读书笔记《数据分析思维分析方法和业务知识》.docx
- 文档编号:25398212
- 上传时间:2023-06-08
- 格式:DOCX
- 页数:41
- 大小:1.06MB
读书笔记《数据分析思维分析方法和业务知识》.docx
《读书笔记《数据分析思维分析方法和业务知识》.docx》由会员分享,可在线阅读,更多相关《读书笔记《数据分析思维分析方法和业务知识》.docx(41页珍藏版)》请在冰豆网上搜索。
读书笔记《数据分析思维分析方法和业务知识》
读书笔记|《数据分析思维:
分析方法和业务知识》
●📘笔记
●第1篇方法
●第1章业务指标
●如何理解数据
●弄清楚每一列的含义
●对数据进行分类
●用户数据:
我是谁
●性别
●年龄
●地区
●行为数据:
我做了什么
●点击某个菜单的次数
●分享量
●收藏数
●产品数据:
卖什么
●文章标题
●日期
●阅读量
●常用的指标
●用户数据指标
●日新增用户数
●一个产品如果没有用户增长,,用户就会慢慢减少
●活跃率
●=活跃用户数/总用户数
●日活跃用户数
●周活跃用户数
●月活跃用户数
●注意:
统计人数要去掉重复的数据,同一个人在一个区间里面只计算一次
●留存率
●=第1天新增用户中,在第N天使用过产品的用户数/第1天使用过产品的用户数
●次日留存率(N=2)
●第7日留存率(N=7)
●第30天留存率(N=30)
●为什么关注留存
●留存可以评估产品功能对用户的粘性
●留存低-粘性小-就要找到用户流失的原因
●行为数据指标
●PV-PageView访问次数
●UV-UniqueView访问人数
●转发率
●=转发某功能的用户数/看到该功能的用户数
●转化率
●店铺转化率=购买产品的人数/到店铺的人数
●广告转化率=点击广告的人数/看到广告的人数
●K因子-Kfactor
●平均每个用户向多少人发出邀请*接收到邀请到人转化为新用户的转化率
●当K>1时-新增用户数就会像雪球一样增大
●当K<1时-新增用户数到某个规模时就会停止通过自传播增长
●产品数据指标
●总量
●成交总量
●成交数量
●成交总额GMV-Grossmerchandisevolume-流水
●=销售额+取消订单金额+拒收订单金额+退货订单金额
●访问时长
●人均
●人均付费(ARPU或客单价)=总收入/总用户数
●ARPU-Averagerevenueperuser
●付费用户人均付费(ARPPU)=总收入/付费人数
●ARPPU=Averagerevenueperpayinguser
●人均访问时长=总时长/总用户数
●付费
●付费率
●=付费人数/总用户数
●复购率
●=消费两次以上的人数/付费人数
●产品
●热销产品数TopN
●好评产品数TopN
●差评产品数TopN
●推广付费指标
●展示位广告
出现在网站或手机APP的顶部、APP开屏等
●按展示次数付费(CPM)
●CPM-CostPerMille-千人展现成本
●perMille每千
●即有多少人看了该广告
●搜索广告
●按点击次数付费(CPC)
●CostPerClick
●即有多少人点击了该广告
●信息流广告
●按点击次数(CPC)
●或按投放效果(CPA)
●CPA-ClickPerAction-按投放数据效果付费
●CPD-CostPerDownload
●一般推广新的产品选CPD
●CPI-CostPerInstall
●CPS-CostPerSales
●如何选择指标
●好的数据指标应该是比例
●根据现在的业务重点找到北极星指标
●北极星指标-衡量业务的核心指标
●指标体系和报表
●什么是指标体系
●指标体系是从不同纬度梳理业务,把指标有系统地组织起来。
●指标体系有什么用
●监控业务情况
●通过拆解指标寻找当前的业务问题
●评估业务可改进的地方,找出下一步工作的方向
●如何建立指标体系
●步骤
●1.明确部门KPI,找到一级指标
●往往是业务流程最终结果
●2.了解业务运营情况,找到二级指标
●3.梳理业务流程,找到三级指标
●每个指标可以从3个方面确定统计口径
●指标业务含义
●指标定义
●数据来源
●4.通过报表监控指标,不断更新指标体系
●报表制作步骤
●需求分析
●建立指标体系
●设计展现形式
●编写需求文档报表开发
●例子
●一级指标
●积分抵扣金额
●二级指标
●积分抵扣的订单数
●平均订单抵扣金额
●积分抵扣的会员数
●人均抵扣金额
●三级指标
●酒店订单数
●机票订单数
●跟团游订单数
●自由行订单数
●LV1级会员数
●LV2级会员数...
