数量怎样携带产品设计,数据产品设计新浦京www81707con

原标题:想成为数据产品经理,先掌握这些数据分析方法论

本文根据GrowingIO创始人&CEO张溪梦与产品经理在线交流问题整理编辑,希望对产品经理提升数据分析能力有较好的帮助。

何谓数据产品

两年之前,那时我刚开始做产品,当需要做数据分析时,我总是一头雾水,完全不知道该如何下手。我想做好,我真的非常想做好,可我却真的不知道该怎么做。经过这两年大大小小项目的不断锤炼,摸索、尝试、碰壁、复盘、再尝试,终于能够根据数据分析的结果,做出成功的产品设计,最终呈现出良好的结果。现在呢,每天到公司第一件事就是看数据,对昨天各平台的流量、各页面的转化、各品类各入口各目的地的销量,心中有数。从数据中发现问题,进行进一步的分析,及时调整优化。

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。

▶如何获取数据,获取什么样的数据?

不知道这是不是印证了若不是找工作也不会跟数据产品结梁子呢,呵呵!言归正传,数据产品这个词目前看起来还是来自职位描述,至于什么叫数据产品,大约业界还没有定论。姑且引用老读悟的定义“数据产品是可以发挥数据价值去辅助用户更优的做决策(甚至行动)的一种产品形式。它在用户的决策和行动过程中,可以充当信息的分析展示者和价值的使能者。从这个角度讲,搜索引擎、个性化推荐引擎显然也是数据产品。狭义范畴的数据产品,比如大家熟知的淘宝数据魔方、百度指数、电商的CRM平台、各种公司内部的数据决策支持系统等都是数据产品。”搜索引擎、推荐引擎代表了当今数据挖掘领域最成功的商业案例,而魔方、指数、CRM等产品也是数据分析和决策的典型应用,因此老读悟的这个定义我还是相当认同的,或者更简单的说,凡是以数据价值驱动为核心的产品形式都是数据产品,说得更艺术一点,
the art of turning data into product 。

我在网上曾不断的找有关“数据如何指导产品设计”的文章,一直没有找到有含金量的东西,所以,我决定自己写一篇,把自己认为有价值且能迅速用于实战的东西分享出来:

新浦京www81707con 1

Q1:一个电商平台,应该着重关注什么数据,怎样设计数据后台?


以“手机淘宝”App为例,打开淘宝App,选择阿里旅行:

产品经理的概念在不断泛化。近些年来,随着互联网行业的发展,越来越多的企业意识到了大数据和精细化运营的重要性,为了更好地挖掘数据的价值,指导业务的优化和发展,数据产品经理应运而生,他们基于数据分析方法发现问题,并提炼关键要素,设计产品来实现商业价值。

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。

方法论

由于我是一直做旅游产品的缘故,所以还是拿旅游App做为案例。通过对这个App的观察,可以把影响数据的因素概括如下:

虽为产品经理,但要真正解决核心问题,不免要在前期和中期进行大量的数据分析工作,那么,实用的数据分析方法有哪些呢?

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。


好了,先说明一下:

一、业务分析类1.1 杜邦分析法

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

这里主要探讨一下,如何设计或者评价数据产品?也就是方法论的问题。说到数据产品,不能不提一下数据分析和数据挖掘。常碰到某牛人对着报表鄙视的说这叫数据分析,根本算不上数据挖掘,但是在我的理解里,数据分析其实也是数据挖掘,只是一种浅层次但是非常简洁有效的数据挖掘形式而已,因此后文不再使用数据分析这个词,而是围绕数据挖掘来思考数据产品的本质。

1、数据分析的过程:

杜邦分析法目前主要用于财务领域,通过财务比率的关系来分析财务状况,其核心要点是将一个大的问题拆分为更小粒度的指标,以此了解问题出在了哪儿,从而对症下药。

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。

《Data Mining
Techniques》这本书里对数据挖掘的定义是:数据挖掘是一项探测大量数据以发现有意义的模式和规则的业务流程。“发现有意义的模式和规则”也就是我理解的价值驱动与业务目标,进一步的这些任务又可归纳为分类和预测、评估、关联规则、聚类、孤立点等,而为了解决上述任务所需要的方式方法则包括各种统计学模型、决策树、聚类算法、人工智能等等数学和计算机技术。

