在上一篇文章《寫給大家看的數據分析思路（一）》中，着重介紹了數據分析 6 步的前 3 步：構建 X 問題、提出假設 & 選擇指標、數據採集與整理，這 3 步如果沒有足夠的數據處理經驗，可能會耗費整個數據分析 60%-70% 的時間，但下面一個環節──數據分析，雖然耗時不如準備階段那麼多，卻是所有環節中專業門檻最高、含金量最高的環節。本文將會介紹數據分析的基礎工具，以及幾種在產品設計分析上非常有用的數據模型。

往期回顧：

閱讀文章 >>

必知的基礎數據分析工具

1. 常規統計分析

從後台獲取的原始數據往往是獨立的一條條數據，我們必不可少需要進行基礎的數理計算，包括但不限於求和、算平均數、比率、計數、最大最小值等。如：訂單轉化率由引入訂單數/頁面 UV 而來，客單價由總引入訂單金額/引入訂單數而來等等。

除此之外，常用的統計學方法還有：

• 結構分析，如男女用戶佔比；
• 分佈分析，如品類訂單金額分佈；
• 分組（群）分析，如分流失用戶和活躍用戶 2 類人群進行用戶特徵分析、分地區進行訂單分析、分品類進行購買頻次分析。

2. 對比分析

對比分析在上一篇文章中已提到過，基本上 90% 以上的分析都離不開對比。沿着提出假設及對應的衡量指標的思路，我們有了一個假設「X 策略可以提升 A 頁面的賣貨效果」，且定義此假設的衡量指標為「頁面轉化率」，當我們拿到頁面轉化率指標后，轉化率需要達到多少才算好呢？是否是因為 X 策略帶來的提升，還是可能是時間規律上的自然上漲？這時就可以通過對比來分析了。

• 縱比：在時間維度上，對比頁面 A 在使用 X 策略后，頁面轉化率是否提升了？
• 橫比：選取同時期的同類頁面，頁面 B，橫向對比老頁面 A、新頁面 A、B 三個頁面的轉化率對比情況。
• 與經驗值對比：可以拉取更長的時間段，看 A 頁面的轉化率變化規律，看使用 X 策略是否高於時間規律上的預期值；可以選取更多同類頁面，選取同時期的轉化率對比，看 A 的轉化率處於哪個位置？
• 與業務目標對比：假如大的業務目標其實是 GMV 為 2000w，計算目標轉化率=目標 GMV/（UV×客單價），然後對比目標轉化率和目前轉化率的差距。

各個角度的對比都能幫助你更清晰地理解目前指標的情況，然後就可以據此繼續做下一步計劃。

3. 趨勢分析

數據趨勢分析，一般會選取一個較長的時間段來看數值的起伏變化趨勢。看趨勢有什麼用呢？在電商場景下，最常見的運用是做流量和交易情況實時監控，在產品、運營均未做大幅改變時，數據一般會呈現在一個數據區間內，表現出相對穩定的變化規律。可以根據此規律做數據預警和適應性運營策略。

數據預警：當某天的數據趨勢線出現明顯異常的變化時，就需要引起項目組的警惕，去排查變化原因並及時作出應對策略。如某頁面 UV 突然大幅下降，可能是商品配置出現問題或者頁面出現 BUG 導致。

△ 流量趨勢線在11.7忽然下降，可能異常

適應性運營策略：某服飾類的頻道，歷史呈現出的規律是工作日流量相對較高，到周末則會出現明顯的下降。當運營想要在此頻道推出一個女裝主題的促銷活動時，就可依據此規律選取工作日為活動上線時間。

△ 流量趨勢線規律性的在周末下降

4. 交叉分析

交叉分析可用於兩個或兩個以上的變量關係分析。在電商活動場景中，將交叉分析+趨勢分析結合起來，也是一個比較有用的分析角度。比如最常用的，將流量 UV+轉化率，放到時間趨勢裏面去，就可找到投入產出高和低的活動日.轉化高但流量低的日期，流量的投入產出高，可以引入更多的流量；而流量高轉化低的日期，投入產出低，需要尋找問題優化售賣策略。比如，下圖為頁面點擊率和轉化率間的數據曲線，則可發現點擊率與轉化率變化趨勢基本保持一致。

