理清你的数据分析思路

美国前邮政部长，美国百货公司之父，约翰·华纳梅克（JohnWanamaker）感叹到：「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身边。小A：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，但面对一堆Excel表中的一堆密集数字，我不知道从哪里开始。。。小B：我得到了我花了很多精力投入的项目数据，并期待着验证我在项目中推广的几个计划，并找到了项目过去的数据进行比较。经过一次操作，看到整体数据上升，但由于影响因素很多，不可能知道哪些方案有效..我们经常遇到的情况是不知道如何使用数据，这样数据才能带来实际效果。本文将更详细地讨论如何围绕实际的数据分析步骤进行。本文将更详细地讨论如何围绕实际的数据分析步骤进行。数据分析的六步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–采集和整理数据–数据分析–数据呈现–提出后续建议。下面将详细解释每一步是如何围绕这六个步骤进行的。从本质上讲，数据分析的最终目的是解决问题。从不同的出发点获得的数据结果可能会非常不同。因此，在所有分析的开始时，我们必须首先确定要解决的重要问题是什么，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，即明确数据分析的目的。从预测分析开始，可以从现有的战略方案出发，找到相应的定量衡量方法。例如，试图通过加强促销a页利益点等相关信息来促进用户的购买，可以直接预设X问题：「加强利益信息能否提高转化率？」。对无预测类别（发现问题或机会）的分析往往是从业务角度构建问题的起点，通过指标拆解、经验判断、水平比较、逻辑推导等方式找到有效的实现方法。例如，电子商务推广页面B的核心目标是「提高GMV(销售额)」，GMV=流量×转化率×客户单价可以围绕提高转化率、客户单价等指标寻找解决方案。判断预测问题是否重要，可以直接找到指标评估验证结果是否可靠。如果没有预测(发现问题或机会)，可以通过评估解决问题，对最重要的商业目标会带来多大的好处。例如，在上述改进GMV的案例中，通过横向比较同类页面的数据，发现该页面的转化率为1.8%，明显低于同类页面的4.7%，流量和客户单价与同类页面基本相同。因此，很可能判断转化率「提高GMV(销售额)」因此，可以定义关键点「提高转化率的关键因素是什么？」因此，页面数据分析的重要问题。X问题的定义可以用不同类型的问句来表达，如何/哪种/是否/原因是什么等等。根据经验，细化后的常见问题有以下几类，每一类都可以用一个X问题来描述。实验验证类，已有假设和方案，待验证效果如A\B\C三种策略，哪种效果更有利于提高转化率或策略A是否有助于提高转化率；寻找原因类，看到某种现象，希望找到背后的原因，比如跳失率急剧上升的原因是什么；结果呈现类，无预测呈现事实，如通过数据呈现项目D的转化和销售；预测类，通过寻找事情发生的规律，预测接下来可能发生的事件，如用户在一年内购买美容产品是否有时间购买规则，美容类别的运营可以根据这一规则制定年度活动计划。注意问题的范围不能太广。注意问题的范围不应该太广。通常需要收集数据并将数据应用到可检验的假设中，才能得出可靠明确的结论。如果问题太宽泛，数据收集就会变得非常困难。举个反例：「项目D的数据效果是否有所改善？」，在这个例子中，「是否有变好」可能的方向有很多方向，比如拉新效果是否好/销售是否好/跳失情况是否好。每个方向的探索都会让你的分析进入无边的大海，迷失方向。但是，不要过早地限制问题的范围。一开始，你可以开放地思考问题，在脑海中形成一些可选的方向。例如，「D项目的销售可能会变得更好。1.、2、3.从初步数据来看，3的可能性更高」，然后就可以深入分析3的方向了。2.假设在上一步中，我们已经明确了X问题，即数据分析的目标。接下来，我们将围绕X问题提出结论假设，并建立模型（选择测量指标）来验证假设是否成立。假设有预设的问题，假设可以直接来自问题，比如方案A有助于提高转化率。对于未实现预设的问题，我们需要围绕问题进行可能的假设。