2、先把因素罗列出来是为了方便大家理解。在实际工作中,遇到一个数据呈现出来的问题,你自然而然就能联想到由哪些因素造成的,然后去查询分析相应的数据,找出具体原因。

以电商行业为例,GMV(网站成交金额)是考核业绩最直观的指标,当GMV同比或环比出现下滑时候,需要找到影响GMV的因素并逐一拆解。

关于数据准确性可以不同的工具去验证。比如同时安装多个数据统计工具。比如比较客户端和服务端的数据统计差异。

数据挖掘的方法论有很多种定义,有DMAIC模型,CRISP-DM模型,SEMMA模型等等,虽然细节不一,但是大体流程并无差异。我个人比较喜欢简洁的DMAIC模型,一个是因为Kaushik的经典《Web
Analytics2.0》里遵循的思想便是这个,更重要的是它引入了循环控制的理念,而不是简单的线性流程。DMAIC模型包括:

3、电商类产品普遍以GMV为目标(不要说为什么不是用户体验,电商类和其他类产品在这点真的很不一样)。

新浦京www81707con 2

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?

Define定义需求,即把业务问题转化为数据挖掘问题

4、大中型公司普遍都有自己的数据平台及相应的数据团队。每天早上看数据也是产品经理的日常工作。小型公司的话,建议自学SQL,自己在数据库中查询数据。其实我在去哪儿网也自学了SQL,因为这样更方便。先在我们的数据平台上看数据,发现异常,就自己在SQL里查询更详细的数据。不用去麻烦数据团队,因为大家手里的活都挺多的,自己查的话效率还更高。

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?

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……

Measure 测量数据,即理解、收集并加工数据,做好准备

5、
日常需要分析的数据纬度有:页面转化;商户/商品;用户纬度;市场环境;渠道推广;客诉纬度;财务纬度

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。

内容热度:分享次数、推荐次数、点赞次数、评论数

Analyze 分析建模 ,即构建模型、评估模型的过程

6、数据分析的利器是Execl,重点要学会用“数据透视图”,这会对你的工作帮助极大。(以后我会专门写一个关于数据透视图的文章)

同样,如果是转化率的问题,那么需要对用户进行细分,针对不同阶段的用户采取不同的运营策略,关于用户的部分,这里不做赘述,有兴趣的朋友可以关注后面的文章。

用户:新用户、活跃用户、沉寂用户占比的变化,增长的趋势等等

Improve 解决问题,即部署模型来解决目标问题

7、推荐看《谁说菜鸟不会数据分析》,这算是数据分析的入门书了。

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。

数量怎样携带产品设计,数据产品设计新浦京www81707con。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

Control反馈控制,即评估结果重新开始循环,不断改进

案例解析

1.2 同比热力图分析法

A4:不强制登录,可以在app和设备的基础信息在不侵犯用户隐私的情况下,计算一个比较固定的ID。这个ID应该基本上能够判断一个稳定的用户。但是它并不和手机号码或者设备号做深度绑定。在网站上类似cookie的方法。

DMAIC模型

案例一:产品第一版本上线后,发现首页向下转化率极低,才25%。需要紧急提高首页的转化率。

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?

基于数据挖掘的方法论,回头来理清产品设计的方法论。通常对于互联网产品设计,比较一致的观点是《用户体验要素》里面的五层模型,战略层→范围层→结构层→框架层→表现层。我相信对于产品经理来说五层模型属于入门,但是对于不同类型的产品必然有不同的解读,比如SNS产品和电商产品的五层模型关注的问题肯定有差异,因此这里还是以淘宝魔方为例赘述一遍自己对于数据产品的五层模型理解。

思考过程:先查询首页每一个入口的向下转化率。发现数据集中在首页的“搜索”模块,而其他模块,比如“热销低价商品推荐”,点击率都极低。基于对我们产品业务的了解来进行分析,我们产品属于旅游环节中的中下流。用户到我们的界面上来时,基本已选好目的地了。那么他们主要就使用搜索来查询他们想要的目的地,然后再筛选他们感兴趣的旅游商品。而“热销低价产品推荐”由于只命中了单一目的地,且商品不一定是用户感兴趣的,它击中用户需求的几率较低,所以点击率极低。