●建立指标体系有哪些注意事项
●没有一级指标,抓不住重点
●指标之间没有逻辑关系
●拆解的指标没有意义
●一个人就完成了指标体系和报表,也不和业务部门沟通
●第2章分析方法
●5W2H分析方法
●是什么-追问5个问题
●what
●when
●where
●why
●who
●how
●howmuch
●有什么用
●解决简单的问题,但复杂的商业问题解决不了
●逻辑树分析方法-将复杂问题变简单
由科学家费米提出
●把复杂问题拆解成若干个简单的字问题,然后像树枝那样逐步展开
●注意:
逻辑树分析方法通常会融合在其他分析方法里面,辅助解决问题,而不是单独存在的。
●PEST分析方法-行业分析
●概念
●是对公司发展宏观环境的分析,通常是从政策、经济、社会和技术这数据方面来分析的
●方法
●P-政策(policy)
●E-经济(economy)
●S-社会(society)
●T-技术(technology)
●多维度拆解分析方法-多角度思考
●概念
●理解两个关键词:
纬度(不同的角度)、拆解(多个维度的加法)
●多维度拆解可以避免辛普森悖论
●辛普森悖论(Simpson'sParadox)
●在有些情况下,考察数据整体和考察数据的不同部分,会得到相反的结论。
●作用
●整体拆解成部分可以看到内部的差异
●将负责问题拆解成简单问题
●方法
●从指标构成来拆解
●例如
●销售=新客户销售额+老客户销售额
●老客户销售额=老客户数*复购率*老用户客单价
●新用户销售额=新用户数*转化率*新用户客单价
●从业务流程来拆解
●例如:
用户购买的业务流程
●看到渠道广告
●被广告吸引入店铺
●在店铺选择感兴趣的商品
●最终决定购买
●对比分析方法-对比
●作用
●价格锚定
●例如杂志预定案例中设置一个别人绝对不会选的价格项,以让顾客选择更高的预定额
●追踪业务是否有问题
●A/B测试
●方法
●和谁比
●自己
●行业
●如何比较
●数据整体大小
●平均值
●中位数
●数据整体波动
●变异系数
●趋势变化
●时间折线图
●环比
●同比
●注意事项:
比较对象规模要一致
●假设检验分析方法-如何分析原因
●步骤
●提出假设
●客观提出假设
●从三个维度提出
●用户
●产品
●竞品
●4P营销理论
●产品-Product
●产品
●品牌
●包装
●样式
●服务
●技术
●价格-Price
●基本价格
●折扣价格
●付款期限
●定价方法
●定价技巧
●渠道-Place
●促销-Promotion
●广告
●人员推销
●营业推广
●从业务流程提出假设
●收集证据
●得出结论
●作用
●提高逻辑思维能力
●分析问题发生的原因(归因分析)
●注意
●得出的结论要靠证据证明
●不断重复假设分析的过程,直到找到问题
●可以靠假设检验分析图将问题、假设、数据从事国内至下连起来
●相关分析方法-A和B有什么关系
●作用
●研究两种或两种以上数据之间的关系或影响
●扩大思路
●通俗易懂
●方法
●相关系数
●数值的大小可以表示两种数据的相关性
●数值的正负可以反映两种数据之间的相关方向
●相关关系类型
●完全正相关(相关系数=1)
●两种数据是同方向变化
●完全负相关(相关系数=-1)
●另种数据是反方向变化
●非线性相关(相关系数=0)
●不是线性相关,但有可能是其他方式的相关(例曲线方式)
●正相关(相关系数>0)
●负相关(相关系数<0)
●相关关系判断
●低度相关:
相关系数绝对值中0-0.3
●中度相关:
相关系数绝对值在0.3-0.6
●高度相关:
相关系数绝对值在0.6-0.1
●相关系数绝对值越大,说明来给你种数据的相关成都越高
●相关系数正负,可以反映两种数据之间的相关方向
●用excel实现相关分析
●相关分析工具
●加载‘分析工具库‘
