两个案例,聊聊产品经理如何设计数据分析方案

1 评论 15325 浏览 83 收藏 9 分钟

两个案例:厕纸使用情况摸底和销售分析;4个步骤:确定大小维度、分析指标,然后添删改查;简单聊聊如何设计数据分析。

最近工作中,做了一些数据分析相关的工作,结合几次经验说说作为一个low的产品经理,怎样设计数据分析方案。

一、数据分析的用途

目前,我能想到的用途有:摸底调研,产品优化。换句话说就是了解过去,放眼未来。

二 、设计数据分析方案的方法

在明确数据分析目的的前提下,我会按照『四步走』的思路设计数据分析的方案。即确定三大维度、大维度拆解成小维度,小维度的分析指标,添删改查。

  • 确定三大维度:任何数据分析问题我都会先拆解成三个大维度:物,人,物+人,拿资讯流来说,物就是资讯,人就是分析对象(用户/作者等),物+人就是资讯和对象之间发生的交互。
  • 大维度拆解成小维度:结合目标,分别从物,人,物+人的角度去看,你想了解哪些情况。还说资讯流,物的角度比如:资讯的质量分布,时效性分布,来源评估等,人的角度比如有:有多少用户,用户的活跃情况,用户的统计特性分布,用户什么时候来(来不是看,来了不一定看,看即点击,是和资讯发生了交互)等;物加人的角度比如:不同类别的用户爱看什么类别的资讯,用户在某类资讯下的转化和核心数据表现等。
  • 小维度的分析指标:要想得到这个维度下的结论,你需要看哪些统计指标;
  • 添删改查:根据你的目标,结合实际资源,对上述的维度和指标进行筛选,修改,补充。

三、举例说明

举例1:

对公司厕所的使用情况进行摸底

1.确定三个大维度:马桶,职员(还有清洁工,维修工和访客,主要使用的是职员),马桶+职员

2. 大维度拆解成小维度:

  • 马桶:马桶的数量及楼层分布;马桶的使用寿命分布;马桶常见故障问题。
  • 职员:职员的统计特征。
  • 马桶+职员:职员每天使用马桶的流量分布;员工单次使用马桶的时间分布。

3. 小维度的指标:

  • 马桶的数量及其分布:楼层、男马桶数量、女马桶数量;马桶使用寿命分布:马桶使用寿命,楼层,男马桶数量、女马桶数量;马桶常见故障分布:故障原因,男马桶故障次数,女马桶故障次数。
  • 职员的统计特征:职员id,职员年龄,职员性别,职员平均在公司时间(工作日);
  • 职员每天使用马桶的流量分布:日期,时间段(每隔15min?),男马桶使用个数,女马桶使用个数;员工单次使用马桶的时间分布:职员id,职员年龄,职员性别,日期,职员单次使用时间,使用时间长度。

4. 添删改查

针对上述的分析,对数据进行一些修正,例如,上述的分析中男马桶和女马桶的类型是不一样的(捂脸,别问我怎么知道),是否有必要进行细化。还有上述只给出了统计指标,但并没有给出统计方法和统计时间等。

举例2:

我在小区门口开了个小卖部,想分析一下近一个月内各商品的销售情况,以决定明天的进货量(假设我每个月进一次货)。

1.确定三个大维度:这里也就是商品,顾客,商品+顾客。

2.大维度拆解成小维度

A.商品:

  • 一个月内商品的周转情况(进了多少货,卖出了多少);
  • 一个月内,不同商品的盈利情况;
  • 此外,我还想从局部看下每天的盈利分布是怎样的。(总体+局部)

B.顾客:

  • 顾客的人口统计特征分布(顾客都是些什么人);
  • 单顾客创造的营业额、利润分布(顾客花多少钱,我能赚多少);
  • 单天客流量及访问时间段的分布(大家都什么时候来);

C.商品+顾客:

  • 不同属性的用户,购买每类产品(零食,生鲜,日用品等)的转化,购买数量及分布(不同类别的人都最爱买什么);
  • 不同(统计特征)属性的用户,不同商品类别带来的营业额、利润及其分布(不同类别的人都爱买什么,哪类人可以给我带来最高利润);
  • 利润最高的用户,不同类别下购买时段的分布(利润最高的用户,都是什么时候来买东西)。
  • 利润最高的用户,购买商品的分布(利润最高的用户,都爱买什么)。

3. 小维度的指标

A.商品:

  • a&b的统计指标:商品ID,商品名称,商品单价,商品大小(特大/大/中/小四档),总进货量,总销售量,总营业额,总成本,总净利润;统计时间:近一个月,按月统计。
  • c的统计指标:商品ID,商品名(筛选后),日期,销售量,营业额,净利润;统计时间:近一个月,按天统计。

B.顾客:

  • a&b的统计指标:顾客ID,性别,年龄,身份,月访问次数,月购买次数,月营业额,月利润;统计时间,近一个月,按月统计。
  • c的统计指标:顾客ID,日期,访问时间段,访问次数;统计时间,近一周,按天统计。

C.顾客&商品:

  • a&b的统计指标:用户属性类别,商品类别,月访问次数,月购买数量,月营业额,月利润;统计时间:近一个月,按月统计。
  • c的统计指标:用户属性类别,商品类别,日期,购买时间段,购买次数;统计时间,近一周,按天统计。
  • d的统计指标:用户属性类别,商品类别,商品名称,购买次数。统计时间,近一个月,按月统计。

4. 添删改查

根据实际需求,投入产出比,优先级等,对上述的维度进行筛选和修改;

根据业务需求,对上述维度进行补充。

例如:上述分析第三部分主要分析了高利润用户的特性和习惯,但对未购买的用户,购买次数多但利润不高的用户分析较少。更好地满足高利润用户的需求,转化低(无)贡献的用户是两种不同的思路。

总结

上述数据如果能够结合模型和机器学习等智能分析手段,可以分析出更多更有价值的内容。

例如不同商品间的关联性(喜欢买A,B的人,都会喜欢买C),如不同类别用户之间的特性,大量购买XXX保健品的用户,一个月后都会大量购买婴儿产品(XXX保健品为孕期的常用保健品),如时间和气候对商品的影响,XXX季节,XXXX天气下,XXX和XXX商品的销量会激增。

 

题图来自 Pexels ,基于 CC0 协议

本文由 @nangelC 原创发布于人人都是产品经理。未经许可,禁止转载

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. 请问下 a&b、c、d,是什么意思啊,为啥要这么分?

    来自北京 回复