新浦京www81707con 3

A5:这个部分需要的工具有很多,看您的业务是以App为主,还是Web为主。基本上应该从流量,市场占有率,还有用户交互使用深度、舆情等角度入手。每一个都有不同的工具能够辅助。比如说Alexa,AppAnnie,艾瑞的互联网行业研究报告,Gartner的研究报告,IDC,TalkingData的游戏行业研究等等都是一些好的起点。

战略层,用户需求和产品目标,比如淘宝魔方的目标用户是品牌卖家,那么它到底帮助品牌卖家用户解决什么问题?对于DMAIC来说,相当于解决Define的问题,即数据要实现什么价值。

解决方案:1)、在首页增加了更多热门目的地的入口,并且设计了一个成本极低“运营管理后台”,对目的地进行人工运营配置。2)、把商品分类提到首页,方便用户选择目的地时同时选择商品类型,进行更精准的搜索,同时让用户在首页了解到我们有哪些类型的商品。3)、删除了“热销低价商品推荐”模块,增加了“主题游”作为尝试

构建一张同比热力图大致需要三步:

▶数据分析如何驱动产品优化?

范围层,功能规格和内容需要,比如淘宝魔方有哪些功能,这些功能有哪些指标,每个指标反应哪些问题?对于DMAIC来说,相当于解决Measure和Analyze的问题,即价值表现为哪些数据指标,这些指标的来龙去脉如何。

后评估:最终首页向下转化率提高至68%。措施1提高了约25%的转化率(每两周查询一遍所有目的地的点击数据,把点击率低的目的地更换为近期较热门的目的,反复替换,最终达到较高的点击率为止。);措施2提高了约10%的转化率;措施3提高了约8%的转化率

  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。

Q1:2B企业应应用如何做基于数据驱动的产品设计与改进?

结构层,交互设计和产品架构,比如淘宝魔方的各种指标怎么分类组织,不同维度的相互关系如何?

案例二:发现某一个渠道带来的流量的转化率极高,从进来的流量到下单付款,转化率能有约10%,而我们一般的转化率才2%~3%。

通过同比热力图的分析,首先,可以通过纵向对比了解业务自身的同比趋势,其次,可以通过横向对比了解自身在同类业务中的位置,此外,还可以综合分析GMV等核心指标变动的原因。

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。

框架层,界面设计和导航设计,比如流失顾客指标是使用图还是用表格?使用什么类型的图?数据筛选器和图表怎么布局?

思考过程:分析这个渠道的流量质量,发现与其他渠道差别不大,都是对旅游有需求的普通用户,且各自的商品类型都差别不大。然后横向对比所有渠道的流量、转化率、设计、所在位置、用户在此处的需求,发现主要原因是这个渠道入口的“设计”与别的渠道不同,这一种设计形式带来的转化率要明显高于其他的设计形式。

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。

最重要的,是产品每一个功能的使用者数量,使用的频次,转化漏斗,转化率。

表现层,视觉设计,比如子行业趋势图使用什么颜色分类?宝贝列表是否显示图片?上述三层,对于DMAIC来说,相当于解决Improve的问题,即数据以什么样的形式来展现其价值。

解决方案:根据实际情况,把这种设计移植到其他渠道

1.3 类BCG矩阵

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。

具体的产品设计过程中不断运用上述模型进行思考迭代,最终才成型完整的产品,对于DMAIC来说,这就是Control的内涵。

后评估:此平台(web端)的订单提高了约15%

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。

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。

可以看到,数据挖掘和产品设计在方法论上是具有内在统一的,这就是我所理解的数据产品设计的方法论。

案例三:在参与一个独立App时,发现一个功能的入口点击率很高(90%),但使用率不高(60%)

这里想讲的并非传统的BCG矩阵,而是BCG矩阵的变阵,或者叫类BCG矩阵。

Q2:关于留存率,互联网金融借贷产品是典型的低频,一个人不可能经常上来借钱或者出借,看留存率还有意义么?