例如，页面E的跳失率急剧下降，可能是由于流量来源用户质量差；流量入口信息错误，导致用户进入后期望不一致；第一屏产品选择问题；第一屏信息设计用户无法理解/无吸引力；页面加载问题等。根据假设，选择不同类型的测量指标，测量方法会有所不同，有些假设可能需要定性研究来验证。从电子商务定量数据的范围来看，可以参考以下思路:对于流量的假设，可以选择流量相关指标，如浏览UV/PV、UV//各渠道流量来源PV；对于销售假设，可以选择与订单相关的指标，如引入订单金额、引入订单数量、转换率、UV价值等；对于用户行为的假设，可以选择页面操作的相关指标，点击UV/例如点击UV/PV、页面点击率、曝光点击率、人均点击次数、浏览深度等。；对于用户组的假设，可以选择性别、年龄、城市级、新老用户等用户肖像数据，并结合页面操作数据对人群行为进行详细分析。3.数据收集和整理数据源分为定量数据和定性数据。定性数据更倾向于研究方法。本文将重点关注定量数据的收集和整理。3.数据收集和整理数据源分为定量数据和定性数据。定性数据更倾向于研究方法。本文将重点关注定量数据的收集和整理。各平台的原始数据采集正进入指数级爆炸阶段。仅从电子商务平台的角度来看，各种数据指标都非常复杂。在收集前的一个阶段，有必要与数据产品或开发人员明确：数据指标的计算规则和所需的数据指标列表（包括相应的时间段和平台端），以防止结果发现没有数据或数据计算方法不合理。数据整理的第一步是数据清理。原始数据表通常含有大量的脏数据，如测试数据、异常值、空缺等。直接用于计算和分析可能导致数据结论偏差或无法计算。数据清洗是将原始数据表处理成干净整洁的数据表，便于计算和分析。主要包括:通过ExcelCOUNTIF函数或筛选排序删除重复数据；检查数据格式，原始数据中可能有N/等特殊格式A、####、性别为数值，可根据实际情况判断如何处理；检查异常数据，可重点关注极小值和极大值、小数点、负数等，明显不符合实际情况，可调查原因，选择删除或重新提取数据；在最常见的情况下处理缺失数据。一般来说，可接受的标准是缺失值小于10%。如果超过，需要酌情查看是否有办法重新提取；如果检查数据逻辑错误，可以抽样选择数据进行计算和检查。如果计算页面点击率=点击UV/页面浏览UV，如果计算页面点击率大于100%，则可能存在数据异常，有必要重新检查指标的统计方法是否正确等。数据加工计算数据整理完成后，可以进行初始数据加工。数据处理计算数据完成后，可以进行初始数据处理。因为原始数据可能不满足我们的分析需求，例如，我们想看到一个模块的数据，但原始数据被拆分为每个点击位的数据，所以我们需要找到每个点击位的数据并将其转换为模块数据。还有一些常见的情况是利用标准的行业计算公式，数学计算某些指标，如订单UV价值=GMV/页面UV、订单转换率=引入订单数/页面UV、人均点击次数=点击PV/点击UV等。通过这一步的操作，我们将能够初步看到一些需要验证假设的基本指标的数据。4.数据分析数据整理后，是真正的亮点——数据分析，也是含金量最高的一步。做数据分析有一个非常基本但极其重要的想法，那就是对比，基本上90%以上的分析离不开对比。沿着假设和衡量指标的思路，我们有一个假设「X策略可以提高A页的转化率」，并将此假设的衡量指标定义为「页面转化率」，当我们得到页面转化率指标时，转化率需要达到多少？是X策略带来的改进，还是时间规律自然上升？这个时候可以通过对比来分析。纵比:在时间维度上，使用X策略后，页面转化率是否提高？横比:选择同时期的同类页面-页面B，横向对比老页面A、新页面A、对比B三页的转化率。与经验值相比：您可以选择更长的时间段，查看A页面的转化率变化规律，查看X策略是否高于时间规律的预期值；您可以选择更多类似的页面，选择同一时期的转化率比较，查看A的转化率在哪里？与业务目标相比：如果大的业务目标实际上是GMV2000w，计算目标转化率=目标GMV/页面浏览UV/UV价值，然后比较目标转化与当前转化之间的差距。各个角度的比较可以帮助你更清楚地了解当前的指标，然后你可以继续制定下一个计划。由于单篇文章篇幅的限制，本文只介绍了六步曲的前三步，并简要抛出了一些基本的分析思路。后续系列文章将更详细地介绍数据分析、数据呈现和后续建议。附上一篇详细的数据术语科普，新手可以先看这篇文章: