导图社区 产品经理必备-数据分析
数据分析的总体思路 数据分析的主要思路有两个: 一个基于用户的使用路径,包括用户的操作(点击。 返回、退出)、流失(如:注册流程增加一个跳转,用户的流失率)、停留时间(例如用户在淘宝某个商品的浏览时间);
编辑于2022-09-10 15:34:59 广东增长黑客,英文「Growth Hacking」,指的是创业型团队在数据分析基础上,利用产品或技术手段来获取自发增长的运营手段。说通俗一点,一家初创公司或者大中型公司内部针对新产品线而诞生的创业型团队,以数据驱动营销,以市场指导产品,通过低成本的手段解决公司产品早期增长问题。
PRD(Product Requirement Document)产品需求文档。是产品三大文档中使用最频繁,最重要的文档。对于任何一个产品经理来说都不会陌生的一个文档。 PRD(这里的PRD是指产品需求的表达传递的能力而不是单单指写PRD文档)可以衡量一个产品经理的逻辑思维与整体产品思维,也可以看出一个产品经理在某个领域的专业性。
原型制作是产品经理必会的技能之一。原型制作是产品经理、交互设计师、开发工程师沟通的最好工具。而该块的设计在原则上必须是交互设计师的产物,交互设计以用户为中心的理念会贯穿整个产品。利用交互设计师专业的眼光与经验直接导致该产品的可用性。
社区模板帮助中心,点此进入>>
增长黑客,英文「Growth Hacking」,指的是创业型团队在数据分析基础上,利用产品或技术手段来获取自发增长的运营手段。说通俗一点,一家初创公司或者大中型公司内部针对新产品线而诞生的创业型团队,以数据驱动营销,以市场指导产品,通过低成本的手段解决公司产品早期增长问题。
PRD(Product Requirement Document)产品需求文档。是产品三大文档中使用最频繁,最重要的文档。对于任何一个产品经理来说都不会陌生的一个文档。 PRD(这里的PRD是指产品需求的表达传递的能力而不是单单指写PRD文档)可以衡量一个产品经理的逻辑思维与整体产品思维,也可以看出一个产品经理在某个领域的专业性。
原型制作是产品经理必会的技能之一。原型制作是产品经理、交互设计师、开发工程师沟通的最好工具。而该块的设计在原则上必须是交互设计师的产物,交互设计以用户为中心的理念会贯穿整个产品。利用交互设计师专业的眼光与经验直接导致该产品的可用性。
产品经理必备-数据分析
1.数据分析进化论
后视镜时代
还有这事
数据发生了什么
举例
公司上周投放了新的渠道A的广告,想要比对一周下来新渠道 A 比现有渠道 B 情况如何?A、B 各自带来了了多少流量,转化效果如何
新上线的产品有多少用户喜欢新用户流中完成注册的人数有多少
关我啥事
为什么发生
举例
如果看到了渠道 A 为什么比渠道B 带来更多的流量这时候我们就要结合商业来进一步判断这种现象的原因。比如,A渠道质量更好,投放的物料更好新上线的产品有用户喜欢的量很大
要来拆解新产品中哪些关键要素是用户喜欢的点,想办法做复制
会出啥事
什么将会发生
预测未来会发生的结果
举例
当我们理解了渠道 A、B 带来流量的高低,就根据以往的知识预测未来会发生什么。在投放渠道 C、D 的时候,猜测渠道 C 比渠道 D 好
当上线新的注册流程新的优化,可以知道哪一个节点比较容易出问题;也知道用户喜欢什么
概要
试错,不是为了一直试下去,是找到确定性
该干啥事
怎样达到最好的商业决策
通过数据分析带来的确定性筹码指导后续应该做什么的判断
在ICE中,增大和校正自信程度在产品设计中,提炼新的需求观点
2.不同阶段数据分析定位
初创期
关键数据
目标用户画像
来源
第三方检测SDK
留存率
维度多样
次日
7日
双周
30日
……
依据产品特征来选择,若产品本身满足的是小众低频需求,留存率则宜选择双周甚至是30日
社交类产品、内容类产品7日
工具类产品分析实际情况
案例
某款健身应用APP,前期新用户次日留存处于业界平均
用户画像女性用户明显高于男性用户,且女性用户留存明显高
产品策略
向女性用户倾斜,主攻女性健身、美容
激发女性来吸引男性
老师建议改方案慎用,要仔细考虑以下几点
女性使用该产品的心智模型是什么
希不希望里边有异性沟通的需求
对于有健身需求的女性如果被男性关注,对自己有没有获利性
结果
次日留存比之前提高100%
初创期的重点在于验证产品的核心价值
成长期
用户的信息流和数据流图
关注的数据
用户生命周期管理
新用户
欢迎页跳出率
新用户注册率
新用户引导流程转化率
初始看到Feed页跳出率
搜索结果转化率
推送权限开通率
旁观者
平均每个用户关注板块数
平均每个用户关注其他用户数
平均每个活跃用户赞/分享数
Feed卡片展示数
Feed卡片点击数
订阅内容推送点击率
生产者
平均每个活跃用户发帖数
平均每个活跃用户发照片、视频数
平均每个用户在论坛内使用时长
活跃用户在论坛内行为分布
病毒性
留存率
用户质量/用户渠道
新用户的增长和激活
病毒传播分类
原生病毒性
通过APP本身的邀请好友等产品本身的功能通道而传播,是产品最应该关注的
口碑病毒性
已经建立品牌,客户知道影响力,主动搜索的行为,直接访问率是关键要素
有些产品太好,客户会不愿意分享,例如,B站、一罐,这种因素客观存在,但是产品经理要考虑如何实际中避免这些因素,从一开始就要引导用户,让大家都知道,考虑如何打造品牌
人工病毒性
比如,有奖邀请等激励手段鼓励用户