●选择‘相关系数’分析
●绘制散点图
●注意事项
●相关关系不等于因果关系
●如何判断两种数据之间是相关关系,还是因果关系
●使用‘单变量控制法’
●也就是,控制其他因素不变,只改变其中一个因素,然后观察这个因素对实验结果的影响
●群组分析方法-留存和流失分析
●概念
●也叫同期群分析方法,按某个特征,将数据分为不同组,然后比较各组数据,也就是分组对比。
●方法
●先使用群组分析方法,找到留存率低或留存率高的组;
●然后使用假设检验、相关分析等方法,研究为什么这些组留存率低或留存率高。
●找到原因以后,就可以对应地优化产品。
●当群组分析表格里的数据比较多的时候,直接分析起来比较困难,这时可以把数据绘制成折线图,这样就可以很容易地发现数据发现了哪些变化。
●案例-留存率
●1.使用群组分析方法,找到留存率低/高的组
●2.分析为什么这个组留存率低/高,可以使用假设检验、相关分析等方法进一步研究
●图
●案例-金融逾期
●风控提高后产品逾期率的变化,以便查看风控是否有效
●注意
●除了按时间分组,还可以根据具体的业务场景来确定。
●RFM分析方法-用户价值分类
●概念
●消费时间间隔R(Recency)
●对于最近1次消费时间间隔(R),上一次消费离得越近,也就是R的值越小,用户价值越高。
●消费频率F(Frequency)
●对于消费频率(F),购买频率越高,也就是F的值越大,用户价值越高。
●消费金额M(Monetary)
●对于消费金额(M),消费金额越高,也就是M的值越大,用户价值越高。
●通过这三个指标对用户分类的方法称为RFM方法
●用户分类
●作用
●精细化运营,针对不同的用户实行不同的运营策略
●RFM分析方法步骤
●第1步:
计算R、F、M的值。
●要得到R、F、M这3个指标,一般需要数据的3个字段:
用户ID或者用户名称、消费时间、消费金额。
从这3个字段可以计算出R、F、M这3个指标
●第2步:
给R、F、M值按价值打分(图2-135)。
●注意这里是按指标的价值打分,不是按指标数值大小打分。
对于最近1次消费时间间隔(R),上一次消费离得越近,也就是R的值越小,用户价值越高。
●将R、F、M3个指标分别按价值从小到大分为1~5分。
●第3步:
计算价值平均值。
●分别计算出R值打分、F值打分、M值打分这3列的平均值
●第4步:
和用户分类规则表比较,得出用户分类
●在表格里增加3列,分别用于记录R、F、M3个值是高于平均值,还是低于平均值。
●如果一行里的R值打分大于平均值,就在R值高低列里记录为“高”,否则记录为“低”。
F值、M值也这样比较,最终得到了表2-20里的值。
●精细化运营策略
●1)重要价值用户,RFM三个值都很高,要提供VIP服务;
●
(2)重要发展用户,消费频率低,但是其他两个值很高,要想办法提高他的消费频率;
●(3)重要保持用户,最近消费时间距离现在较远,也就是R值低,但是消费频率和消费金额高。
这种用户,是一段时间没来的忠实客户。
应该主动和客户保持联系,提高复购率;
●(4)重要挽留客户,最近消费时间距离现在较远,消费频率低,但消费金额高。
这种用户即将流失,要主动联系用户,调查清楚哪里出了问题,并想办法挽回。
●AARRR模型分析方法-用户行为分析
●概念
●对应产品运营的5个重要环节
●获取用户-Acquisition-用户如何找到我们
●渠道曝光量
●渠道转换率
●日新增用户数
●日应用下载量
●获客成本
●激活用户-Activation-用户首次体验如何
●要想激活用户,需要绘制一幅通往“啊哈时刻”的路径图
●可以计算每个节点用户的转化率(也就是完成每个步骤的用户比例),看用户是在哪个阶段流失的,以此来优化产品,改提高用户体验。
●提高留存-Retention-用户会回来吗?
