一个互联网人的数据分析总结

2 评论 2635 浏览 6 收藏 10 分钟

编辑导语:无论是产品还是运营,数据分析都是日常业务中绕不过的版块,通过数据分析,我们可以更加清晰地获得问题反馈、找到问题发生的根源,进而解决用户需求无法满足等问题。具体而言,数据分析该如何做,才能推动业务进行、帮助思维建立?本文作者做了总结,一起来看一下。

一、说在开始

数字本来是抽象的文字表达,但是将数字和某事件联系在一起,一连串的数据产生后,这个不断变化的数据就成了量化某个具体事件的字符串,也是将抽象的事件具象化的一个过程。

这种将抽象的事件具象化的过程,简要概括是可以分为3个阶段的:

  • 第一阶段是埋点收集数据;
  • 第二阶段是统计输出数据;
  • 第三阶段是对数据进行分析。

那本文咱们就先重点说说第三阶段数据分析,数据分析就是寻找被量化的事件与时间之间的「关系」,寻找两个变量之间的一种联系或变异现象。

二、数据分析的重要性

随着现在互联网行业不断地发展成熟,对于很多从业者来说,个人的能力的要求也在不断地扩大。不管是前几年各大互联网公司提出的全链路设计师概念,还是时下很多公司出现的的产品设计师岗位和用户体验设计师岗位等,都在给每一个产品设计者传达一个核心需求,就是要不断学习,不断扩充个人能力边界。

以前,看数据分析数据都是产品和运营的事情,但是现在作为产品研发的每一位同学来说,具备数据分析能力就是一个区别于其他的产品研发同学的显著优势。

设计上线效果如何,仅凭拍脑袋说体验或设计好坏是比较片面的,只有体现在客观的数据上才会更有说服力,因此,现在产品研发者的数据分析能力越来越被大家重视。

三、数据分析的流程

在日常工作中,很多产品研发者拿到埋点数据后,都比较懵,尤其对于一些对数据不是很敏感的产品或设计师来说更是如此,拿到PV、UV、访问次数、跳出率、转化率、体验热度、平均访问时长等等一大堆数据后,一堆的阿拉伯数字单独拿出来都认识,但是组合对比放在一起后好像你就看不懂了。

其实,好的公司都会有数据分析系统,会帮助产品研发人员将数据做第一步的数据清洗处理和可视化处理,这样就更方便于数据的使用者进行分析判定和思考。

但是对于一些产品或设计师自行提出来的产品设计验证的一些埋点数据来说,可能就需要产品研发者自己去处理和分析数据了。

所以,拿到数据分析的流程是什么呢?这里给出一个笔者个人觉得有效的重点步骤:

对于一个产品研发者来说,数据分析步骤简要地可以分为以上四个步骤,而数据分析的目的和目标是首要考虑的问题,以结果为导向,带有明确目的的去做数据分析。如,你想求证App新上的签到功能是否对用户留存有实质性效果:

1)预期目标是什么:当使用App的签到功能muv达到多少,才算达到了用户留存的目标。

2)本次分析重点:分析新功能上线后的muv、及整个App的muv。

3)本次分析任务:

  • 对比分析新功能上线前后的App日活情况;
  • 分析新功能上线后的该功能muv和App的muv的变化趋势及走势规律等。

第二步就是数据细化处理,将一些不必要的数据移除,或者算出数据的平均值,或者记录峰值出现的时间等。

对于数据的细化处理可以再分为三个步骤:

1)数据统计

  1. 根据分析目标整理/导出有用数据;
  2. 设计师应该紧绕设计表现/用户行为引导设计相关统计。

2)数据细化

  1. 数据清洗,删减无用信息数据/数据不全,甄选有用历史数据,比如同类设计在同场景及不同路径下的数据;
  2. 计算数据结果,入点击率/均值/转化等。

3)数据可视化

  1. 将细化后的数据利用可视化工具处理,入PBI/Excel/Keynot等;
  2. 通过数据可视化的方式,表现出x与y的关系或异常,就能发现其中是否存在有价值的规律。

以上六种基础图表基本可以适用大多数的数据可视化分析了。

第三步数据分析,就是对整理后的数据图表进行观察和分析。

数据的分析的能力对于设计师来说,并不会像数据分析师那么严格和精细,只要可以具备从数据中发现异样和问题就已经可以满足一个产品或设计师对数据分析能力的要求了,能找到和提出问题,再通过设计方法解决问题就可以了。

对于数据分析我也总结为4个步骤:

1)描述现象

  1. 客观地描述出数据的表现;
  2. 通过可视化图表走势描述出异常或规律性现象。

2)感知问题

  1. 有异常或差异,必有问题;有问题,必要寻找原因;
  2. 数据反映设计的优劣,试着提出疑问。

3)思考/提出假设

  1. 假设是对“问题”寻找解决办法的一种预设方案;
  2. 对于根本原因不知的情况下,我们需要作出提出假设方案,在下次活动中或以历史数据来求证假设的可靠性。

4)分析验证

  1. 通过异常/关联关系分析验证,排除干扰因素来判断是否是设计本身的问题;
  2. 通过用户特征/行为/设计表现等分类&分层来分析验证是否是设计本身的问题。

最后的一步输出总结,就是分析得结果输出和总结,这一点不做详细阐述。

在具体的工作中,其实每个团队对分析结果的体现内容都会有不同的要求,所以在结果输出的内容和形式上都会千差万别,但是重点是能体现出为什么要做本次数据分析即可。

四、说在最后

很多人错误地理解了数据分析,把数据分析能力提升的关键放在了方法和工具,其实,数据分析能力的核心不在方法和工具,而在于思维。

  1. 对于业务人而言,数据分析的核心思路是,得到两个变量之间的「量化关系」,用以解释现象;
  2. 数据分析的步骤,感知问题、提出假说、选择表征、收集数据、分析验证;
  3. 提出假说和选择表征是很多业务人数据分析做不下去的原因;
  4. 数据分析最重要的思维就是,不断确定业务中两组变量之间的关系,用以解释业务。

数据是用来描述现象的,是可以将抽象的事件或现象用数字信息具象化的手段。数据分析的方法论有很多,但是,方法的使用需要我们根据自己所在团队或研发产品的性质来选取什么样的方法了,需要我们不断地验证方法的适用性,来总结出适合自己的一套数据分析SOP才是你自己的数据分析能力。

 

本文由 @一只船 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
4人打赏
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 数据分析只是表象,更重要的是我们要明白数据背后的实质

    回复
    1. 是的,而且现在见的人多了,发现……怎么去做数据分析的人都有,好像结果也差不太多

      回复