[转]GrowingIO:当产品经理遇到数据分析这个槛,怎么办?

以上内容仅仅是提供了一些基础工具和思考方向,数据产品经理是一个新兴的分支,目前还没有成熟的学习体系,未来还需继续深入浅出,和大家共同成长。

A2:tableau是一个很好的数据可视化工具。自己开发可以试试highchart和D3
document。

四、结语

点击http://event.3188.la/323568232或扫描图中的二维码进入报名页。

F(Frequency):代表用户在一定时间内的消费频率,反映了用户的忠诚度。

图片 1

按照上述方法,大家可以根据需求大开脑洞,按照一定标准对研究对象进行分类分析。

A2:GrowingIO是新一代基于用户行为的数据分析产品,目前提供的用户转化、留存、细查、分群功能都可以帮助产品经理优化产品设计,进而提升用户体验。

产品所处阶段不同,运营的侧重点也会有所不同。在产品初期,核心的工作是拉新,应该更加关注产品的使用广度,而产品的中后期,应该更加注重使用深度和使用粘性的提升。

●Revenue 增加收入

如果是自然流量下降的话,可能需要在用户运营和产品运营端发力,如果是营销流量不足,那么可以通过营销活动或者站外引流的形式增加曝光量。

以在线商城页面设计为例,用户浏览商品、提交订单,点击支付,完成购买形成了客户的核心路径,但是日常业务中经常遇到客户转化率过低的情形。GrowingIO的用户转化漏斗可以帮助产品经理分析客户到底在哪一步流失较高,然后借助用户细查功能来验证前面的假设猜想。从而提升帮助产品经理找出产品设计的缺陷,后期尽快优化。

当前在互联网领域,除了用户实名数据以外,其他用户的画像维度一般都通过建立模型进行判断,因此无法完全保证准确性,但不同于小样本调研,大数据分析是能容忍一定数据误差的,不过,这一切都要建立在对比的基础上。

Q2:GrowingIO能帮助优化产品设计和用户体验吗?

除了电商业务的分析以外,同比热力图同样适用于互联网产品数据指标的监控及分析,该分析方法的关键点在于拆解核心指标,在本文后面的产品运营类方法中将会介绍相关指标的拆解方法。

请记住,这些分析必须要在“用户”级别能够做分析,而不是一个单纯流量级别的分析,才有未来的核心意义。然后将usage在客户公司级别进行汇总,比较在公司级别的使用度,使用深度和未来的续约付费率一般呈正相关。

GMV下降如果是因下单用户减少所造成的,那么是访客数(流量)减少了,还是转化率下降了呢?如果是访客数减少了,那是因为自然流量减少了,还是因为营销流量不足?

A1:电商数据的核心指标一般有:GMV,Transations(交易数量),ASP(均价),购物车大小,用户的复购率,购买频次,年度复购率。这样的指标很多。:我觉得有三类的指标需要关注,第一:交易数据,第二:用户行为数据,第三:用户来源数据。

所以,在分析用户画像时,需要根据场景进行用户分类,并对比各类用户与总体间的差异,这样才能保证分析结果的可信性和适用性,而TGI指数就是很好的对比指标。

还有就是整个SaaS页面的优化,比如说注册流,注册转化率,注册用户向深度用户的转化率,深度用户向付费用户的转化率。SaaS的数据分析是很深入的话题,我就是分享一些最基本的指标。

本文由 @Mr.墨叽 原创发布于人人都是产品经理。未经许可,禁止转载返回搜狐,查看更多

▶使用A/B测试的正确姿势

图片 2

A:产品非常早期,我个人不建议用A/B测试,因为最主要的问题是我们没有很多资源开发两套或者更多的产品方案。而且早期数据量小,不一定能够有“统计学意义”,往往测试者需要把流量分解,这样就需要等待结果。对于低流量的app/网站,没有足够的资源来等。工程上也有一定的挑战。所以我建议早期产品关注核心指标,分解核心指标为“可执行的指标”比A/B测试更重要。同时要迅速迭代。A/B测试对于产品线丰富的业务还是有很多作用的。看您的资源配置了。

如上图所示,各类目标用户在16-25岁这个年龄段的占比都比总体小(TGI指数<100),其中分类1的用户年龄偏大,因为该类用户在36岁以上各个年龄段的TGI指数都明显高于100,且同时高于其他三类用户。

这里面,我觉得您可以根据自己的资源状况来设优先级。最直接的就是交易数据,然后最重要的是行为数据,因为所有的电商提供的是“互联网产品”而不仅仅是“所销售的产品”。第三就是流量的数据的分析,因为这里涉及到获取客户的成本。

产品运营的常用指标如下:

A3:先要全面的找到支付转化的全部关键转化路径,然后看每个转化路径上面关键点之间的转化率。比如到商品详情页面,可以从搜索页面、分类页面、频道页面、品牌页面、活动页面、首页、关联销售推荐、甚至直接访问到达商品详情页面。每个转化路径和转化量的占比都要考虑。然后再找出量大且转化率低的路径先优化,量小转化率高的路径可以加强并且scale。

RFM模型是客户关系管理中最常用的模型,但这一模型还不够完善,比如对于M(Money),即消费金额相等的两个用户而言,一个是注册两年的老用户,一个是刚注册的新用户。对于企业来说,这两个用户的类型和价值就完全不同,因此我们需要更全面的模型。

A4:我觉得取决于您的app在产品发展的哪个周期?工具类的APP,我个人认为核心,特别是早期还是应该关注“usage”,用户的使用度,和使用深度/黏度,也就是留存。然后要关注增长,其次未来要关注变现。用增长黑客的“海盗法则”来讲的话,就是在“AARRR”逻辑里面,首先关注留存(Retention)。