●可以用群组分析方法来找到原因
●增加收入-Revenue-如何赚到更多钱
●用来衡量业务总量的指标:
成交额,成交量
●用来衡量每个人平均情况的指标:
客单价
●用来衡量付费情况的指标:
付费率,复购率
●“夹点”:
它指的是损失潜在收益的地方
●推荐-Referral-用户会告诉其他人吗
●传染物本身
●指要对自己的产品有足够的了解
●传染物发挥作用所需的环境
●指用户所在的环境,对应前面讲的AARRR模型的第一环节“获取用户”。
要思考使用产品的用户经常在哪些环境(如社区、大学等)出现。
●人们传播传染物的行为
●在对自己的产品有了深刻洞察,同时找了目标用户后,还要考虑人们会因为什么目的去分享你的产品,让更多的人看到你的产品。
●作用
●分析用户行为,为产品运营指定决策,实现用户增长
●漏斗分析方法-转化分析
●概念
●从业务流程起点开始到最后目标完成的每个环节都会有用户流失,因此需要一种分析方法来衡量业务流程每一步的转化效率,漏斗分析方法就是这样的分析方法。
●作用
●“定位问题节点”,即找到出问题的业务环节在哪。
漏斗分析常用于用户转化分析或者用户流失分析
●指标
●用户转化率
●用户流失率。
●方法
●分拆各个业务流程
●计算每个流程的转化率
●漏斗分析的环节转化率可以评估各业务环节之间的转化情况,通过比较各环节转化率,从而寻找业务瓶颈点,也就是找到最低转化率对应的业务环节。
●第3章用数据分析解决问题
●数据分析解决问题的过程
●第1步:
明确问题
●1)明确数据来源和准确性
●时间
●地点
●数据来源
●2)业务指标理解
●指标含义
●和谁比
●明确问题的常见错误。
在定义问题时,注意不要加入分析者的“主观猜测”,导致无法分析其他可能的原因。
●第2步:
分析原因
●
(1)使用“多维度拆解分析方法”对问题进行拆解,将一个复杂问题细化成各个子问题;
●例子
●
(2)对拆解的每个部分,使用“假设检验分析方法”找到哪里出了问题。
分析的过程可以用“对比分析方法”等多个分析方法来辅助完成;
●(3)在找到哪里出了问题以后,可以多问自己“为什么出现了这个问题”,然后使用“相关分析方法”进行深入分析。
●第3步:
提出建议
在决策这一步,常用的分析方法是回归分析或者AARRR分析
●对有相关关系的数据,用回归分析算出回归方程,并预测
●用Excel进行回归分析,得到回归方程里面a和b的值
●第1步,单击“数据”选项卡下的“数据分析”功能;
●第2步,选择“回归”后单击“确定”按钮,就会跳出回归分析的对话框。
●第1步,在“X值输入区域”和“Y值输入区域”选择对应的数据。
这里需要注意,一般用横轴的X值表示“输入”(能够控制的数据,也叫作自变量),用纵轴的Y值表示“输出”(预测结果,也叫作因变量)。
因为是要通过销售收入来预测出利润,所以,“X值输入区域”选择“销售收入”这一列,“Y值输入区域”选择“利润”这一列。
注意,在选择数据的时候不能包括列名,因为列名不是数;
●第2步,勾选“线性拟合图”;
●第3步,单击“确定”按钮。
●这样就得到了图3-29的散点图。
选择散点图上任意一个点,右击,在弹出的快捷菜单中选择“添加趋势线”选项。
●这样就得到了最佳拟合线,然后在出现的页面中勾选最下面的“显示公式”,就会在散点图上显示回归方程(图3-30)。
可以把横轴和纵轴修改成自己想要的名称。
●回归方程的理解
●这个回归方程可以理解为:
y(利润)=0.145x(销售收入)-33.306。
前面说到,下半年需要完成利润是4008.63万元,也就是y(利润)=4008.63万元。