△ 頁面點擊率（上）和頁面轉化率（下）

也可加入第三個變量，在前面的例子中，再加上 UV 的屬性，可發現看出 3 者的變化規律。

△ UV、點擊率、轉化率3個指標交叉

有用的數據模型

1. 價值矩陣分析法：通過數據找到最有價值的方向

對比分析往往只是在單一維度上進行價值對比，直接得出誰高誰低。但在實際情況中，就跟做人才選拔一樣，既需要看成績也需要看潛力，衡量的維度往往會有多個。在企業眾多的業務線/產品的眾多功能模塊中，哪些值得加大資源投入、哪些應該及早放棄，才能使企業的資源得到最大化的運用呢？

價值矩陣分析法就可以用於綜合衡量多個因素的價值，輔助決策在哪些因素可以加大投入。放到企業決策中，可以判斷業務的價值高低；放到頁面模塊或產品功能模塊的場景中，可以用於判斷功能/模塊的價值；放到渠道質量評估中，可以用於評估多個渠道的用戶質量。

我們以功能模塊價值評估為例來詳細介紹如何使用價值矩陣分析法。在電商賣貨的頁面中，有 A、B、C、D、E、F、G、H，8個功能模塊。首先，需要選取我們最關注的衡量指標，在電商賣貨的頁面中，按經驗往往會關注的模塊角度有：

• 訪問用戶中有多少人點了此模塊（點擊 UV 佔比）；
• 點了的人又有多少人最終購買了（點擊轉化率）。

所以可以據此建立橫縱為點擊 UV 佔比，縱軸為點擊轉化率的矩陣，用以評估功能模塊的價值，具體見下圖。

△ 模塊價值矩陣分析

矩陣中，右上的模塊點擊多轉化高，這裏為「PMF 區（需求契合點）」，最符合用戶購買需求，功能價值最高，可以固化保留、

右下的模塊點擊少但轉化高，這裏為「潛力區」，可能是還沒被用戶注意到，可以嘗試強化吸引更多用戶點擊，有可能能帶來大幅的增長、

左上的模塊點擊多轉化低，這裏為「需求未滿足區」，即用戶對這些內容有需求但還無法讓用戶下購買決策，需要解決此路徑阻攔用戶購買的障礙因素、

左下的模塊點擊少轉化低，這裏為「廢棄區」，各方面價值都不高，可以考慮砍掉了。

小結一下，價值矩陣的主要使用步驟為：

• 有多個需要衡量的因素；
• 明確衡量這些因素最關鍵的 2 個指標；
• 以這 2 個指標為橫縱軸，並將每個因素放到矩陣中去；
• 對 4 個象限的因素提出下一步的解決方案。

2. 目標驗證模型OSM：通過數據驗證策略有效性

OSM（Objective 目標 – Strategy 策略 – Measurement 衡量）思路是所有做數據驅動項目中必不可少的一個思路，即：明確增長目標 – 圍繞達成目標而採取的策略 – 使用具體的數據指標衡量策略是否有效/目標的達成情況。

明確增長目標（Objective）

根據產品增長生命周期所在階段確定。

• MVP 階段：最小可行性產品期，進行最小化增長試驗，尋找 PMF 功能。
• 產品和市場匹配階段：提升用戶黏性（使用頻次）和用戶體驗。
• 快速擴張階段：推廣渠道和產品的匹配，對高質量的渠道進行大規模的資源投入。
• 成熟期：探索新的增長機會和方向，如國際化等。

