怎样用数据分析中的比率来发现解决问题?

需求挖掘之数据指导

凡是需求,必有数据统计项;凡是改进,必有数据对比。

用数据来保证稳定产出,用数据来做迭代的依据。

大佬们都说,数据不是万能的,没有数据是万万不能的。那数据具体有什么作用呢,我们就一起探讨一下数据是如何指导产品工作的。

1. 通过数据指导产品工作

  1. 问题分析:通过数据认识还原用户使用产品的路径,发现解决问题;
  2. 用户分析:用数据给用户分层,精准解决特定用户的问题(精细化运营/策略) 用户到达一定数量级之后,用同一的策略是不适用的,用户分层之后可以做流量区分、运营区分等等;
  3. 需求优先级:数据能确定影响面/使用频率,帮助确定优先级;
  4. 评估上线效果:上线数据对比、周期数据跟踪、需求发起之前的数据证明。

本篇就与大家分享一下我所理解的问题分析中的一项:通过【率】的异常发现并解决问题。

2. 通过数据发现、解决问题

率:比率(ratio)是样本(或总体)中各不同类别数据之间的比值。既然是比值,那必然有分子和分 母的存在,我们最常用的几个比率无外乎注册转化率、订单转化率、页面使用率,页面跳出率 等。

比率一般被认为是能够在短时间内显现问题的利刃,当新版本上线后,查看和对比比率往往可以较迅速的发现问题。一般来说,无论有利还是不利的数据,通常会在更新版本的4周内显现,有短期明显的属性。

之所以比率可以指导我们工作,是因为产品的产出有着较明确的目标,比如促成用户下单。而用户下单的流程和节点我们可以拆开来,利用比率来分析用户在去往下单的路上出了什么问题,进而将问题解决。按照这个模板,我们可以得到比率的使用流程:

基于数据优化转化率

1. 梳理用户体验地图

用户体验地图,即上文中用户从进入落地页之后需要走的路,路上的每个红绿灯都可能是用户流失的节点,所以我们需要梳理这些节点,这些节点一般称之为接触点。

产品与用户的接触点,使用户一步一步的到达我们想要让用户到达的目标点(下单)。这种用户数量递减的体验地图被大佬们很形象的总结为漏斗,漏斗最上方是我们能够触达的所有用户,最下方的尖端,则是完成了我们既定目标的用户群。

举个栗子:

背景:刚入职公司,想趁机看看公司的数据,熟悉下公司系统和业务情况,通过询问同事,发现公司最近在测试某着陆页的广告投放效果,广告已投放了两周,需要进行效果分析,于是着手收集相关数据进行分析。

起点是着陆页,终点是支付成功。知道体验地图和目标之后进入第二步:

2. 梳理能够影响转化率的关键点和事件

影响转化的关键点和事件往往比较明确,比如push成功下发数、活动页访问数,验证码发送成功率等,这里我们用最简单的页面跳转举例:

分析出关键点:着陆页 —>注册页—>订单页—>支付成功

分析完毕之后,我们将拿到的数据进行分析,即进入第三步:

3. 建立漏斗与衡量指标

选取出真正拿来分析的节点,每个节点要亲密链接且有转化事件.

这里我们记录分析每个页面的UV,得出下面的漏斗:

得出漏斗之后便来到最关键的一步,发现问题:

4. 发现问题

问题的产生必然伴随异常的数据,一般来说我们可以通过下面的几个维度进行问题发掘:

1)剧烈变化

剧烈变化有两个方向,分别是断崖式下跌或爬坡上涨。我们可以看到上图漏斗中,着陆页到注册页的转化可以称之为断崖式下跌。那么说明这里极大可能存在问题。有点关注点之后,我们再进入下一层更细的分析:

2)渠道下钻

通常我们的广告或push不会只在一个渠道上投放,所以当出了问题的时候,我们要看是哪个渠道出了问题。渠道的划分视具体情况而定,设备、来源、sem流量的渠道,都可能是划分渠道的维度。

同时,我们要知道,留存等指标、用户质量跟渠道是息息相关的,通常每个渠道的用户都有一定程度上的整体差距,比如iOS用户的付费能力要高于安卓用户。

这里我们把每个渠道的数据分离出来,分别做漏斗模型。即可发现问题所在:

可以看到,每个渠道的问题不一,比如百度PC在着陆页->注册页的下跌异常剧烈等,这里不再赘述。

3)用户分群

用户分群说人话就是打标签,标签越细,就越能掌控用户。这里不只是用户的社会属性,还要到达行为属性的维度。比如一些常见的行为标签,如男女老少,是否付费,rfm,平台定制的其他用户标签,如买过几次的等等。

不同分群的用户,可以帮助我们发现问题。

一般认为,我们的广告、push操作,越能精确触达用户,效果就会越好。假如你给24岁的北京单身男程序员推送母婴用品,不用说大家都会知道用户的反应是什么样子的。用户分群的操作比较灵活,我们可以在下一篇中一起探讨,这里不再展开,但可以举几个常见的例子:

比如:付费超过300元的用户(高付费用户),打开率优于其他用户;买过B产品的用户,打开率明显低,买完了就长期用不再回归。

由用户分群得出的问题,一般都是推送不精确,那我们就可以进行push优化。目前各大厂都可以智能的对不同用户发送不同文案的推送,我们在做推送的过程中,可以使用猜测-》实行-》验证-》猜测的常规试验方式进行一步一步的优化。

4)时间对比

对于push和广告行为而言,不同时间对不同人的作用是不一样的

通常我们会按照小时、星期的维度划分,根据平稳/波动/周期、某段时间与其他时间不一致等现象来判断哪些用户的最佳push时机,

比如:每天的不同时间段推送的响应程度不一样(分时活跃数,不同的产品不同的群体是完全不同的表现)本周本月等维度也要分析分群对比,做AB测试,效果好的就保留这群人的推送时间等。

5. 假设求证

假设求证是所有发现问题解决问题中都会用到的定位问题的方法,不论是工作生活甚至是学术科研。

这里都我们发现断崖下跌的时候,可以假设出现的问题,比如某渠道填单页到付款成功转化率低于平均水平,那我们就要怀疑付款按钮是不是除了问题,付款渠道是不是除了问题。然后带着问题去测试求证。

6. 给出解决方案

通常能够发现问题的产品经理都是不可多得的,产品优化的难点不在于解决问题,而在于发现问题,优秀的产品都是高级啄木鸟,总是善于发现问题。发现了问题所在,总会有办法解决。

重复,重点在于发现问题。

7. 选取一个方案开发上线进行验证

与发现问题的征求一样,解决问题不是最终环节,最终环节在于验证通过。上线之后需要对这个问题进行持续的追踪,求证之后才算是解决问题。

求证问题的方法跟发现问题的方法大同小异,只是查看的数据、渠道等更聚焦。

数据指导工作—>问题分析—>比率的使用这一小节基本到此结束了,浅薄只见,欢迎批评指正。

关键字:待分类

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部