代入回归方程中就可以算出x(销售收入)=27875.42万元。
也就是说,根据公司目标,要实现y(利润)=4008.63万元,需要将销售收入提升到27875.42万元(图3-31)。
●使用回归分析需要注意
●
(1)回归分析有很多类型,前面案例里的回归方程只有一种自变量,这种回归分析叫作一元线性回归分析。
相比于其他类型的回归分析,一元线性回归分析不仅简单,而且分析结果也容易被非专业的人理解。
●
(2)一元线性回归分析的前提是两种数据之间要有相关关系。
所以,要先判断两种数据有相关关系,才能使用一元线性回归分析。
●(3)合理分配资源。
前面的案例是知道了y的值,想知道x的值是多少。
还有一种情况是,知道了x的值,想知道y的值是多少。
例如x是投入广告的费用,y是产生的收益,这样在推广前就可以知道,投入的成本(x,广告费用)能预期产生多少收益(y,产生的收益)。
当决策者有多种推广方案要选择的时候,就可以根据回归分析,知道把有限的资源投入到哪里才能发挥出最好的效果。
●例子
●通过分析,为公司下半年的经营提出以下建议:
如果想要完成年度的6000万元利润目标,建议在保持目前商品采购成本不变的前提条件下,通过增加销售收入的方式来保证利润目标。
下半年需要将销售收入目标设定为27875.42万元,平均每个月销售目标设定为4546.90万元(27875.42万元/6)。
下半年需要吸引84338人到店消费,平均每个月到店的用户数是14057人(84338人/6)。
根据相关分析方法,要想提高到店用户数,需要优先提升店铺的售后服务水平。
建议可将此作为关键绩效指标,细化分解到具体的部门去执行,并与日常考核联系起来,这样才能确保全年利润目标顺利完成(表3-14)。
●注意事项
●
(1)做决策的选项不能太多。
太多的选项不仅会增加决策的成本,还会让人迷失,无从下手。
相对简单的问题,需要4个选项左右;相对复杂的问题,需要4~7个选项;
●
(2)决策要是可以落地的具体措施,这样决策者才能根据措施,合理安排资源,把措施变成行动。
●第2篇实战
●第4章国内电商行业
●业务知识
●业务模式
●从卖家(Bussiness)与买家(Consumer)组合维度划分
●企业卖家-企业买家(BussinesstoBussiness,B2B)
●阿里巴巴
●企业卖家-个人买家(BussinesstoConsumer,B2C)
●亚马逊、天猫
●个人卖家-个人卖家(ConsumertoConsumer,C2C)
●淘宝
●卖家线上售卖-买家线下门店提货/换货(OfflinetoOnline,O2O)
●优衣库天猫新零售
●电商相关公司
●电商平台
●通过向卖家收取服务费、广告费、分成等形式盈利
●电商服务商
●向企业卖家提供服务的第三方公司
●例如店铺代运营公司,他们通过帮助企业运营店铺收取服务费盈利,一般包括店铺装修、设计、客服、仓储等系列服务。
●再例如增值服务公司,为企业提供专业的销售分析报告、内容广告投放、直播承接等衍生服务。
●用户运营重要性原因
●流量下滑
●市场下沉,小城市用户需要新的洞察
●电商行业重视打造“会员”概念,培养核心用户
●用户运营细化
●1)认知:
用户可能在微博、优酷、B站等媒体中看到产品的推荐,有了印象;
●曝光
●点击
●浏览
●
(2)兴趣:
经过多次曝光,用户逐渐积累了对产品的好感,于是在淘宝、京东等电商平台上搜索,加购了想拥有的宝贝,或者只是进店铺领取了会员卡或者优惠券;
●关注互动
●搜索
●收藏加购
●(3)购买:
等待大促好时机,终于“剁手”;