△ 產品生命周期

根據價值矩陣分析法確定。在前面已詳細講解過，可以用於業務線、產品功能、渠道質量等的價值綜合評估，從而確立目標（橫縱軸指標結合大的業務 KPI 來確定）。

當然，還有一種更加普遍的做法：直接從業務/項目的關鍵 KPI 得來。（往往是已經非常成熟的業務模式）

圍繞目標制定增長策略（Strategy）

先進行目標拆解：3 種拆解方法。

杜邦指標拆解：杜邦分析法（DuPont Analysis）是利用幾種主要的財務比率之間的關係來綜合地分析企業的財務狀況。具體來說，它是一種用來評價公司盈利能力和股東權益回報水平，從財務角度評價企業績效的一種經典方法。其基本思想是將企業凈資產收益率逐級分解為多項財務比率乘積，這樣有助於深入分析比較企業經營業績。

△ 金融領域的杜邦拆解法（來源於百度圖片）

放到互聯網/電商產品分析中，也是同理，即將目標指標進行一級一級拆解，每一個細化的指標都可以提出相應的具體增長策略出來：

• 總銷售額 GMV = 訂單數 × 客單價
• 訂單數 = 訪問 UV × 訂單轉化率
• 訪問 UV = 新用戶 UV + 老用戶 UV
• 新用戶 UV = 渠道投放入口曝光 UV × 曝光點擊率 CTR

△ 電商場景下的杜邦拆解圖

AARRR 用戶增長模型拆解：此模型在各大網站中已經被反覆提到，主要是用於用戶增長語境下。放到電商語境下進行拆分，則可從拉新 Acquisition> 激活 Activation> 轉化 Revenue> 留存 Retention> 推薦 Refer，5 大完整的閉環流程中分階段發力去挖掘用戶增長的機會點，每個環節都可以作為不同業務部門負責的增長目標。

△ AARRR電商語境下的增長模型

漏斗路徑拆解：漏斗模型也是一個比較常規的拆解模型，一般可按照流程的先後順序，從目標流程中的起點（如打開頁面），一直到最後目標完成（如支付成功）。整個過程中，依據每個環節的到達量和流失率，來評估每個環節的好壞。據此來找到當前需要重點發力去提升的環節，最終達到目標值的增長。

衡量拆解后的目標：使用 ROI（投入-產出）決策框架確定細化增長方向。

當我們拆解之後，會發現有很多個增長選項，但資源有限，如何選擇一個最優的增長方向投入資源呢，這時候就可以使用 ROI 決策框架進行優先級判斷，將資源聚集在投入產出比最高的目標方向上。

建立橫軸為投入，縱軸為產出的 9 個矩陣，1-9 個區域依次代表項目的優先級，1 為投入產出最高，9 為投入產出最低。

△ 用ROI決策矩陣衡量投入產出

圍繞小目標發散具體策略：到達此步時，已經完成了由大目標到多個小目標了，接下來，就可以圍繞小目標進行解決方案的發散，組織頭腦風暴會議、思維導圖列舉等都是可行的方法。

選擇具體的衡量指標（Measurement）

很多情況下，衡量指標可以直接從細化的小目標得來，比如用杜邦拆解來的直接就已經是「廣告入口的曝光點擊 CTR」之類具體的衡量指標了。

但還有一些場景，目標並不是具體的指標，我們就需要將目標轉化為指標，這時候可以用到現象-指標關聯法：具體的做法是將我們期望出現的「現象」描述出來，然後轉化為「指標」。假設有一個目標是「提升頁面內容對用戶的吸引力」轉化過來，其實就是讓用戶看更多內容，具體的指標就對應了用戶的瀏覽頁面深度，以及在頁面中的停留時長。

在選擇數據指標的時候，可以參考定義衡量指標的 SMART 原則：

• Specific 具體的
• Measurable 可衡量的
• Attainable 可達成的
• Relevant 和大目標相關的
• Time Bound 時效型

最後一步就是進行結果衡量了，這一步可以回到前面的數據採集和整體的過程，然後選擇合適的對比對象進行對比，最終衡量目標的完成度，以及每個細化策略的有效性，得出最終數據結論。

參考資料

• [1]《首席增長官》張溪夢 · 机械工業出版社
• [2] 《在產品迭代中，如何用數據驅動用戶增長？》

未经-摩登3注册-摩登3测速官网-允许不得转载：摩登3注册-摩登3测速官网 » 無極五登錄網站_京東出品！寫給大家看的數據分析思路（二）