数据产品设计模型

思考过程:查询与之相关的数据,从入口进来的用户流量都分布在什么位置,然后发现用户进来后都集中在新手引导上,反复的左右翻看新手引导(滑动操作的数据是UV的4倍),且停留时长能有20多秒,发现用户的注意力都集中到了新手引导上面。

根据不同的业务场景和业务需求,我们可以将任意两个指标作为坐标轴,从而把各类业务或者用户划分为不同的类型。

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。

具体来说,任何一款数据产品需要先思考这个产品的目标用户是谁,帮它解决什么问题,给它带来什么价值,也就是确定产品的业务目标。继续思考,为了实现业务目标,需要哪些数据指标?这些数据指标是怎么来的?这些指标如何反应解决问题的思路?当我们确定了数据指标后,从技术的角度讲就是数学建模的问题了,从产品的角度讲需要明确第三个环节,就是这些指标以怎么样的形式展示?如何更好的发挥它的价值?这就从抽象概念进化到具体的产品形式。数据产品的设计过程也就是基于上述三点进行不断的循环迭代的过程。

解决方案:在新手引导的最后一页,增加一个“使用功能”的按钮

比如可以以品牌GMV增长率和占有率构建坐标系,来分析各品牌的状况,从而帮助业务方了解到哪些品牌是未来的明星品牌,可以重点发力,哪些品牌处于弱势且增长匮乏,需要优化品牌内的产品布局。

Q3: 支付转化率比较低,这种情况通过什么点,什么角度去分析用户行为?

  1. 业务目标

后评估:此功能的使用率从60%提高到了80%

新浦京www81707con 4

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。

就数据产品来说,其主要价值应该是决策或者辅助决策,这就意味着数据产品往往和业务及运营密不可分。因此评价数据产品设计的原点是产品能否满足业务运营的关键需求,不论是理解、预测还是决策。不同业务的关键需求显然是不一样的,数据产品的目标用户和目标价值也必然存在差异,这就要求数据产品的设计去深入理解业务本身,游戏产品经理最好是一个资深玩家,同样,完美的数据产品经理即使不是一个业务专家,至少也是需要能够站在业务专家角度思考问题。

案例四:公司攻略部门愿意与我们导流量的合作

除此之外,我们还可以根据以下场景构建类BCG矩阵:

Q4:针对工具类的app,有什么好的数据分析方法吗?需要注意哪些问题?

数据产品并不是千篇一律的图形报表,从业务目标出发我们可以很轻易的找到数据产品的灵魂。搜索时代的网站是以广告为核心盈利模式的,因此无数站长才会为点击流竞折腰,如何分析提升流量是网站运营的关键需求,因此以google
Analytics为代表的流量分析工具横空出世。电商网站本质是商品交易,其运营依然沿袭了传统零售业的玩法,比如活动营销,关联销售,会员提升,那么如何促进交易这个核心需求是不变的,所以有了量子恒道面向销售和客户分析的店铺经,有了辅助高级別卖家进行战略分析的淘宝数据魔方。博客及SNS类产品又是一番情景,其运营核心变成了内容产生量和粉丝数,简单的流量分析不得不改弦易辙。游戏是强运营的产品,其核心是如何留住玩家如何提升道具购买,因此可以想象游戏类数据产品必然需要面向玩家的生命周期管理和道具交易。当进入移动互联网时代,为了适应新的设计和交互变革,为了解决渠道推广难题,我们可爱的数据产品又将多屏多系统分析、渠道分析发挥得淋漓尽致。而当智能硬件、可穿戴设备、物联网各种概念喧嚣时,如何从愈加广泛的数据中寻找产品的核心价值则成为了所有人共同的思考。

思考过程:攻略每天有10万多UV,若能给我们的商品导流量,一定会促进我们商品的销售。我们平台(Web端)每天才6000的UV,若能有10万级的流量入口,对我们商品销售的帮助一定是极大的。然后考虑到数据越是在下游,就越精准,转化率也就越高。

  • 分析商品引流能力和转化率:流量份额-转化率
  • 分析商品对毛利/GMV的贡献:毛利率-销售额
  • 基于RFM分析用户的价值:访问频率-消费金额

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)。

数据产品设计的业务目标决定了产品的方向,不能抓住业务问题的数据产品不是好的设计,而基本上可以想象当明确你要解决的业务问题越难时,产品目标用户的兴趣就越大,再接着才会觉得产品的价值越大。