●支付
●(4)忠诚:
对产品满意,赏个好评,可能还会重复购买。
●正向评论
●重复购买
●用户状态与电商部门对应图
●推广部门:
负责电商广告的投放,通过广告曝光加深用户印象、吸引下单
●活动运营:
规划店铺的具体售卖活动,包括大促活动和日常活动。
●产品运营:
负责店铺参与活动的产品选款、规划产品布局、负责产品上新、拟定产品介绍等。
●CRM部门:
CRM(CustomerRelationshipManagement)是指用户关系管理。
●业务执行
●活动运营
●沟通需求
●活动规划
●卖家
●业务分析
●店铺活动总结
●对某一段时间或者某档活动的销售效果进行分析评价
●季度复盘
●聚划算复盘
●问题原因分析
●近期会议券使用下降原因查找
●业务指标
●新老用户
●新(老)用户数量占比:
新(老)用户成交人数/总成交用户数;
●新(老)用户金额占比:
新(老)用户成交额/总成交额。
●注意新老用户的定义
●对于新店铺(3年以下),一般可以采取累计,首次交易就算新用户,再次交易的就算老用户;
●对于开店较久的店铺(3年以上),由于持续累计会使老用户数值不断增大,而忽略了用户的流失,不利于长期监控,这时采用滚动周期累计更好。
●注意成交要定义清楚订单状态
●复购率和回购率
●复购率
=重复购买用户数/总购买用户数
●复购率能够反映用户的忠诚度
●短周期例如三五天的复购率通常没有意义,因为时间太短产品没有消耗完,用户也不会产生复购需求。
所以,复购率监控的时间较长。
例如,把复购率的监测时间定义为1年,
●平均复购周期
重复购买的平均时间间隔
●同一用户在同一天发生的多笔交易在电商行业中通常被合并为一次,不计入复购
●没有复购行为的用户不计算平均复购周期
●回购率
回购率是分析短期促销活动(简称大促)对用户吸引力的指标回购率=回购人数(大促活动期间购买的用户数)/基数(某段时间的购买用户数)
●在电商中有很多大促节日,例如“618”“双11”等,每场大促持续时间只有1~5天,这种情况下使用复购率是不合适的,要使用回购率
●回购率与复购率的区别
●回购率仅关注用户在“双11”当天是否“复购”,而复购率体现用户在一整年的复购表现,不限于“双11”当天。
因此回购率更适合总结大促效果。
●“人”与“货”两类指标
●用户交易常用指标
●进店流量指标
●UV
●加购数
●收藏数
●购买指标
●GMV
●客单价
●支出转化率
●折扣率
GMV/吊牌总额吊牌总额=吊牌价×销量(吊牌价是商品的实际售卖价格)
●退货指标
●拒退量:
拒收和退货的总数量
●拒退额:
拒收和退货的总金额
●实销额:
GMV减去拒退额。
●商品管理常用指标
●备货指标
●SPU
SPU在电商中一般指款号例如iPhone8是一个SPU,iPhone9是一个SPU
●SKU
SKU在电商中指某SPU(款号)的具体货号,具体到颜色、尺寸;例如iPhone8有3个SKU,分别是黑色、白色、红色的iPhone8。
●发货售后指标
●售卖比/售罄率
=GMV/备货值
●售卖比用来看商品流转情况,可以对库存进行优化
●动销率
有销量的SKU数量/在售SKU数量
●客服部门:
包括售前部门和售后部门,售前解答用户咨询、引导用户参与活动;售后解决用户下单后遇到的问题。
●设计部门:
负责店铺视觉素材设计。
●BI部门:
BI(BusinessIntellige
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据分析思维分析方法和业务知识 读书笔记 数据 分析 思维 方法 业务知识