预计阅读时间:6min

阅读建议:本文为日常工作中,针对偏探索性分析沉淀的方法论,内容干货满满,但很好理解,建议先收藏再阅读。

00

序言

日常工作中,你是否遇到过leader派发的这些任务?

“这个功能做了有一段时间了,你来分析一下目前的现状,以及有哪些可以改进的地方?”

“我们下面希望做一些新的方向,你来从数据角度探索一下哪些方向可以做?”

类似这种工作,我们称之为「探索性分析」,也叫「进攻型分析」,即:没有先验观点,需要通过数据逐一探索。与之相反的是「防守型分析」,类似「归因分析」,感兴趣的可以戳蓝字部分。

相比防守型分析,进攻型分析的方法论并没有那么成熟,网上也很少有类似的实战文章。因此,小火龙想和大家分享一些工作中总结的分析思路,核心聚焦于结论产出。当然,思路并不局限于这一种,供大家参考应用。

01

案例背景

本文的案例背景:

某搜索引擎类APP,在几个月前上线了信息流功能(类似抖音)。老板需要分析一下目前APP的现状,以及未来可以在哪些场景发力,希望你通过数据给予一定的建议。

02

大盘摸底

在分析之前,首先要摸清楚信息流功能的现状。最重要的指标是uv,因此需要将指标近期的波动进行解释,让老板有一个清晰的认知,类似下图。

优秀经验分享活动实施方案_优秀的经验分享的重要性_大数据优质经验分享

除了uv这种大盘指标外,针对这个场景,还需要关注:功能渗透率、人均vv、人均时长、播放完成度、快滑率等核心指标。

02

人群深挖「人」

要对产品给出建议,就需要将「指标」与「维度」下钻来探索。我们常说的「人货场」则是维度下钻的三大核心方面。「人」对应的是人群挖掘,维度涵盖:年龄、性别、职业、城市等级、消费水平等。此处需要注意用户画像的覆盖比例,如果某个维度的比例很低,则失去了分析的意义。

回到案例上,针对年龄的下钻可以得到下图,数据结论为:

大数据优质经验分享_优秀的经验分享的重要性_优秀经验分享活动实施方案

同时,可以将用户属性交叉分析,宏观了解目前功能的用户情况,如下图:

优秀的经验分享的重要性_大数据优质经验分享_优秀经验分享活动实施方案

03

内容深挖「货」

「货」指的是对于内容分类的挖掘,维度涵盖:内容一级品类、内容二级品类、内容特殊标签等。在实战探索中,内容拆解经常由粗至细,逐步深挖,直至得出结论,类似下图:

优秀经验分享活动实施方案_大数据优质经验分享_优秀的经验分享的重要性

回到案例上,针对类目消费情况探索,探索的内容包含但不限于“是否存在覆盖量级较大,且消费质量较差品类”,如下图:

大数据优质经验分享_优秀的经验分享的重要性_优秀经验分享活动实施方案

数据结论为:

同时可以筛选核心指标,结合气泡图进行聚类分析:

优秀经验分享活动实施方案_优秀的经验分享的重要性_大数据优质经验分享

内容下钻,往往伴随着核心维度的组合,这个在下面会提及。

04

场景深挖「场」

「场」指的是对于用户所处环境的挖掘,维度涵盖:小时、网络、天气等。在实战探索中,可以分析出用户在不同场景中的消费偏好。例如:用户倾向在白天看时事新闻,而在晚上看小说。

回到案例上,针对小时的下钻可以得到的数据结论:

优秀的经验分享的重要性_优秀经验分享活动实施方案_大数据优质经验分享

05

交叉深挖「人货场结合」

要得出产品测的结论,「人货场」的交叉分析是必不可少的。一般情况,宏观的概括性数据很难得出决策性的结论,需要聚焦到某个细分领域上。

回到案例上,针对类目与年龄的交叉数据,各年龄段在类目上的消费倾向分布(越绿代表当前类目越偏向该用户群,类似TGI):

优秀经验分享活动实施方案_大数据优质经验分享_优秀的经验分享的重要性

从以上可以得出的结论:

06

结论输出

当做完完整分析后,需要将核心结论抽取出来,结论一般从三个方向产出,同时附上案例:

07

内容总结

以上就是一个完整探索性分析的核心思路。当然,真实的情况,肯定远比上面的流程复杂,同时,也会走很多弯路,做很多无用的工作。曾经,小火龙做一个探索性分析花费了一周左右的时间,excel产出20+sheet,最后得出5个左右核心结论。相信大家也一样,只要能得到1-2个对产品有推动作用的结论,都会很有成就感。


本文由转载于互联网,如有侵权请联系删除!