解决方案:在搜索结果页、攻略详情页,增加相应目的地的我们商品的入口。推荐每个目的地销量最好的商品。保证用户在攻略的界面看到的会是他们需要的商品。

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。

新浦京www81707con 5

  1. 数据指标

后评估:上线一周后评估,一周仅成一个订单,远远没有达到预期的一天至少5个订单。后来经过与攻略产品经理的沟通,分析,发现主要原因是攻略的用户主要是出行前15天至两个月的用户,属于旅行前期的规划阶段,看攻略是为了选择去哪里玩,而去哪儿玩都没有确定,怎么会在此时就购买旅游商品呢?而我们的用户普遍集中在出行前的三天至七天,是用户确定了目的地、机票酒店都已经订好了。才会在我们这里提前3~7天预订出境WiFi、包车、导游翻译…

二、用户分析类2.1 TGI指数

●Acquisition 获取用户

当数据产品的业务目标确定以后,我们似乎就要开始数据挖掘游戏了!这个游戏的核心是将业务问题转化为数学问题,这些问题往往分为两类,一类是为了反应业务情况,我需要哪些数据指标,比如流量还是交易量;第二类是为了解决业务问题我需要使用哪些数学模型或算法,这些模型或者算法的解需要哪些数据指标来表达,比如商品关联推荐。当业务问题转化为数学问题以后,基本上就是数据分析员或者技术工程师们的舞台了,他们将一起来面对诸如选择合适数据、如何认识数据、创建模型集,构建模型,评估模型等等各种细节上的挑战。

最后,数据分析是需要不断的实践总结,成功都是靠失败的经验教训堆积而成的。在这个过程中,除了学习产品设计、数据分析的方法以外,更重要的是:了解业务,沉浸到业务当中去,成为自己业务的骨灰用户,知晓业务的方方面面,产品经理一定要做到比团队中的任何人都更了解业务!这样才能够做出成功的产品设计。

在分析用户时,通常的做法是将目标用户进行分类,然后对比各类用户与总体之间的差异性,TGI指数提供了一个很好的方法,来反映各类用户群体在特定研究范围(如地理区域、人口统计、媒体偏好等)内的强势或弱势。

●Activation 激发活跃

数据产品设计的指标差异

我的初衷是希望你看了之后能够有所收获,能够对你的工作和专业水平的提高,有那怕一点点的帮助。不然我就白写了
:)

TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100

●Retention 提高留存

稍加留意上述数据指标的变化规律,不难印证,数据指标能否适配业务目标是数据产品走向成功的关键的一环。

比如在分析用户的年龄段时,可以通过TGI指数对比各用户分类与总体在各年龄段的差异,设用户分类1中16-25岁的用户占比为4%,而总体中16-25岁的用户占比为8.3%,那么用户分类1在16-25岁用户中的TGI指数为4%/8.3%=48。依照这一方法,我们可以对各类用户在各年龄段的TGI指数进行对比。

●Revenue 增加收入

  1. 价值展现

新浦京www81707con 6

●Referral 传播推荐

明确了数据产品的关键数据指标后,下一步便是如何展现数据的价值。总体上数据的价值体现在两方面,一是反应问题,二是解决问题,这也是分析类数据产品和决策类数据产品的核心区分,当然现实的产品往往处于这两者的过渡地带。

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。

▶产品运营如何学习数据分析?

分析类产品的价值展现本质上来就是通过什么样的形式来表现数据,让使用者更加一目了然随心所欲的看到问题是什么。通常这类产品的设计需要使用数据筛选器来帮助用户看到不同维度不同类别不同时间的数据组合,同时使用图表的方式使得数据指标更加直观。设计时往往需要遵循图表自身的交互属性,比如曲线图反应趋势,饼状图反应比例,频率图反应分布,而为了获得更加丰富的效果则可能需要进一步采用高级别的数据可视化技术。这些设计过程大部分属于产品设计的框架层和表现层,重在数据表现与用户的交互。而目前大部分数据产品皆止步于此,比如各种流量分析产品、指数工具、运营分析产品、数据魔方等等。

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。

Q1:统计学、分析和挖掘的书看了不少,如何系统的学习数据分析与挖掘,希望能得到指点!

