3个步骤+3个模型,极简数据分析法

3个步骤+3个模型,极简数据分析法

文 | 孙金龙
原文自:金龙聊运营

数据分析很简单。

技术流的老司机,左手SQL右手BI,溜的飞起。其实SQL、Python是数据挖掘;PPT、BI是数据展示。学会了当然很棒,不会也没关系。

数据分析不是技术流,是一种思维习惯。能帮你梳理业务,找到方向,达成目的数据分析,才是真·数据分析。而建立这种思维习惯,你只需要记住3个步骤,掌握3个模型

这就是 极简数据分析法

建议点赞 。◕‿◕。收藏以便翻阅。

以下,enjoy:

一)3个步骤

这三个步骤是,确定目标、列出公式、确认元素

我们以某互联网金融公司A为例。

假设A公司正准备上市,当前核心目标为利润

针对利润,我们列出公式。上面公式中,利润拆解成了 付费用户数、投资金额、投资时长、对应利率 四个元素。其中对应利率取决于资产端,跟用户侧关系不大。

因此如果我想提升核心KPI—利润,就要尽可能的提升付费用户投资金额投资时长

恭喜你,已经找到了发力点

注意,核心目标会随着业务发展不断变化,比如用户运营,App初期看重新增,中期看重转化,后期看重留存。如果仍然难以确定,看看你的核心KPI

二)3个模型

确认需要提升的元素后,问题来了。

- 如何提升每个元素的量级?

- 怎样制定策略,分配资源?

- 如何验证策略是否有效?

电商品类运营有个经典坐标,按流水和利润划分品类。

A. 漏斗模型

适用范围:需要多个步骤达成的元素。

比如投资用户数。

达到投资用户的状态,需要多个步骤。每个步骤都存在转化率,放在一起就成了层层缩减的漏斗。

漏斗模型作用:提升量级。

通过提升转化率,提升单个元素量级。

有了漏斗模型,就可以分析每层漏斗衰减的原因。有些原因显而易见,有些需要做A/B测试。你可以逐层提升转化;也可以改变用户路径,减少漏斗层级

比如,支持H5内投资的理财产品漏斗,要比下载App投资的漏斗少2个层级,转化率要高很多。

你需要掌握3个模型。

盈利还是亏损,有时只取决于一个漏斗。

注意,优化漏斗是个长期过程,需要每天关注。

B. 多维坐标

适用范围:具有多重属性的单个元素。

比如,本文公式中的投资用户,就有投资金额投资时长两个属性。可以将其作为横纵坐标轴,把所有投资用户分成四组。


电商品类运营有个经典坐标,按流水利润划分品类。

用户运营也有个经典坐标,叫RFM坐标

R=最近一次行为(Recency)

F=行为频率(Frequency)

M=行为量级(Monetary)

这里的行为指和你的核心目标密切相关的行为。比如在本文的金融产品中,就是投资

R代表可触达,毕竟6个月没来投资的用户,说不定都卸载了,甚至已经忘了你这个App;

F代表忠实度,高频次的使用App,虽然ta可能每次只投几块钱的活期;

M代表价值,比如累计投了50万,这可是个高净值用户。

多维坐标作用:精细化运营。

通过多维坐标将用户分组,对不同组用户采取对应的运营措施。

首先,一定有一个象限是好的。

比如下面的坐标图,高金额、高时长的A象限,就是好的。

A象限的用户,是核心用户(俗称爸爸),公司的现金牛,你的重点运营对象。

A象限往往占整体流水的80%。你的活动效果好不好,运营策略给不给力,往往要看这些爸爸们的反应。你甚至可以建立一个微信群,把爸爸们都拉进去,多多交流,做好服务,时不时发个红包啥的。

接下来,你要把B、D两个象限的用户往A象限拉。

D象限,是高潜力用户。可以定向发一些大额度长期标的优惠券,比如投20w,6个月,送3000元红包。提升他们的投资时长

B象限,是高忠诚用户。虽然可能没什么钱,但使用频次很高。可以定向发送梯度优惠券,比如投资1000送10元,投5000送投资80元,投10000送200元,逐步拉升他们的投资额度

A是现金牛,D是A的孵化器,B用户价值低但忠诚度高,产品开拓新场景后也有可能进化成现金牛。

重要性,A>D>B

资源有限时,请参照此排序。

多维坐标的适用范围非常广。比如文章可以按阅读量点赞率做一个二维坐标,分析下如何写出叫好又叫座的文章。

比如你可以按事物价值的精力投入价值衰减速度建立二维坐标,优化你的精力分布。

C. 分组表格

适用范围:随时间变化的用户属性元素。

比如投资用户数。

分组表格的原理,是将某一周(或一天,一个月)进入App的新用户,作为单独的一组用户

上面的表格,就是投资用户分组表格

横向看,是某组用户的投资用户数,随时间变化的留存情况。

比如第一行,第一周共新增200名投资用户,到第二周留存100名,到第三周留存80名……

纵向看,是某一周投资用户的构成情况。比如第三列,显示第三周的730个投资用户,是由第一周进入的80个+第二周进入的150个+第三周进入的220个构成的。

通过投资用户分组表格,我们还能计算出留存率分组表格,只需将每一行,每周的留存用户除以对应的新增用户数,即可获得下表:


这个表格也可以做适度变形,比如将所有数据向左对齐:

作用:监测&验证。

分组表格可以帮你分析清楚一个复杂元素的变化。

比如你发现投资用户数在提升,你其实很难判定原因,因为投资用户是由很多组用户构成的。因此提升的可能原因有很多,比如:

- 新增用户量级增大

- 渠道质量提高

- 运营策略起作用

这时候,把留存率分组表格掏出来瞅瞅。

先看新增用户数这一列,发现新增用户量级确实在提升;

纵向看每一列,比较不同组用户留存。发现次周留存确实上升了,说明运营策略可能起到了一定作用。但后续的留存情况都在下降,可能是渠道质量在下降。

横向看,留存始终没能稳定在一个值,说明产品的粘性还不够。

是不是很溜?

四)总结

确定核心目标,通过公式拆解成元素,找到发力点。

用漏斗模型提升元素量级;用多维坐标进行精细化运营,更好的分配精力和资源;用分组表格检验效果,监测数据。

以上,就是极简数据分析法。

注:

1. 这套方法适用于用户、活动、内容、渠道及其他一切运营领域。请各位自由开发。

2. 没错,文中涉及的用户数据都是我编的<(▰˘◡˘▰)>

最后分享一下我整理的一份数据分析流程知识图谱,需要可自取。内含数据分析12个常见分析模型、18个理论分支、136个详细知识要点和60多个实际分析场景案例,不懂或不记得的知识点拿出地图就能查,数据人必备!高清电子版获取方式↓↓

公众号:数据分析不是个事儿

常年分享数据分析干货,不定期分享好用的职场技能工具。

近期,将在我的公众号里写一个“数据分析入门系列”,感兴趣的可以关注。

编辑于 2022-10-11 16:31