互聯網數據分析的八大關鍵

5 人贊了文章

一、數據分析流程中不可忽視的一點

提到數據分析流程，麥肯錫法、小蚊子法、Headfirst法等可能均被大家所熟知，在這裡不做贅述。而其中有個點很容易被大家所忽略，那就是尋找影響因子，只有找到了可能的影響因子，將影響因子分主次，然後去分析，方能夠在比較短的時間內達到分析的目的，從而解決問題，盲目的切分維度去分析，往往終無所得。

二、第一關鍵指標分析法是用戶響應分析中的關鍵

1. 什麼是用戶的影響分析？

用戶的響應分析是用戶行為分析的基礎，是一種有監督的分析，需轉化為指標，比如常用的流量指標，營收指標，營銷指標等。

2. OMTM（onemetric that matters）

第一關鍵指標確定後，再去展開其它衍生指標，形成指標分析體系。這個點是初級數據分析師不容易想到的，但如果你去做了，並且做到了，能夠豐富自己的分析體系，鍛煉自己的邏輯思維能力。

三、請善用同比和環比

同比和環比是很多企業經常使用的對比指標，你有沒有因為錯誤使用同比和環比而鬧過笑話？舉個例子，某企業產品1營收同比增長率200%，產品2營收同比增長率10%，我們是否可以認為產品2做得比產品1差很多。當然不能，因為在看同比和環比指標時，一定要注意看基數，產品1去年的營收是100元，而產品2去年的營收是100萬。

四、評估一個營銷活動是否成功的關鍵

在互聯網企業，營銷活動層出不窮，互聯網數據分析師需要了解並掌握評估一個營銷活動效果的方法，特別是針對一些大型的時間跨度長的營銷活動，底部長尾效果評估法相對比較適用。

在這裡我借用在一次分享時我畫的一張簡圖，如下圖紅色框標註的內容所示，假設在該活動舉行的2個月後，最終該企業的訂單量趨於穩定，則這個時候的訂單量和活動前的訂單量的差方可作為該活動的效果。

五、用戶的轉化分析

聽過很多數據分析相關培訓和分享的同學，一定知曉轉化漏斗。很巧的是，我今天面試一個分析師，當我一提到轉化率但話還沒說完的時候，他就說可以使用轉化漏斗，其實我的問題重點並不是這個，了解轉化漏斗並不等於能分析好轉化率。但在這裡我想說的不是轉化漏斗，也不是什麼高級的其它轉化分析方法，我想強調的是如下兩點：

1. 轉化率的分析，不僅要看頁面，更要看後端流程和性能；

2. 轉化率的優化對應著產品功能迭代的速度，團隊的執行力至關重要。

六、重視會員的生命周期與留存

強調三點：

1. 留存更適合放在公共數據部門分析，交叉推薦很重要；

2. 最初的一段時間內讓用戶多使用產品更易留存，就算不計成本；

3. 要有自己的留存表，要正確的解析自己的留存表，注重留存率的細分，對於分析師只有細分才更有意義。

七、用戶分群與用戶畫像

同樣強調三點：

1. 只有在數據量較大的情況下做才有意義；

2. 善用RFM模型，做分類/聚類時最好把權重考慮進去；

3. 為了更精準的營銷，需要做用戶畫像，做用戶畫像的難點在於標籤的提取與更新。

八、預測精準度固然重要，但無需強求100%精準

在互聯網行業，業務發展速度快，營銷和運營更加需要快速預測的支持，所以預測在商業場景中被利用，無需強求100%的精準，更重要的是預測準確率與時間成本之間的權衡。