决策类产品的价值展现本质上来就是能够帮助用户解决问题,提供决策方案。比较典型的有推荐引擎,它能够直接展现关联商品提升销售额,而不需要目标用户亲自去分析商品类别、监控趋势、总结规律等。再比如电信业根据用户信息分析拟定资费套餐,银行业根据用户数据进行风险控制,这些产品的展现价值的方式也都在于直接的决策,而不是间接的数据图表。再拿车联网产品来说,分析类产品就是通过OBD接口拿到数据后会使用很绚丽的交互来展现各种数据指标,而决策类产品会通过一定算法提醒用户你的油质不高,哪个地方坏了需要及时保养。再比如淘宝的江湖策,新增了无线店铺活动,通过精准数据直接为用户提供促销决策和通道,这显然是从单纯的分析产品向决策产品演进的典型案例。毫无疑问,从用户需求的角度讲,决策类产品比分析类更理想更有吸引力,毕竟相当于省去了数据分析师和运营专家,可惜的是这样的产品往往有着现实的约束,即决策流程本身是否可以产品化。对于卖场来说,数据产品永远不可能去替代售货员的吆喝,那么产品设计所能够做的也只能是尽量靠近决策罢了。

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。

A1:首先如果您有时间,看看精益分析《lean
analytics》,这本书是我在美国很好的朋友写的书。另外一本,“build
measure,learn”也是我在LinkedIn的团队成员写的书。都是很好的入门教材。再次我觉得可以看一下基础的统计书籍,因为数据分析的核心要有基本的统计知识。Using
R系列是很好的起点。

可以说,数据产品的价值如何展现,如何从分析到决策,从知道问题到解决问题,这是数据产品设计最具有挑战的一环,也是最值得思考最艰难的一环。

2.2 LRFMC模型

Q2:数据方面偏菜鸟用户,有哪些数据可视化工具值得推荐?


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。

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。

数据产品的未来

LRFMC模型提供了一个更完整的视角,能更全面地了解一个用户的特征,LRFMC各个维度的释义如下:

Q3:可以推荐几本关于数据的书吗?


L(lifetime):代表从用户第一次消费算起,
至今的时间,代表了与用户建立关系的时间长度,也反映了用户可能的活跃总时间。

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。

数据产品设计遵循互联网产品设计的基本方法,同时兼具数据挖掘的方法论,从业务目标、数据指标、价值展现三个核心环节不断深入,循环迭代。但是正如前文微博提到的,当前数据产品设计的尴尬在于大部分仅能帮助用户理解问题而很难深入决策层面。一方面是由于当然是有数据产品团队缺少话语权造成的,但是更为主要的在于决策流程本身很难产品化。另一方面,数据产品设计面向决策的变化,从产品架构来讲也意味着设计模式发生根本变化,从单纯的依赖数据模型到数据模型、决策模型、方法模型三位一体的转变。

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。

▶“无埋点”数据分析工具的原理和运用

面向决策的数据产品设计

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。

Q1:以前我们做数据统计,数据分析,都必须要攻城狮在相关行为中埋点;GrowingIO的无埋点统计分析是什么原理?

可以预见的是,在电子商务、互联网金融、虚拟运营商、可穿戴式设备这些决策本身可以产品化的领域,决策类数据产品将是舞台上的主角。

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。

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。


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。

新浦京www81707con 7

附:淘宝系解析

以去哪儿的业务为例,通过LRFMC模型可以综合分析用户的习惯偏好和当前状态,从而指导精准营销方案的实施。

Q2:GrowingIO能帮助优化产品设计和用户体验吗?


L(lifetime):用户来多久了?

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。

下面运用数据产品设计的三段式方法论分析一下淘宝系列的四款数据产品:量子恒道、数据魔方、江湖策、生意参谋淘宝版。一点浅薄之间,若是阿里的兄弟们看到了希望批评指正。

R(Recency)
:用户最近是否有消费,如果来了很长时间都未消费,是否需要进行唤醒?

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。

1.发展史

F(Frequency)
:用户出行的频率如何,如果是固定周期出行,是否应该进行复购提醒?

