現(xiàn)在對(duì)運(yùn)營(yíng)的綜合素質(zhì)要求越來(lái)越高了，數(shù)據(jù)、文案、產(chǎn)品必須要懂，只懂一個(gè)怕是不好找工作了。也只有復(fù)合型人才在現(xiàn)在這個(gè)遍地用戶增長(zhǎng)的世界才能活的更久，下面我們就來(lái)說(shuō)說(shuō)數(shù)據(jù)分析的概念。

一、事件分析

事件分析法的應(yīng)用領(lǐng)域非常廣泛，不同學(xué)者從本領(lǐng)域視角對(duì)其進(jìn)行了闡述。事件研究是根據(jù)某一事件發(fā)生前后的資料統(tǒng)計(jì)，采用特定技術(shù)測(cè)量該事件影響性的一種定量分析方法。

運(yùn)營(yíng)當(dāng)中的事件分析，是追蹤或記錄的用戶行為或業(yè)務(wù)過(guò)程的。舉個(gè)栗子，一個(gè)電商產(chǎn)品可能包含如下事件：用戶注冊(cè)、瀏覽商品、添加購(gòu)物車、支付訂單等。

事件細(xì)分：對(duì)某一行為的無(wú)限細(xì)分，定位影響行為的因素，也是對(duì)用戶分群的過(guò)程。

下鉆、下鉆這是事件分析的特點(diǎn)，至于怎么用什么時(shí)候用這就得依具體問(wèn)題具體分析了。

二、漏斗分析

關(guān)于漏斗模型，我認(rèn)為本質(zhì)是分解和量化。為什么這么說(shuō)，這里以營(yíng)銷漏斗模型舉栗。

百科給出的解釋：營(yíng)銷漏斗模型指的是營(yíng)銷過(guò)程中，將非潛在客戶逐步變?yōu)榭蛻舻霓D(zhuǎn)化量化模型。營(yíng)銷漏斗模型的價(jià)值在于量化了營(yíng)銷過(guò)程各個(gè)環(huán)節(jié)的效率，幫助找到薄弱環(huán)節(jié)。

也就是說(shuō)營(yíng)銷的環(huán)節(jié)指的是從獲取用戶到最終轉(zhuǎn)化成購(gòu)買這整個(gè)流程中的一個(gè)個(gè)子環(huán)節(jié)，相鄰環(huán)節(jié)的轉(zhuǎn)化率則就是指用數(shù)據(jù)指標(biāo)來(lái)量化每一個(gè)步驟的表現(xiàn)。

所以整個(gè)漏斗模型就是先將整個(gè)購(gòu)買流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率來(lái)衡量每一個(gè)步驟的表現(xiàn)，最后通過(guò)異常的數(shù)據(jù)指標(biāo)找出有問(wèn)題的環(huán)節(jié)，從而解決問(wèn)題，優(yōu)化該步驟，最終達(dá)到提升整體購(gòu)買轉(zhuǎn)化率的目的，整體漏斗模型的核心思想其實(shí)可以歸為分解和量化。

以電商為例可以建立幾個(gè)核心漏斗，如下：

1. 運(yùn)營(yíng)位漏斗

Banner、活動(dòng)專區(qū)、折扣專區(qū)、爆款專區(qū)等等

2. 搜索漏斗

搜索漏斗，還可以拆分為更小的漏斗，例如細(xì)分關(guān)鍵詞排序、關(guān)鍵詞點(diǎn)擊、best match標(biāo)簽選擇、瀏覽時(shí)長(zhǎng)等數(shù)據(jù)項(xiàng)。

3. 產(chǎn)品漏斗

產(chǎn)品漏斗，里面其實(shí)能拆解出很多分支漏斗，根據(jù)使用情況而定吧

三、留存分析

留存分析是一種用來(lái)分析用戶參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會(huì)進(jìn)行后續(xù)行為。這是用來(lái)衡量產(chǎn)品對(duì)用戶價(jià)值高低的重要方法。