R(Recency):代表用户最近一次消费至今的时间长度,反映了用户当前的活跃状态。

A1:SaaS企业的数据驱动产品设计非常重要。首先,最基础的开始是Product
Usage Metrics。因为SaaS产品都要解决一个企业应用的场景。
而这个场景在业务上的被重现频次,决定了SaaS软件的基本交互频次。所以登录批次,使用深度(事件数/访问)等最基本的指标是最粗放的指标。

C(CostRatio):代表用户在一定时间内消费的折扣系数,反映了用户对促销的偏好性。

A1:不同行业,不同业务会有相同宏观的指标,也有细化到本行业,本业务的指标。需要从宏观到微观的拆解指标。大量的数据如何为我们所用?需要了解产品业务,明确问题的本质,大量的深入的产品实践。大胆的提出假设,然后通过数据理性的验证。我们还会有更多的线下线上活动帮助大家拆解数据分析指标。

图片 3

▶“无埋点”数据分析工具的原理和运用

除此之外,我们还可以根据以下场景构建类BCG矩阵:

A2:留存率有意义,因为留存是一个普遍的概念。唯一的一个就是您专注“频次”的不同。比如说买汽车,美国的整个汽车购买行为,不可能用天来衡量,而要用年。因此美国的汽车制造商,就持续的按照“月份”给每一个不同的区隔发送不同的营销方案。互联网金融也有他的产品生命周期,这要求您来制定营销策略,找到那个“频次”,以此为开始进行营销产品规划。

M(Monetary):代表用户在一定时间内的消费金额,反映了用户的购买能力。

A3:Lean Analytics, 范冰的增长黑客,Lean
Startup,中文的深入浅出数据分析,Tableau的很多爱好者推崇的人人数据分析师等等。不过我觉得好的数据分析的书籍,不如一次好的数据分析实际操作加上分享您能学到的更多。主要是概念的基本掌握,然后迅速落地实践,复盘分析结果,然后继续迭代。特别是产品分析,最关键的是要把数据分析和用户行为以及产品设计用一体的角度来考虑,然后分解成三个部分来验证。就会有闭环。

同比热力图分析法这个名称是我自己造的,其实无非是把各个业务线的同比数据放到一起进行比较,这样能更为直观地了解各个业务的状况。

Q5: 若想了解某个行业,有哪些平台可以拿到相对靠谱数据以供分析?

如果是做一款数据报表类的产品,那么需要了解核心指标,并建立综合指标的评估体系。如果是做一款分析决策类产品,那么还需要基于业务需求,将现有数据指标进行解构再重构。

内容热度:分享次数、推荐次数、点赞次数、评论数

责任编辑:

A3:最基本的指标是:页面浏览量、访问量、独立访客数、跳出率、页面停留时长、网站停留时长、退出率、转化率,页面退出率……

最后,如果是因为客单价不高,那么需要进行定价及促销的方案优化,比如识别具有GMV提升潜力的商品进行定价优化,评估当前促销的ROI,针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式,激发用户购买多件商品,也可以有效提高客单价。

▶产品运营如何学习数据分析?

  1. 按照杜邦分析法将核心问题进行拆解,这里仍以电商为例,我们将GMV拆成了流量、转化率、商品均价和人均购买量,即GMV=流量*转化率*商品均价*人均购买量;
  2. 计算每个业务各项指标的同比数据;
  3. 针对每一项指标,对比各业务的同比高低并设定颜色渐变的条件格式,以上图中的转化率同比为例,业务5转化率同比最高,为深橙底色,业务3转化率同比最低且为负值,因此设定为蓝色底色加红色字体。

Q2 :
如何收集自己需要的数据,面对杂乱无序的数据该如何分析,如何保证数据的准确性

对于不同的产品也需根据产品的性质来确定核心指标,比如,对于社交类产品,使用广度和使用粘性至关重要,而对于一些中台分析类产品,提升使用深度和使用粘性更有意义。

Q3: 做内容的网站,如何结合业务判断需要获取哪些和用户相关的数据?

M(Monetary) :用户的消费金额是多少,是单价高(购买头等舱),还是频次高?

Q2:数据方面偏菜鸟用户,有哪些数据可视化工具值得推荐?

BCG矩阵大家都非常熟悉了,以市场占有率和增长率为轴,将坐标系划分为四个象限,用于判断各项业务所处的位置。

图片 4

一个优秀的数据产品经理必须要具备各种技能,
要了解自己的用户,明晰用户的核心需求,而最重要的是一定要掌握数据分析技能、会用数据分析工具。让我们通过文章来看看:有哪些实用的数据分析方法吧。

Q4:
不强制登陆的app,如何定义独立用户。目前我们是获取手机信息,但并不准确

  1. 使用广度:总用户数,月活;
  2. 使用深度:每人每天平均浏览次数,平均访问时长;
  3. 使用粘性:人均使用天数;
  4. 综合指标:月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。

A1:GrowingIO希望能够直接从业务人员的角度出发,让业务人员最快的获得想要分析的数据,并且同时减轻工程人员埋点的痛苦。GrowingIO的无埋点技术支持多个平台,iOS,
Android,Web和HTML5。主要的原理是在网页和HTML5的里面加入一次SDK代码,在iOS和Android加入一次SDK代码,之后不用再加载SDK代码,用户使用网页和APP客户端的时候尽可能全的收集用户的行为数据,通过异步且加密的方式传输数据。

1.3 类BCG矩阵

Q: 小产品是否适合使用“A/B
test”测试优化产品,前期的技术准备是否麻烦?

一、业务分析类1.1 杜邦分析法

●Activation 激发活跃

发表评论

电子邮件地址不会被公开。 必填项已用*标注