什么是数据运营分析如何快速搭建数据运营分析体系?

针对如何快速搭建数据分析体系这个问题,本文给出了四个搭建原则:明确要统计分析的业务功能、拆分衡量指标/提出分析假设、寻找对比数据、明确数据获取渠道 。
产品设计和优化基于数据而高于数据 。数据是反映产品效果的一种有力辅助手段,因此,在设计产品、迭代功能前,最好都提前规划好本次“更新换代”的数据统计分析体系,并在上线后不断观察,根据数据反馈指导进一步的产品优化 。然而,面对繁杂的数据指标和功能流程,该如何快速而清晰搭建起合适的数据衡量体系,是一个很重要的问题 。

什么是数据运营分析如何快速搭建数据运营分析体系?

文章插图
无论是搭建一套完整的体系,还是单纯用于衡量某个功能/优化的上线效果,一般而言,可以从下面四个步骤进行:
  1. 明确要统计分析的业务功能
  2. 拆分衡量指标/提出分析假设
  3. 寻找对比数据
  4. 明确数据获取渠道
1. 明确要统计分析的业务功能
数据是产品效果的表达方式,在搭建数据体系前,必须先明确业务类型、明确验证目标:
A. 业务区分上,不同的行业领域,其关注点是有很大差异的:
(1)互联网金融领域,看重的是保有量非0的用户数、用户的资金保有量、申购量、用户财富指数等;
(2)电商行业,看重的是产生购买行为的用户数、用户购买金额、购买频次、复购周期等;
(3)社交类产品,看重的是用户活跃程度,如日活跃时长、社区活跃度(评论、发帖)等 。
B. 场景区分上,是功能优化迭代验证效果?是差异化竞争的对比分析?是基于用户场景的拉新、留存、促活?还是流失场景的挽留?
产品数据体系,一般而言可以分为数据统计、数据分析两大类 。
(1)数据统计更多与产品功能效果挂钩,用于衡量某一个产品指标,如用户数量、DAU、MAU、用户购买金额等 。
(2)数据分析则更多用于产品路径流程剖析、问题发现、迭代指导、运营效果反馈等场景 。
不同的业务、不同的目标,决定了我们要选取什么数据指标来衡量 。
2. 拆分衡量指标/提出分析假设
明确了业务场景、统计/分析目标,下一步则是继续拆分合适的衡量指标;对于数据分析需求来说,还需要在此之前提出分析的假设 。以下举例说明:
A. 分析某个产品功能的转化率
转化率一般可分为注册转化率、申购转化率、场景用户转化率、入口转化率等,亦即“用户对某款产品路转粉”的过程 。
进一步拆分,转化率链路上的关键数据,分别有:曝光UV→点击UV→转化用户数,对应的则是“用户看到→用户感兴趣并尝试→用户被转化”的行为 。
将转化率放到场景中做分析,目标一般有两种:
(1)看某个产品/运营流程的转化效果,统计新用户从接触到最终被成功转化的转化率,多用漏斗模型来表现转化率数据;
(2)对于多渠道多入口触达的产品,或产品功能正在进行A/B test,需通过比较多渠道多入口的转化率,对比每一个路径的效果 。
B. 通过用户活跃度分析指导产品优化方向
活跃度指标可分为用户登录/访问频次、场景设置频次、申购/购买频次、互动频次等,主要是看用户在产品上的留存和活跃程度,比如用户近30天内登录过10次,用户近90天内发生了30次申购行为 。
有些产品/功能上线后,用户抱着尝鲜的态度被转化,使用为数不多的几次后即流失,即可明确下一阶段工作重点是提升用户的留存率 。相反,有的产品用户留存率很高,但深究发现用户大部分处于不活跃状态,即可明确下一阶段的工作重点是用户促活 。