是产品优化和产品决策的核心大脑。因此做好数据分析,是产品运营中最重要的环节之一。

那么如何做好支付的数据分析呢?以下梳理出数据分析的8步流程,以及常见的7种分析思路。新手在启动数据分析前,***跟主管或数据经验较丰富的童鞋确认每一步的分析流程。

[[175476]]

一、数据分析八流程:

1、为什么分析?

首先,你得知道为什么分析?弄清楚此次数据分析的目的。比如,这次短信方式的数据分析,为什么要做这个分析。你所有的分析都的围绕这个为什么来回答。避免不符合目标反复返工,这个过程会很痛苦。

2、分析目标是谁?

分析目标是谁?要牢记清楚的分析因子,统计维度是订单,还是用户,还是金额,还是用户行为。避免把订单当用户算,把用户当订单算(上周运营同学真实案例),算出的结果是差别非常大的。

3、想达到什么效果?

通过分析各个维度的用户,订单,找到真正的问题。例如这次的XX通道的分析,全盘下线,或维持现状不动,都不符合利益***化原则。通过分析,找到真正的问题根源,发现用户精细化运营已经非常必要了。

4、需要哪些数据?

支付的数据,茫茫大海,数据繁多,用“海”来形容一点都不为过。需要哪些源数据?付费总额,付费人数?新老用户维度?付费次数?转移人数?留存率?用户特征?画像?先整理好思路,列一个表。避免数据部门同学今天跑一个数据,明天又跑一个数据,数据部门同学也会比较烦。

5、如何采集?

直接数据库调取?或者交给程序猿导出? 自己写SQL?运营同学不妨都学一下SQL,自力更生。

6、如何整理?

整理数据是门技术活。不得不承认EXCEL是个强大工具,数据透视表的熟练使用和技巧,作为支付数据分析必不可少,各种函数和公式也需要略懂一二,避免低效率的数据整理。Spss也是一个非常优秀的数据处理工具,特别在数据量比较大,而且当字段由特殊字符的时候,比较好用。

7、如何分析?

整理完毕,如何对数据进行综合分析,相关分析?这个是很考验逻辑思维和推理能力的。同时分析推理过程中,需要对产品了如指掌,对用户很了解,对渠道很熟悉。看似一个简单的数据分析,其实是各方面能力的体现。首先是技术层面,对数据来源的抽取-转换-载入原理的理解和认识;其实是全局观,对季节性、公司等层面的业务有清晰的了解;***是专业度,对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功,而是在实践中不断成长和升华。一个好的数据分析应该以价值为导向,放眼全局、立足业务,用数据来驱动增长。运营同学比较容易聚在某个点上转圈走不出来。

8、如何展现和输出?

数据可视化也是一个学问。如何用合适的图表表现?每一种图表的寓意是什么?下面列举下常用的8个图表:

  1. 折线图:合适用于随时间而变化的连续数据,例如随时间收入变化,及增长率变化。
  2. (柱型图:主要用来表示各组数据之间的差别。主要有二维柱形图、三维柱形图、圆柱图、圆锥图和棱锥图。如支付宝与微信覆盖率差别。
  3. 堆积柱形图:堆积柱形图不仅可以显示同类别中每种数据的大小,还可以显示总量的大小。例如我们需要表示各个支付方式的人数及总人数时。
  4. 线-柱图:这种类型的图不仅可以显示出同类别的比较,还可以显示出趋势情况。
  5. 条形图:类似于横向的柱状图,和柱状图的展示效果相同,主要用于各项类的比较。
  6. 饼图:主要显示各项占比情况。饼图一般慎用,除非占比区别非常明显。因为肉眼对对饼图的占比比例分辨并不直观。而且饼图的项,一般不要超过6项。6项后建议用柱形图更为直观。
  7. 复合饼图:一般是对某项比例的下一步分析。
  8. 母子饼图:可直观地分析项目的组成结构与比重。例如上次短信支付能力用户中,没有第3方支付能力的用户,中间有X%比例是没银行卡,X%比例是没微信支付账号等。

图表不必太花哨,一个表说一个问题就好。用友好的可视化图表,节省阅读者的时间,也是对阅读者的尊重。

有一些数据,辛辛苦苦做了整理和分析,***发现对结论输出是没有关系的,虽然做了很多工作,但不能为了体现工作量而堆砌数据。

在展现的过程中,请注明数据的来源,时间,指标的说明,公式的算法,不仅体现数据分析的专业度,更是对报告阅读者的尊重。

二、数据分析七思路:

1、简单趋势

通过实时访问趋势了解产品使用情况。如总流水,总用户,总成功率,总转化率。

2、多维分解

根据分析需要,从多维度对指标进行分解。例如新老用户、支付方式、游戏维度、产品版本维度、推广渠道、来源、地区、设备品牌等等维度。

3、转化漏斗

按照已知的转化路径,借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有下单率,成功转化率等。

4、用户分群

在精细化分析中,常常需要对有某个特定行为的用户群组进行分析和比对;数据分析需要将多维度和多指标作为分群条件,有针对性地优化产品,提升用户体验。例如我们这次对短信这类用户,短信里又有第3方和无第3方支付能力的,需要再进行分群的运营。

5、细查路径

数据分析可以观察用户的行为轨迹,探索用户与产品的交互过程;进而从中发现问题、激发灵感亦或验证假设。例如我们这次对新用户的运营,也非常有意思。

6、留存分析

留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率,是指“新增用户”在一段时间内“回访”的比例。通过分析不同用户群组的留存差异、使用过不同功能用户的留存差异来找到产品的增长点。

7、A/B 测试

A/B测试就是同时进行多个方案并行测试,但是每个方案仅有一个变量不同;然后以某种规则(例如用户体验、数据指标等)优胜略汰选择***的方案。数据分析需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。

不单是支付的数据分析,其他的产品运营数据分析流程和思路也一样适用,只是支付数据相对其他产品而言,维度很多,以及组合的维度也非常多,因此就需要更清晰的思路和大局观,避免陷入到数据海洋中。

责任编辑:未丽燕 来源: 秋天e云
相关推荐

2016-11-08 12:38:37

数据流程思路

2020-07-14 08:48:07

数据分析技术IT

2022-08-26 16:21:47

数据分析工具运营

2016-09-16 23:21:51

数据分析数据建模

2017-05-16 13:00:24

大数据数据分析

2018-08-23 17:15:10

编程语言Python数据分析

2020-07-26 19:19:46

SQL数据库工具

2020-07-07 14:35:41

Python数据分析命令

2022-01-14 12:48:07

数据分析关键指标产品

2023-07-13 12:21:18

2015-11-16 10:03:10

效率

2015-10-30 13:57:20

烹饪数据分析

2020-12-08 10:27:04

数据分析技术IT

2019-10-09 10:10:36

数据分析大数据数据探索

2018-08-30 14:20:54

数据分析机器学习算法

2017-12-27 11:38:14

数据分析大数据算法

2019-09-10 11:31:16

Python数据分析表达式

2019-12-19 15:07:24

软件数据库Linux

2015-08-14 10:28:09

大数据

2022-07-15 08:52:03

Linux优化
点赞
收藏

51CTO技术栈公众号