▶使用A/B测试的正确姿势

因为没有亲自接触淘宝的数据团队,只能从网上的一些资料大概整理了一下量子恒道、数据魔方、江湖策、生意参谋淘宝版四款产品的发展历史,可能会有不实之处忘谅解。量子恒道的前身是雅虎统计,上线于2007年7月,正好是雅虎中国更名中国雅虎业务体系大调整之后的两个月。初期雅虎统计主要方向还是网页流量分析,直到2009年1月上线店铺版开始面向淘宝系的电商深度分析,经过3年的发展于2012年4月彻底更名店铺经,并于当年6月上线手机淘宝后开始在无线端发力至今。数据魔方于2009年8月开始组建团队,2010年4月专业版正式上线,2011年6月加入淘词功能,2012年10月新版上线,2013年5月BC数据分离并不断进行商品体系升级。江湖策相对较晚,2013年9月初版才上线,似乎为了双十一而生,很快于2014年1月推出主打“无线渠道透视”的流量优化功能。生意参谋老版可追溯到1688的1.0版,淘宝新版是
2013年11月上线的,基本上与江湖策同步。

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?

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?

淘宝系数据产品简史

C(CostRatio):用户对折扣的偏好如何,是为用户增加权益还是降价促销?

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。

从发展史来看,量子恒道和数据魔方可算作淘宝系的数据产品1.0,而江湖策和生意参谋可称作数据产品2.0,而且比较明显的是无线端渐成主流。

三、产品运营类

本文作者是GrowingIO创始人&CEO张溪梦,摘自GrowingIO。

2.业务目标

产品运营是一个长期的过程,需要定期对产品的使用数据进行监控,以便发现问题,从而确定运营的方向,同时也可以用于评估运营的效果。

想知道更多的增长方式和案例?您可以观看互联网产品增长大会的录播,听听国内通过低成本预算获得几亿用户的著名公司创始人们怎么说,如饿了么联合创始人汪渊、触宝科技联合创始人兼任
CEO王佳梁,WiFi万能钥匙联合创始人张发有等。

按照本文阐述的数据产品设计方法论,淘宝系的四款数据产品分别有着怎样的业务目标呢?量子恒道在雅虎时代可以说是标准的流量统计工具,和google
Analytics以及百度统计基本上同台竞争,直到2009年面相转向电商分析,尤其是淘宝店铺的数据分析,而后仅仅是增加了手机端渠道而已。因此,量子恒道的业务目标依然是帮助电商了解自己的业务,展示分析流量、来源、成交、转化等多个视角的数据,简单归纳为以流量分析为主的“电商分析”。数据魔方早期设计的定位其实并不明确,既有行业品牌分析,又过多的介入买家卖家分析,直至新版上线后明确定位为“行业品牌分析”,虽然有淘词这种吸用户的实用功能(个人感觉这个功能有点鸡肋),但是总体来说数据魔方还是以帮助卖家解决战略问题作为业务目标的。江湖策就业务目标来说跟量子恒道比较类似,都是基于流量的数据产品,但不同之处在于它不仅帮助电商了解自己的业务,更重要的是优化店铺流量,提升转化率。生意参谋的设计目标目前看起来则相对更具体一些,它集中在店铺装修,帮助商家分析店内各页面的视觉问题、评估装修效果、引导优化。

产品运营的常用指标如下:

以及一些有过成功增长经验的专家,包括陆金所网站产品管理部副总经理唐灏,《增长黑客》作者范冰,GrowingIO
CEO (前LinkedIn高级总监) 张溪梦,吆喝科技CEO(前Google工程师)
王晔,360奇酷粉丝运营总监类延昊,Teambition
增长团队负责人钱卓群,触宝科技增长团队负责人杨乘骁,昭合投资合伙人(前Movoto公司中国总经理)陈世欣等。

3.数据指标

  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。

**仅需1杯咖啡钱,无限次观看12个顶级增长专家一天的分享录播,学会零成本运营产品的增长方法,赚千倍回报。**

从业务目标的角度推断,
量子恒道、江湖策、生意参谋应该在数据指标上与数据魔方有较大差异,同时江湖策、生意参谋相对量子恒道来说应该更加细分。下表是我从四个数据产品首页选取的主推数据指标以及部分关键细分页面的数据指标。

