数据分析:核心思路三步走

5 评论 7847 浏览 38 收藏 10 分钟

编辑导语:数据在产品的各个流程都能起到至关重要的作用。那么,当数据出现问题时,该如何进行有效的数据分析、并最终达到解决问题的目的呢?本篇文章里,作者就提供了一个相对结构化的解决思路,希望能对你有所帮助。

不管你是产品、运营、还是市场,是否经常遇到以下几种情况:

  • 上线某个新产品、新功能,要监测该产品/功能的效果,既要看总体表现,又要看细分维度;
  • 策划某个营销活动,要明确活动的目标用户群体、用哪种方案能够带来最优的活动效果;
  • 投放某个渠道,渠道 ROI 又出现了较大的波动,需要找出数据波动的原因。

针对一个又一个问题,如果没有清晰的问题分析思路,即使解决了当前的问题,等你遇到新的问题又会无所适从。那么数据分析这件事情,不管是放在产品、运营、还是市场,都是一门必修课。

从本质上,数据分析最终目的就是解决问题。

有可能你做的项目没有一个专门的数据分析平台,没有数据后台,但这并不妨碍你去思考这个数据表现出来的问题该如何解决(可能 Excel 就可以解决很多你遇到的问题了)。

今天要分享的,就是当你在工作中遇到了某个数据出现问题的时候,怎么去分析某个数据问题的思路。

既然是解决问题,那么一定涉及到解决问题的思路。

给大家介绍一下之前考项目管理中的【问题解决工具】,希望能够帮助大家在用数据驱动解决问题的过程,有一个结构化的解决思路。

一、核心要素

当发现出现某个问题,或者应对某个挑战的时候,使用结构化的问题解决方法可以有助于制定长久有效的解决方案,主要包含以下核心思路:

二、PDCA 戴明环—Plan-Do-Check-Act

常用的闭环迭代框架戴明环 PDCA,也是解决问题或者说可以应用到平时工作上的方法,帮助你做结构化的思考。

主要包括计划(Plan)、实施(Do)、检查(Check)、执行 (Act) 4个步骤,循环迭代,不断提升。

其实还可以加一个环节- T (Think) 思考总结。

结合问题解决工具和数据分析的常用流程,可以提炼出数据分析的核心思路。

三、核心思路

1. 发现数据问题后,定义 X 问题

XY 问题:你想解决问题 X,但觉得 Y 可能是解决 X 问题的方法,但是你不知道 Y 应该怎么做,于是你去问身边的人 Y 应该怎么做;但是 Y 不一定是 X 的解决方法,通俗地讲叫作 “过早下结论”。

所有分析的源头,必须是要先识别要解决的重要问题是什么,为什么是最重要的。当你确定了是什么,和为什么重要,那么也就逐渐明确了数据分析的目的。

1)定义 X 问题技巧

可以根据不同类型的问题,用一个包含”如何、是否、原因是什么”问句来描述,比如:

  • 验证类 —— 有了假设和多个可能解决的方案,验证结果:“策略A,B,C哪种方法可以提升转化率”;“策略A是否可以提升转化率”。
  • 找原因类 —— 某个数据出现了剧烈波动,寻找背后原因以及解决方法: “导致转化率急剧下跌的原因是什么”。
  • 预测类 —— 寻找事物发生的规律,来预测接下来即将发生的事件,比如 “学生放假对课程销售转化率是否有影响”。

2)问题具体化,不可太过于宽泛,否则数据收集会变得很困难。比如某个产品数据有没有变好?

2. 定位问题,识别根本原因

那么经过定义 X 问题,明确了数据分析的目的后,就需要开始找问题出在哪儿。那么就有几个数据分析的方法了,给大家分享几个常见的分析方法。

1)全链路分析

对整个环节的每个节点进行分析,比如大家熟知的漏斗模型,AARRR 模型,都是典型的全链路分析。

以及业务模型中的用户生命周期、产品生命周期等,针对产品,或者运营整体的每个节点进行分析。

全链路分析的核心步骤:

  1. 梳理链路关键节点,确定关键节点的数据指标。
  2. 针对每个关键节点进行数据洞察,查看问题点和增长点

2)组成因子分析

把整体目标按照某种分类标准,分解成不同的组成因子。因为整体目标只能看到目标达成的结果,不知道是如何达成的,执行细节是如何。


组成因子拆解的技巧:

  1. 尝试多种方式、不同维度;
  2. 优先考虑项目团队习惯的拆解思路。

3)影响因子分析

很多时候,因子对结果的影响是定性的,而不是像组成因子一样是定量的,所以并不能完全把结果拆成多个因子相加。那这个时候可以用影响因子分析,列出对结果有影响的因子逐个分析。

比如说销售额,影响因子有商品、会员、客服、流量、活动等,但你不能说销售额=商品+会员+客服+流量+活动,对吧?

4)枚举法

简单粗暴地列举出所有可能影响这个数据的因素。枚举法大概会有以下 3 大步骤:

在列举的时候,也可以用到亲和图,分类别列举。

并且一定要有排序思维(将某个指标降序或者升序排列)。比如说在分析某个竞争对手的自然搜索关键词的时候,面对大量的数据,先确定关注哪一部分数据能带来最大的收益。

比如我在分析竞品 Google Organic Search 关键词流量的时候:

  • 分类枚举不同的关键词(非品牌词有哪些、品牌词有哪些);
  • 对不同类别的词的数据进行排序:;
  • 将非品牌词的 Search Volume 降序排列:看看哪些词汇用户搜的最多;
  • 将品牌词的 Traffic(%)降序排列:看看哪些品牌词带来的流量占比最大。

3. 提炼出有效的、明确的数据结论

优秀的数据结论,并不是得到一堆图表,它是有价值的结论。培养一种 “以终为始” 的思维,从最终结果出发,反向分析过程或者原因,寻找关键要素,采取相应的策略,从而达成结果并且解决问题。

那么怎么样得到有价值的数据结论呢?一般有这么几个步骤。

  1. 明确业务目标;
  2. “增减” 分析:增加收益、减少损失。增加收益,即增加收入、提升转化率、优化体验、增加用户参与度等;减少损失,即减少失败率、流失率等;
  3. 对业务进行分析(步骤2:定位问题、识别根本原因);
  4. 为自己的结论给出数据支撑。

 

本文由 @旋哥 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!
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. 作者大大,我能总结一下您的知识点。然后转发给其他小伙伴看吗。

    回复
  2. 干货满满!点个赞!

    回复
    1. 确实不错

      回复
    2. 优秀的数据结论,并不是得到一堆图表,它是有价值的结论

      回复
  3. 结构非常清晰,赞赞赞

    回复