微信扫雷外挂下载
扫描关注微信扫雷外挂下载

手机扫描二维码

为每个人写的数据分析想法

微信扫雷外挂下载2019-11-24W80sy3 5838

原标题:每个人的数据分析想法

导言

前美国邮政部长、美国百货公司之父约翰·沃纳梅克感叹道:“我在广告上的投资有一半是无用的,但问题是我不知道是哪一半。”这种类似的感叹现在经常发生在我们周围。

小甲:项目结束后,我得到了项目数据,看看我的计划是否带来了数据增长。然而,当我面对一堆在电子表格前的数字时,我不知道从哪里开始。

学生乙:我得到了我花了很多精力的项目数据,我想验证几个计划,这些计划是我在项目中满怀期待地付诸实施的。我还比较了项目过去的数据。经过激烈的操作后,我看到整体数据有所上升,但由于影响因素太多,不清楚哪个方案发挥了作用...

我们经常遇到的是,我们不知道如何使用数据来使数据实际工作。在最后一篇文章中,“如何使用数据来指导设计?”“已经阐述了设计师看数据的价值,数据是什么,看数据时,以及数据指令设计的一些基本思路。本文将着重于数据分析的实际步骤,更具体地说,是如何进行的。

一、数据分析的六个步骤

数据分析主要分为六个步骤:构建X问题——提出假设&选择指标——数据收集与整理——数据分析——数据呈现——提出后续建议。下面将详细解释如何围绕这六个步骤完成每一步。

1.1构建X问题

本质上,数据分析的最终目标是解决问题。从不同起点获得的数据可能非常不同。因此,所有分析的开始必须首先确定需要解决的重要问题以及为什么这个问题是最重要的。这两个问题将引导我们进入构建问题的过程,这就是阐明数据分析的目的。

1)从哪里开始:

(1)有预判断类型的分析,可以从现有的战略计划开始寻找相应的定量测量方法。例如,试图通过加强相关信息(例如促销页面上的利润点)来促进用户的购买。在这种情况下,可以将“X”问题直接预设为:“强化效益信息可以提高转化率吗?”

(2)没有对判决前类别的分析(寻找问题或机会)。构建问题的起点通常是从业务角度来看的业务目标。通过指标分解、经验判断、横向比较、逻辑演绎等方法找到了有效的实施方法。例如,某个电子商务推广页面B的核心目标是“提高GMV(销量)”,而GMV=流量*转化率*客户单价,所以我们可以围绕转化率和客户单价的提高等指标寻找解决方案。

2)判断是否重要:

(1)如果存在预判问题,可以直接寻找指标来评估和验证结果是否可靠。

(2)如果没有预先判断的类别(发现问题或机会),问题解决后能给最重要的业务目标带来多少收益。例如,在上述GMV促销的案例中,发现该页面的转化率为1.8%,明显低于类似页面的4.7%的转化率,而流量和客户单价与类似页面基本相同。因此,判断转换率很可能是“GMV推广(销量)”的关键点,所以“转换率推广的关键因素是什么”可以定义为本页数据分析的一个重要问题。

展开全文

3)定义问题x:

可以用一个问题根据不同的类型来表达,如何/哪个/是否/为什么…根据经验,提炼后的常见问题包括以下几类,每一类都可以用一个X问题来描述。

(1)对于实验验证类,已经有了假设和方案。验证效果,如中航的三种策略,哪种效果更有利于提高转化率,或者策略A是否有利于提高转化率。

(2)寻找原因,看到一个现象,希望找到背后的原因,如什么原因导致跳跃率急剧上升。

(3)结果呈现类,不经预先判断呈现事实,如通过数据呈现转换和销售项目D。

(4)预测类别(Forecast category),通过寻找事物发生的规律来预测下一个可能的事件,如用户在一年内是否有及时购买美容化妆品的购买规则,美容化妆品类别的运营可以根据这个规则制定年度活动计划。

4)请注意,问题的范围不应太广:

为了得出可靠而明确的结论,有必要收集数据并将数据应用于可验证的假设。如果问题太广泛,数据收集将变得非常困难。例如:“项目D的数据效果更好吗?”在这个例子中,“是否更好”的可能方向包括新效果是否更好/销售是否更好/起飞情况是否更好...有很多方向,每个方向的探索都会让你迷失在茫茫大海中。但是不要过早限制问题的范围。开始时,你可以公开思考这个问题,并在头脑中形成一些可供选择的方向。例如,“可能带来d项更好销售的情况是1、2和3,根据初步数据,3的概率更高”,然后可以在3的方向上进一步进行分析。

1.2提出假设并选择指标

在前面的步骤中,我们已经明确了X问题,即数据分析的目标。接下来,我们将提出X问题的结论假设,并建立模型(选择测量指标)来验证假设是否成立。

1.2.1假设

对于预设假设的问题,假设它们可以直接从问题中导出。例如,方案A有助于提高转化率。对于没有实现预设的问题,我们需要围绕该问题做出详尽的假设。例如,E页的跳转率急剧下降。可能的原因有:

1)交通来源用户质量下降;

2)用户输入后,流量入口信息放错地方导致期望不一致;

