回答·9
最热
最新
- 1、基本的数据分析方法 以业务为核心的数据分析应该以业务场景为起点，业务决策为落点，这也是比较通用的一种方法，很多场景下都可以使用以下五个步骤进行推论。 书中提到了五个基本步骤——挖掘业务含义-制定分析计划-拆分查询数据-提炼业务洞察-产出商业决策。 2、内外因素分解法 这个方法的场景是用于找到影响北极星指标的因素，也就是从两个维度进行区分（内部因素+外部因素、可控因素+不可控因素），将影响因子分为四个类别。 这本质上就是一种穷举，这种方法的最大弊端是容易漏，不论分析者是一个人还是一个团队，基本不可避免的会有遗漏。当然好处是，从四个区间对影响因子进行区分，能够比较直观的进行分析，从而以自己可控的方式进行对症下药。 3、DOSS 思路 具体问题（Detailed Question） 整体影响（Overall Influence） 单一回答（Single Answer） 规模化方案（Scaled Solution） 二、数据分析的 8 个方法 假设你面前有产品的所有数据，包括过去一年的 dau、新增、留存、渠道等等常规数据，也包括 app 从开屏到核心功能所有页面的 uv/pv、所有 CTA 的 uv/pv，也就是说关于 app 的所有数据基本都能够拿到，现在要搭建一套数据体系，有哪些方式？ 1、数字和趋势 最基本的数据展现形式，用 exel 就可以完成。 关键数值。趋势图表，直方图、折线图、堆积图、饼状图。 2、维度分解 单一的数值或者趋势比较宏观时，需要对其进行拆解。 比如每日新增，可以从渠道的维度进行拆解，分为应用宝、appstore、360 手机助手等等，基于此我们可以查看不同维度的新增情况，进而做一些渠道推广的决策； 每日新增也可以从时间的维度进行拆解，比如发现新增的高峰时间段是中午一点，那么运营活动可以考虑集中在这个时间。 3、用户分群 把符合某种特定行为或标签的用户进行分群，进行归类，比如“1 月份来自北京的应用宝新增用户”。 我们可以针对这个分群的用户进行深度的分析，比如他们的爱好、消费水平、高频行为，进而针对性的进行用户运营或营销推广，比如对“放进购物车但是没有支付的用户”发放优惠券。 4、转化漏斗 这个应该是最熟知的一种方法了，基本所有的用户行为都可以用漏斗来表现，不论是注册转化漏斗还是下单支付漏斗。 关注三个问题： -从开始到结束，整体的转化率是多少 -每一步的转化率是多少 -哪一步的流失最多，原因，流失的用户符合哪些特征（这里就可以使用用户分群来精细分析） 5、行为轨迹 从若干个页面的 uv/pv 值，仅可以看到整体的转化率，实际上可能会存在偏差，从用户的行为轨迹可以从更实际的角度了解产品。 6、留存分析 关注两类留存： -新用户留存：次日留存、7 日留存、30 日留存，以及留存率的变化趋势。 -功能留存：即使用 xx 功能的用户在次日又有操作 7、A/B 测试 意义就不用解释了，但是真正实施过 A/B 测试的实际上应该是有限。 进行 A/B 测试的两个必备因素： -有足够的时间进行测试。 -数据量和数据密度较高。产品流量不大的情况下，测试的统计结果实际上有很大的随机性。 8、数学建模 当一个商业目标与用户行为用户画像等信息有关联性时，可以使用数学建模、数据挖掘等方式进行建模，进而预测分析。 这就属于比较高阶的操作了，需要公司有一定规模且有足够的预算投入。
- 公司给的工资影响到我使用的工具。
- 看什么产品了，一般都是要技术开发，遇到第三方的平台，直接读取也方便。
- 看你需要什么数据了，我正常用数据透视表就足够。
- 首先要熟悉各种数据分析工具，专业技术扎实
- 看运营产品是那一种了，竞争对象是否跟自己的相关产品有重合，至于工具就看公司设备到不到位了
- SQL，Excel，python，vba，Bi，不会点代码就难做分析
- 一个 excel 搞定。
- 生意参谋足以，数据分析分有形数据和无形数据
相似问题
推荐关注
正在加载中...