业务场景中常用的数据分析方法.docx

业务场景中常用的数据分析方法1 漏斗分析漏斗分析可以很好地量化产品各环节的转化率，而且适用的产品类型 很多此方法主要是将产品的重要环节抽象出来， 计算每个环节的用户量, 最后做出一个形如漏斗的图形下图例举了一个APP投放的漏斗模型，我们可以计算出每个环节到下 一个环节的转化率，直观地看到用户在各层的流失情况广告点击APP激活留存广告展现如果广告点击率差，那么就想办法优化广告文案；如果APP激活差，则 需要优化APP下载流程；如果用户留存差，则需要提高产品质量如此一 来，就可以把握优化的重点我们在每次迭代方案后，用同样的漏斗图进行 前后对比，可以很清楚地看到改动的效果如果每层的转化率都非常好，但 用户量还不上升，这个图仍然很有用，你可以拿着这张图，去说服金主出钱， 加大广告投入2留存分析如果产品留存低，再大的用户量也将是昙花一现这里介绍用户生命周 期留存图，此数据可以很快地看到产品的粘性表现， 并且能预估出后期的用 户量下图展示两个产品的留存率样例：◎©0产品i产品2我们可以看到，两个产品的留存率在次日时相当，而一周后，产品1的 留存率开始稳定，产品2的留存率却一直下降这也是为什么我们经常会看 次日留存、第7日留存、第30日留存，通过留存折线图的3个采点，来抽 象地描绘留存变化。

由于日活二留存X新增所以我们还可以根据已有的留存率和计划的新 增量来预估后期的日活量产品1如上图所示：有了预估的日活量，不仅能科学地设置目标，而且可以作 为参考值，来监测用户量的异常变化3拆解分析在我做过的分析中，有一个项目的数据变化非常异常，难以解释遇到 这种问题，首先就会想到按维度拆解，我们经过各维度的变化拆解后，发现 有一个省的流量出现问题，导致整体数据异常在分析一些数据时，按分维度拆解的方法简单且奏效常用的维度有地 域、渠道、画像、活跃度等有时，复杂的问题往往需要多维度交叉去拆解 分析A省正常整体异常B省正常C省异常D省正常4 微观分析上面介绍的都是较为抽象的宏观的分析 在具体的产品迭代中，往往会 遇到一些具象的产品细节分析我们需要设计一些衡量指标，来刻画收益量、 佐证变化原因上I讦三口童谊-力阡氏F莊线;匕丈■在去冃I扛..v/anniHi'.r.n.L； 12二四5施Q2930311234nj—ina567a91011祀五■bM1211斗Q15中m5F m1819202122Mi24药二专ft-pt： if廿巨262728 廿儿2930*1 »220帕年SM13H星朗二两申撷年八自十=.星埋：处如5坤娶.蚪采.祭祀馬球.…更肉中秋节还+12天障甌齐痕展洋战木.…二泊、阳内听即衣曲历：［忙年为一亍曰归此产品设计是为了节省用户成本，将原来需要点击进入才能看到的农 历信息提取到搜索结果页。

我们设想这样可以让用户即搜即得，但不知道这 样做用户是否买账我们设计了一些指标，发现新的改动上线后，用户搜完“日历”后，有 更多人继续搜“农历”、“黄道吉日”等；同时，也看到其他位置自然结果 的点击变少根据这两个指标，猜测到用户由于某些原因看不到下方的农历 信息按照这个思路排查问题后，我们发现小屏上的农历信息居然超出 了屏幕按照存在的问题，产品团队改进了一版设计，效果非常好，也印证 了我们的思路是正确的5疑难杂症有时候，数据往往和预期相反，按常用方法分析后也往往得不到结果 这是最头疼的地方，也是非常有挑战的事情我们需要大胆猜测， 并用数据 去论证这里介绍一个数据简化后的异常分析例子标，表现出负相关的结果，不知道该相信哪一个指标VV2霧20%10S\ —次曰留存第了曰留存经过分析，发现次日留存会周期性减少，而上线的时间点恰好赶上了正常周期下降次日留存正如两个波的叠加，周期波的下降幅度要大于收益波 的上升量，总体表现出下降的趋势，但没有之前下降的厉害，所以新上线会 带来两个指标上升这里简化了数据，看起来一目了然真实数据往往会是 各种波叠加后的结果，找起规律来并不那么简单。