3)第一屏商品选择问题;

4)第一屏幕信息设计用户无法理解/不吸引人;

5)页面加载问题等。

1.2.2根据假设,选择测量指标

不同类型的假设将被不同地测量,并且一些假设可能需要通过定性研究来验证。就电子商务的量化数据范围而言,可以参考以下想法:

1)对于流量假设,可以选择各种通道的流量相关指标,如浏览紫外/光伏和流源紫外/光伏。

2)对于销售类别的假设,可以选择订单相关指标,如订单金额、订单数量、转换率和紫外值。

3)对于用户行为的假设,可以选择与页面操作相关的指标,如点击紫外/紫外、页面点击率、曝光点击率、人均点击次数、浏览深度等。

4)假设用户群体为用户肖像数据,如性别、年龄、城市线级别、新老用户等。可以选择,同时可以结合页面操作数据进行详细的群体行为分析。

1.3数据采集和整理

数据源分为定量数据和定性数据。定性数据是更多的研究方法。本文将着重于定量数据的收集和整理。

1.3.1数据采集

各种平台的原始数据正进入指数爆炸阶段。仅从电子商务平台的角度来看,各种数据指标非常多且复杂。在收集之前的某个阶段,向数据产品或开发人员阐明以下内容至关重要:

1)数据指标的计算规则。

2)所需数据指标列表(包括相应的时间段和平台结束时间),以防止在增加数量时找不到数据或不合理的数据计算方法。

1.3.2数据整理

数据排序的第一步是数据清理。原始数据表通常包含许多脏数据,如测试数据、异常值、空位等。直接计算和分析可能导致数据结论偏差或无法计算。数据清理是将原始数据表处理成便于计算和分析的干净整洁的数据表。主要包括:

1)要删除重复数据,可以使用Excel的COUNTIF函数或过滤器排序。

2)检查数据格式。原始数据中可能有特殊格式,如不适用、# # #、性别作为数值等。你可以根据实际情况判断如何处理他们。

3)要检查异常数据,我们可以关注最小值和最大值、小数点、负数等。如果明显不符合实际情况,我们可以检查原因并选择删除或重新提取数据。

4)处理丢失的数据。在这种最常见的情况下,可接受的标准是缺失值小于10%。如果丢失的值超过10%,有必要看看是否有任何方法可以重新提取它。

5)检查数据中的逻辑错误。您可以选择要计算和检查的数据,例如,计算页面点击率=点击紫外线/浏览紫外线。如果计算出的页面点击率大于100%,可能存在数据异常,需要重新检查索引统计方法是否正确等。

1.3.3数据处理计算

数据整理后,可以进行初始数据处理。因为原始数据可能不符合我们的分析要求,例如,我们想要查看某个模块的数据,但是原始数据被分割成每个点击位的数据,所以我们需要将每个点击位的数据和其他操作相加,以将其转换成模块数据。也有一些常见的情况,其中通过使用标准的行业计算公式对一些指数进行数学计算以获得另一个指数,例如单一紫外线值=GMV/页面紫外线,订单转化率=引入的订单数/页面紫外线,人均点击次数=光伏/紫外线点击次数...通过这一操作步骤,我们可以初步看到验证假设所需的一些基本指标的数据。

1.4数据分析

完成数据后,真正的亮点——数据分析——也是黄金含量最高的一步。有一种非常基本但非常重要的方法来进行数据分析,即比较。基本上,90%以上的分析不能不进行比较。遵循2.2假设和测量指标的思路,我们有一个假设“x策略可以提高页面的转换率”,并将这个假设的测量指标定义为“页面转换率”。当我们得到页面转换率指数时,需要达到多少转换率?是因为X战略带来的晋升,还是时间的自然增长?这时可以通过比较来分析。

1)垂直比率:在时间维度上,使用了X策略后,比较页面A的转化率增加了吗?

2)水平比率:选择同一时期的同一页-b页,水平比较旧a页、新a页和新b页的转化率。

3)与经验值相比:可以拉得更长一段时间,看看A页的转化率变化规律,看看X策略是否高于时间规律上的期望值;您可以选择更相似的页面,并比较同一时期的转换率,以查看A的转换率。

4)与业务目标的比较:如果大的业务目标实际上是GMV 2000瓦,在页面浏览的紫外线和紫外线值稳定的情况下,计算页面浏览的目标转化率=目标GMV/紫外线/紫外线值,然后比较目标转化率和当前转化率之间的差异。

各种角度的比较可以帮助你更清楚地了解指标的现状,然后你可以据此继续制定下一个计划~

二。[系列预测/s2/]

由于一篇文章篇幅的限制,本文只介绍了六个步骤中的前三个步骤,并简要抛弃了一些基本的分析思路。以下系列文章将对最后三个步骤进行更详细的介绍——数据分析、数据展示和后续建议。

参考[/s2/]

张文林、刘夏禄和宋涤,“谁说菜鸟不能做数据分析?”电子工业出版社

托马斯·达文波特;(美国)金镇浩《成为数据分析师》,浙江人民出版社

美国米尔顿电子工业出版社返回搜狐了解更多信息

负责任的编辑:

发表评论