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。

点击新浦京www81707con ,http://event.3188.la/323568232或扫描图中的二维码进入报名页。

淘宝系数据产品指标对比

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。

新浦京www81707con 8

可以发现,数据魔方偏重于行业指标,其他三款数据产品则选择了最为典型的浏览量、访客数、成交金额、成交转化率、客单价、成交用户数等。此外,江湖策的方向是流量的细分管理和优化,对于流量路径较关注,因此引入了与路径有关的拍下金额、拍下件数等数据指标,而生意参谋主打店铺装修,因此突出页面的点击次数和点击转化率也就不足为怪了。

四、结语

到目前为止,可以说这四款产品对于各自的定位和数据指标的把握都是非常精准的,如果熟悉熟悉游戏运营或者网页分析产品的话,只要做个简单对比就可以深刻体会到淘宝系数据产品有着深入骨髓的电商基因。

在一款数据产品诞生前,应该是先有数据,再有分析,然后才是产品,分析的广度和深度直接决定了产品的定位和价值。

4.价值展现

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。

前文提到,价值展现这个纬度从产品设计的角度将包括了结构层、框架层、表现层,四款产品在基础交互视觉方面的差异一目了然,在此不作展开。下面更多的是从价值展现的两个方面加以阐述,即反应问题和解决问题。

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。

数据魔方是一款纯血的数据分析类产品,因此采用了大量的图表来展示各种数据,客观的反应了行业品牌等宏观问题。它能解决问题吗?显然不能,还是需要运营专家去解读数据做出自己的决策。量子恒道在这个问题上和数据魔方其实比较相似,虽然在“健康日报”子功能上引入行业指标做参考,但是可惜没有进一步的突破决,总体上能够全面优质的反应问题,但并未介入用户决策流程。这也就是我称之为数据产品1.0的原因。

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

那么江湖策、生意参谋这两款数据产品2.0又有什么差别呢?
仔细研究可以发现,生意参谋其实大部分的功能还是在反应问题,告诉你数据指标、指标变化等等,所不同的是
“宝贝温度计”这个小功能。“宝贝温度计”引入一个决策标准“建议数”,提醒用户“待优化”,同时引导用户直接修改标题,这个功能看起来简单,但是如果我们分析这里面的内在逻辑的话,这个步骤包含了决策标准、决策方案、决策行动三个核心要素,有了这三个要素,本质上用户就可以直接解决问题了。统计了一下淘宝论坛里对于生意参谋的反馈,“宝贝温度计”是称赞最多的,这也侧面印证了用户对于解决问题的渴望。

责任编辑:

生意参谋-宝贝温度计

江湖策显然想在解决问题这个层次上走得更远。除了提供常规的PC端、无线端流量数据透视功能,以及聚划算、无线活动效果检测等实用功能,目前来看有几个亮点是非常值得肯定的。

实时直播。这个功能是分析流量路径的,虽然其也是停留在反应问题这个层次,但是它的创新在于深入了业务流程而不仅仅是停留在数据报表,或者说它将数据细分到了具体的业务层面,这样用户可以更加直接的做出行动决策而不用去盯着数据思考背后的问题。

流量发现。主要包括潜在买家和推荐渠道,其实前者就是买家信息分析,这个本质并没有什么创新,而推荐渠道也仅仅是简单集成了各种引流工具的入口。但是考虑这是一个新成品,因此大胆预测后续改版中江湖策应该对“推荐”这个词做更为丰富的演绎,比如在分析不同流量渠道或者不同页面时更具一定的标准(比如行业排名、历史水平)等自己关联这些引流入口,直接告诉用户介于目前的数据分析你哪个指标低于行业50%水平,应该优化,请点击等等(是不是有点像360^_^)。

江湖策-无线效果优化

此外,无线效果优化、无线店铺活动等功能我们也依稀可以看到上述影子,都提供了直接或间接的解决问题的路径,可惜的是都是单独的菜单入口,并未和流量分析等功能进行深度融合,这也说明当前版本还没有建立一套完整的决策模型和方法模型,导致在解决问题这个层次上还无法深入,期望后续的版本能够给大家惊喜,我想这也是当初起名“江湖-策”的缘由吧,期待其在“策”字上的表演。

5.演进方向

一句话,未来的数据产品设计应该尝试建立完整的决策模型和执行路径,突破图表反应数据价值的局限,尽量介入决策环节,朝着解决问题前进,这就是我心目中的数据产品2.0。

相关文章