如何做好数据分析,让运营效率提高100倍?

如何做好数据分析,让运营效率提高100倍?

分享嘉宾:前51.com副总裁,王武佳
来源:馒头商学院

如何做好数据分析,从而提高运营效率,加快产品迭代呢?一个好运营应该需要具备什么样的数据分析能力呢?拥有十年社交经验的武佳老师会告诉你数据分析背后的奥妙。

正文PPT:

257 如何做好数据分析,让运营效率提高100倍?

该股票研究中心向市场非特定对象群发了1000封邮件,一组告诉他股票会涨,一组告诉他股票会跌,每次发送的时候总有一部分预测到时准的,一部分预测是错的,接下来循环发送几次,总有几个人预测都是正确的,Peter就是其中一个用户。这个案例告诉我们一个道理,在数据分析中,你有时候看到一些数据很稳定的朝一个方向变化,不一定表示代表真相一定就是这样的,而是要看你是否选择性注意到某些东西,而事实真相往往在你选择性注意之外的。

2410 如何做好数据分析,让运营效率提高100倍?

2311 如何做好数据分析,让运营效率提高100倍?

在数据分析中选择样本是很重要的,如果只看到幸存者的样本,那么导出来的数据和结论是有偏差的。

2214 如何做好数据分析,让运营效率提高100倍?

肿瘤和头晕是没有关系的。

2115 如何做好数据分析,让运营效率提高100倍?

209 如何做好数据分析,让运营效率提高100倍?

 

198 如何做好数据分析,让运营效率提高100倍?

 

1810 如何做好数据分析,让运营效率提高100倍?

 

1712 如何做好数据分析,让运营效率提高100倍?

 

1614 如何做好数据分析,让运营效率提高100倍?

 

1515 如何做好数据分析,让运营效率提高100倍?

 

1418 如何做好数据分析,让运营效率提高100倍?

 

1318 如何做好数据分析,让运营效率提高100倍?

 

1220 如何做好数据分析,让运营效率提高100倍?

 

1120 如何做好数据分析,让运营效率提高100倍?

 

1022 如何做好数据分析,让运营效率提高100倍?

 

924 如何做好数据分析,让运营效率提高100倍?

 

826 如何做好数据分析,让运营效率提高100倍?

 

726 如何做好数据分析,让运营效率提高100倍?

 

627 如何做好数据分析,让运营效率提高100倍?

 

527 如何做好数据分析,让运营效率提高100倍?

 

430 如何做好数据分析,让运营效率提高100倍?

 

337 如何做好数据分析,让运营效率提高100倍?

 

250 如何做好数据分析,让运营效率提高100倍?

 

197 如何做好数据分析,让运营效率提高100倍?

问题讨论:

1.Q:数据分析前对数据的准确性有什么好的方法评定吗?@LH

武佳:确定数据的准确性有两方面:

(1)确定统计指标是怎么定义的,他的采集方式是什么,不同的方式会对数据有不一样的影响(参见视频中邮件案例)

(2)交叉验证:如果有疑虑不要用单一的数据作分析,比如:分析一个产品的数据,pv涨的很高,我们看到这个指标就会下结论,如果我们分析其他的指标,比如uv,如果uv的涨幅和pv不成正比甚至人均pv下降了,那这个数据可能就有问题。

2.Q:老师,我想问下,比如我们是一家同城货运APP的互联网公司,因为现在大部分都是在靠钱补贴的,所以想请问老师有没有什么好的维度去监控刷单行为呢?还有一个难点就是关于留存和活跃的问题 @puple

武佳:有位做O2O的同城货运的朋友,问怎么防止刷单。这其实是很大的一个问题,我们主要从数据分析角度来讲。我觉得要回到你产品和业务的主要场景上来讲,比如这位朋友讲到说可以分析货车司机行走的轨迹。我觉得这是一个很好的视角,是从个体的角度进行分析。我觉得要防刷单,主要从两个方面看:整体宏观指标和微观指标都要进行分形,这样可能更容易做到防止刷单。

宏观指标是指某个区域或城市,如广州、佛山。这个区域,或某一类型的用户,比如司机整体在马路上跑的时间是多少,每单的接单时间、响应市场是多少等。像这样做O2O的,在线下积累一段时间后,会对这些用户的行为模型有整体的把握。再用这个模型去套用不同的用户,这样就很容易在套用过程中,发现刷单的用户了。而具体微观的行为分析,就是像刚这位朋友提到的,分析司机的行驶路径等。总体上,就是要把宏观和微观的分析都结合起来。

这是一个非常好的问题。1个月2个月还是3个月没来的用户算流失,业界没有一个标准答案。我们举一个和工作不相关的案例,如果你不在公司现场上班,如何用数据分析,员工是否流失?一般员工都会打卡上班,如果一个员工连续几天没来上班,最多请假一周。如果一个员工1-3周没来,基本可以判断员工就算流失了。主要看你的使用产品了。

不同产品使用频率是不同的。在企业中,商务人士来说,邮箱使用频率很高;普通用户来说,邮箱用来收发验证码和简历,可能基本3个月-半年登录一次。所以对于低频用户3个月没来,我们就可以定义为流失。所以总结为:

高频使用产品用户短时间没来基本就流失了,低频产品的根据产品来做判断,这是定型分析。

定量分析,取一些样本用户,1个月3个月或不同的时间周期,100个用户回来的可能性有多少。当天100个用户中60%流失,基本可以把3-4天的定义用户的流失周期。

3.Q:数据分析的表格应该是什么样子的?是每天都要录入数据还是一个星期录入一次@米兔

武佳:个人习惯是两种频率:

1.日常周期性的分析,每天第一件事就是看数据报表,对于这类日常分析,我建议每天手动填到表格中,在填表的过程中就是思考的过程,就考虑分析数据的关联性和逻辑,可以产出日报和周报

2.专题分析,目前在分析的项目,就没有固定的频率了。

4.Q:做旅游产品的品类运营,请问怎么判断一个区域的下降是因为市场原因还是产品原因,或者是推广的问题?@大叔控☞控大叔

武佳:数据分析最重要的两种办法是细分和横向的联系,我觉得这两种办法都可以在这个问题中用到。比如横向的联系,可以有两种联系的方法,一种是时间轴的联系,比如业务量的上升或者下降 ,你把这种时间轴拉长,看看有没有什么规律,比如去年同期,月末效应这种东西。还有一个就是横向的跨地域的。

我不清楚你做的旅游产品是什么,可能是景点比如像江南水乡这些,或者是乌镇或者周庄。假如周庄最近的游客人数大幅上升或者门票收入大幅上升,这样其是就可以联系周边同样性质的旅游产品,做一个横向的比较。还有一个细分就是一个数据的分析,在我们刚才的分享中已经找到各种各样的方法,在这里我们就不再重复,那总体来说就这两个方法。

5.Q:做数据分析需要具备有哪些方面的知识@木子李54680

武佳:建议大家看下ptt里推荐的书《统计陷阱》和《决策与判断》,推荐先把《统计陷阱》这本书比较简单,大概一下午可以看完,看完后可以对数据分析有一些思想上的认识你,但是仍然需要对业务的理解和洞察,没有专门的业务知识,离开业务的数据分析都是空谈,这些都蕴含在对业务的洞察之中。

6.Q:如何通过数据分析进行分析用户潜在需求?

武佳:数据分析是可以分析用户需求,但这不是数据的强项。如果要确定用户的潜在需求,我建议还是得做1对1深度访谈。可能焦点小组这种都不一定是最好的办法。还是得去和用户交朋友,去了解他的生活环境,真实的生活场景、使用场景是怎样的。

当你有一天做产品,做运营,闭上眼睛就能想到这个用户现在正在干什么。就像你回想起你的高中同桌,无论你(什么时候)打电话过去,都能猜到他现在正在干什么。能达到这样的境界,我觉得去了解用户的潜在需求就很容易了。

7.Q:数据分析这个本领,更倾向于先天获得还是后天培养?

武佳:我认为肯定是后天的培养,没有谁一开始就有这种本领。本质上和你平常思维方式有很大关系。联系和细分的思考方式不仅在业务中要用,在生活中大量练习也会有收获。

8.Q:当指标完成很好时,如何借住数据判断是指标当初定的太低,还是团队执行过程超乎预期

武佳:用联系的方法来做,要分析竞争对手做的怎样,网站app其他业务怎样是变高还是变低,和历史同期水平相比怎样。

细分的方法对你有帮助,活动的设计是对目标群体的数据有增长还是对所有群体的增长都有影响。

做活动首先数据怎么分析取决于目标的设定,目标要调动那部分用户的需求和行为,完全取决于你的目标。

9.Q:老师你好。我想问下关于你说的对于用户行为,以及用户的对象的使用高频和低频进行分析,这一块怎么去破???怎么去断定这一批用户已经流失还是休眠,还是僵尸呢?? 

武佳:你应该想问用户到底是流失还是短暂休眠,对于具体个案很难判断,每个人的行为模式差异很大,我们只能分析他回来的概率。这是一个业务经验性的分析,比如一个月左右他会回来,定量分析数据的时候可以假设几个生命周期带进去进行计算。

比如一个用户两个星期没来就流失了、三个星期没来就流失了、四个星期没来就流失了,取一百个样本放进去带入计算,如果你把用户的生命周期定位2周的时候,发现2周后90%用户的用户仍在平台上,4-5个星期90%的用户不来了,我们可以判断一个用户4个星期后再来的可能性就很小了,我们就判断用户的生命周期是4周左右。

10.Q:老师,非常感谢您的课程!请问,在对产品销量做预测时,由于受到比较多的因素影响,比如天气,促销活动等,有没有比较科学的方法,在考虑这些因素的情况下,给每个因素不同的权重,目标期望建立比较实用的模型,来预测近期的销量?希望老师指点 

武佳:做活动,首先数据分析取决于,你的目标如何设定。你的目标想调动那个人群的需要?你希望调动订单量、购买率还是转化率,关键取决于你的目标。

不倾向于建立这种复杂的、带各种权重的数据分析模型。可能跟我本身不是做数据分析的,而是做产品出身的(背景有关),我认为在互联网产品中,尤其是迭代频繁的产品中,要建立一个这样复杂的模型去预测是比较难的,因为整个商业产品和环境变化比较大。建议拆开来做分析比较好,不要建立过于庞大的数据模型。 

为您推荐

发表回复

您的电子邮箱地址不会被公开。