留存分析可以幫助回答以下問(wèn)題：

1. 一個(gè)新客戶在未來(lái)的一段時(shí)間內(nèi)是否完成了您期許用戶完成的行為？如支付訂單等；
2. 某個(gè)社交產(chǎn)品改進(jìn)了新注冊(cè)用戶的引導(dǎo)流程，期待改善用戶注冊(cè)后的參與程度，如何驗(yàn)證？
3. 想判斷某項(xiàng)產(chǎn)品改動(dòng)是否奏效，如新增了一個(gè)邀請(qǐng)好友的功能，觀察是否有人因新增功能而多使用產(chǎn)品幾個(gè)月？

下面是一個(gè)常見的留存曲線，我把它分成了三個(gè)部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩(wěn)期。

那我們?cè)趺从昧舸娣治瞿?？舉個(gè)栗子：如圖

細(xì)分用戶群體，分析每個(gè)產(chǎn)品功能點(diǎn)對(duì)用戶留存情況的影響，我們不僅可以把收藏拿出來(lái)對(duì)比，點(diǎn)贊，轉(zhuǎn)發(fā)，評(píng)論，關(guān)注等等都可以對(duì)比

如果是電商的話還可以對(duì)比沒(méi)有購(gòu)買，購(gòu)買1次、2次、3次、4次、5次、6次等

我們通過(guò)分析曲線找到留存最高的功能點(diǎn)或者行為點(diǎn)。魔法數(shù)字和魔法功能，

1. 交易類，購(gòu)買5次以上的用戶留存率最高，那我們的策略既盡可能快的使用戶達(dá)到5次購(gòu)買（一定注意時(shí)間窗口）；
2. 工具類產(chǎn)品，那就找到魔法功能，使用這個(gè)功能用戶留存最高；
3. 如果是UGC類那就找到用戶發(fā)帖的數(shù)量或者用戶使用的功能作為魔法數(shù)字和魔法功能。

四、分布分析

在生產(chǎn)工作正常的情況下，產(chǎn)品的質(zhì)量也不可能完全相同，但也不會(huì)相差太大，而是圍繞著一定的平均值，在一定的范圍內(nèi)變動(dòng)和分布。

分布分析法就是通過(guò)對(duì)質(zhì)量的變動(dòng)分布狀態(tài)的分析中發(fā)現(xiàn)問(wèn)題的一種重要方法。它可以了解生產(chǎn)工序是否正常，廢品是否發(fā)生等情況。其工具是直方圖，故又稱直方圖法。

如下圖，我們就能看出人數(shù)和交易客單價(jià)的一個(gè)分部情況

這種類似的就是用戶分布分析，主要是找集中。當(dāng)然更深刻的我們可以用K-means聚類算法玩的更高大上一些。

五、總結(jié)

這只是數(shù)據(jù)分析當(dāng)中比較常用的一些方法，現(xiàn)實(shí)當(dāng)中我們要面對(duì)的完全比上線的例子復(fù)雜的多，細(xì)分的多，但是邏輯就是這么簡(jiǎn)單，分析就是一個(gè)工具，看大家想要得到什么了。

這集中分析方法并不是單獨(dú)存在的，經(jīng)常是你中有我我中有你，一定要靈活運(yùn)營(yíng)。分享一下數(shù)據(jù)分析中的三個(gè)小技巧：看趨勢(shì)、看分布、看對(duì)比。

#相關(guān)文章#

精細(xì)化用戶增長(zhǎng)案例（1）：低頻高客單長(zhǎng)決策下的優(yōu)惠券玩法

精細(xì)化用戶增長(zhǎng)案例（2）：教育行業(yè)轉(zhuǎn)介紹裂變活動(dòng)，分類分層降成本

精細(xì)化用戶增長(zhǎng)案例（3）：高頻低客單快決策下的零售優(yōu)惠券發(fā)放策略

作者：白高粱；公眾號(hào)：白高粱

本文由 @白高粱 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unsplash，基于CC0協(xié)議。