成熟期
Daily net Change
新增用户:当天有多少新用户加入
回流用户:多少老用户连续28天没有使用,今天又开始使用
流失用户:有多少已有用户刚好最后一次使用应用是在28天前
Net Change = 新增用户 + 回流用户 - 流失用户
专项数据提升
转化率
购物车
订阅量
ROI
数据分析的基本思路
挖掘业务
制定计划
拆分数据
提炼洞察
产出决策
衰退期
例如:微博的“绿洲”
规模化
如果服务相同,而用户不同,可以扩展规模,使得服务规模进一步拉大,扩展用户群的定位,扩招用户群的规模
生态化
把一部分自己正在做的事情,嵌入到别的生态体系之中,使得自己的成本更低
某种意义上讲,大公司做的业务是小公司的风口,把自己的业务嵌入到别人的平台上
自己成为生态,减掉部分已有的成本,使得更加多的上下游的公司通过合作的方式进来,从而给别人导流,再通过投资等方法形成自己的生态模式
3.EOI框架
Empower助力
核心任务:被证明的商业模式
Optimize优化
战略性任务:未来战略核心,天王山
Innovate创新
风险任务:高风险高收益
举例
以爱奇艺为例
核心任务
用户获取->视频播放->广告收益
助力(E),提高效率渠道效率、用户内容发现、vv、vt、dau、广告曝光量、点击率
战略性任务
未来战略核心,天王山
优化(O),如何能够辅助战略型任务找到方向和盈利点寻找适合的渠道、寻找会员业务规律、发现会员业务AHA moment、确定定价策略
风险任务
泡泡
创新(I),努力验证创新项目的重要性寻找关键要素、用户画像、mvp
4.数据分析的8种方法
数字和趋势
维度分解
用户分群
转化漏斗
从开始到结尾,整体的转化效率是多少?
每一步的转化率是多少?
哪一步流失最多,原因在什么地方?流失的用户符合哪些特征?
行为轨迹
留存分析
ABtest
数学建模
数据分析的方法与工具
数据分析工具
领域
数据采集
数据清理
数据可视化
统计分析
网站流量分析
用户行为分析
工具
Python、Java、Google analytics、GrowingIO等
Hadoop、Hive、SQL、Excel等
Tableau、Echart、Excel、PPT等
R、Python、SAS、SPSS、Matlab、Excel等
Google analytics、百度统计等
GrowingIO、Mixpanel、Kissmetrics等
5.寻找AHA moment
举例
Facebook:新用户有6个好友留存率大幅提高
Twitter :用户之间互相关注
Zynga :次日留存
Dropbox :上传一个文件
定义
要找到用户爱上你的那一刻,然后把那一刻复制成规模
寻找AHA moment
前提:已经拥有了一部分符合要求的种子用户
如果完全没有,需要的PMF,而不是AHA
数据需要从已经AHA的用户中挖掘
寻找方式
寻找差异
寻找最大差异
从均值看是否充分必要
收敛条件
验证
通过A/B test 验证是否提高了这些数据就能达成效果
防止有些数据不是原因而是结果
6.数据可视化之美
常见的数据图表和使用场景
趋势:折线图
复合趋势:条形图
份额:饼图
多维比较:雷达图
数据可规化技巧和注意事项
内容大于形式
颜色不宜太花
给人看的
7.如何撰写汇报
以理服人
有理有据
有数有据
案例
建议大家关注流量的现象级产品,符合用户的需求
关于:朱一旦的枯燥生活
回复邮件
禁“可能、大概、似乎”等模棱两可的词
禁“感觉”等词
表不如图,图更直观
有图、有结论、有证据、有预测
8.数据清洗
对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性
为什么要做数据清洗
抓取的原始数据大概率是“脏数据”
理解数据集
数据集多少数据?
包含了什么字段?字段格式是什么?
字段分别代表什么意义
字段之间的关系是什么?可以用做什么分析?或者说能否满足了对分析的要求?
有没有缺失值;如果有的话,缺失值多不多?
现有数据里面有没有脏数据?
尤其需要注意人工输入的数据,经常会出现名称写错,多输入空格等等的情况
数据清洗的步骤
调整数据类型
由于一开始用到了str来导入,打算后期再更换格式,需要调整数据类型
修改列名
该数据的名称不易于理解,需要改列名
选择部分子集
因为有部分列在数据分析中不需要用到
可能存在逻辑问题需要筛选
比如Unit Price为负
格式一致化
Description可能会存在有标点符号掺杂/大小写不一致/空格重复出现等问题
消灭空值
CustomerID、Description、Country和UnitPrice都出现了NaN值,需要去掉
技巧
用默认值填充
以同一指标的计算结果(均值、中位数、众数等)填充缺失值
用相邻的值进行填充
以不同指标的计算结果填充缺失值
其他技巧
转化时间戳格式
字符串连接
正则表达式清洗
转换数据类型
异常值处理
总结
本节课方法论数量4,案例数量5
方法论
数据分析进化论
五个时期数据分析定位
EOI框架
八种数据分析方法
数字和趋势
维度分解
用户分群
转化漏斗
行为轨迹
留存分析
ABtest
数学建模
AHA moment寻找方式
数据清洗方式
案例
渠道数据分析案例
健身APP画像案例
专项数据提升案例
爱奇艺会员EOI分析案例
短视频AHA moment寻找方式
数据汇报情景剧案例
推荐书籍
高老师19年书单