数据分析实际战斗的20种技术
发布时间:2021-07-03 20:57:00作者:顺晟科技点击:
十年前还是一个人都是产品经理的时候,那个时候的产品经理真的可以改变世界。十年后时代变了,产品经理多了,数据多了,这就到了一个人都成为数据分析师的时代。目前,只要做互联网和it,没有人不知道要重视数据分析。
但是要问他有多重要,他每天说什么,里面有没有数据,他是否做出决定,有多少能通过数据支撑业务。(另一方面)。
庸医乘风昼夜练习,掌握数据分析技术,现在抛砖引玉,分为5手、20技,帮助你快速完成这个球。(另一方面)。
诀窍1、业务先行业务是数据分析的基础,如果业务不熟悉多数据分析方法,就等于徒手抓住刺猬。
1.掌握业务第一是掌握产品的业务流程。例如,我们是做金融的。过程包括三个主要过程:信用、信函和还款,每个过程可以细分为访问页面。贷款确认、平台验证、风控等。
2.除了主要业务流程外,最好深入表结构,了解各表之间的关系。这样就可以从源中清楚地知道主要数据结构和它们之间的关系。
表结构是数据分析的第一性原理,是防止无知的指南。
3.还需要知道每个产品更新、是否修改现有业务流程,以及修改的字段是否会影响需要统计的数据。
好的数据为什么不允许,原因可能是产品更新了。
4.新人熟悉工作,不要追求完美。大企业的产品结构复杂,连几年的产品负责人都不能理解方面。
根据业务解散,最好先了解特定的业务线。有些方向习惯横向扩张。
诀窍2,数据分析方法5,一般数据指标分类
数据分析的基础是建立整个业务的数据指标体系。不同行业对指标的重点也不同,但也要遵循基本原则,例如可以参考一般的数据指标分类。
用户数据:新用户、用户保留、渠道来源、dau(每日)/mau(每月);
行为数据:PV,uv,访问时间,转行率,跳跃率
商业数据:gmv、人均消费、付费数量、付费频率
6、比较分析
作为数据指标,最常见的分析是比较分析。
没有对比就没有太阳,有对比才能知道数据的价值。
比什么都好?
直方图是数量,线图是比率。一般数据分析比率是这两个值。
那怎么比较呢?
一个指标比去年同期和环比有什么变化,变化大的话需要钻孔分析。
和谁比呢?可以比作时间费、其他业务线费、同业。
例如,时间可以按月、周、日进行比较。
业务线,如A通道和B通道比较、C类和D类比较
Dau等行业经常比较淘宝和京东。
7、多维解构
如果指标改变,影响该指标的因素很多,可以分解成多维。
例如,最明显的订单申请量增加了。老板让我找理由。订单请求量这个指标太大,可以看到其他维度的解体。
例如,分析渠道维度、自营app还是微信方面的申请是否大,例如,根据新客户和现有客户维度3360,新客户是否多,现有客户是否多等。
按商品维度:是家电还是日用品,用户很多。
拆除后,我们将能够找到订单申请量的真正原因。
8、转化率分析。
在日常工作中,形成这种转化率漏斗图,然后定期观察转化率的变化,如果某些转化率大幅波动或值较低,就会成为问题。
转化率是产品和运营中需要经常考虑的事项。例如,营销活动、产品修订后流量不变时,是否有更多的客户可以转换。
诀窍4,使用数据工具
数据工具包括excel、PPT、数据可视化报告、SQL、Python等。这个工具不要求贪心,但最适合自己。
新人也不一定要先掌握python才能进行数据分析。
9、excel
Excel可以快速生成各种图表,生成切片器,并通过透视获取多维统计数据。
在Excel强大的功能面前,深深感到自己是个傻瓜。
10、PPT
Ppt主要输出数据分析结论和报告,可以包括分析目标、过程、分析结论等。
我坚决反对过度PPT的文化氛围,但每一个美丽的PPT背后都有大量的数据支持。
11、数据可视化
要形成固定分析模板,可以考虑数据可视化报告。数据可视化报告可以使用第三方(如quick bi)或自行研究。
可视化是提高效率的好工具,可惜我们自己在研究。
12、SQL和python
Sql用作一般的取水,python取决于它处理的数据大小。如果是业务数据分析,并且数据量不是特别大,则也不需要python。
诀窍4、产品事故数据事故和产品事故不分家庭,数据分析不是悠闲地展示技术,其本质是促进产品的优化。
知道如何分析数据,下一步是发现问题,推动业务改善。
13、提问
按天、周和月的维度监视数据。监测的目标是发现异常点,并对特定主题进行临时分析。
最近一个指标的转化率特别低或特别高,就要分析原因,好事要坚持,坏处要果断解决。
14、数据演示
很多问题简单明了地得出结论,一些数据需要特别分析,特别分析的核心是以数据指标为中心进行多层次、多维解构,得出逻辑严谨、有道理的证据。
15、产品程序
通过数据论证找到具体的改进方向后,就可以形成运营和产品解决优化建议。
这也是日常产品优化需求的重要来源。
16、在线验证
产品上线后,同一指标还需要重复统计数据,以评估产品在线效果。
诀窍5,更多坑17,口径均匀
不同公司同名数据指标的统计口径往往不同。
因为每个人的数据源和计算方式可能不同。所以对同样的数据指标要有口径共识才能工作。
道路一千万条,统一口径第一条。
18、避免成为数字工具。
要理解业务数据分析技术,避免成为团队的手工工具人,如果凡事都需要数据的人叫你,你可能会筋疲力尽,最终什么都做不了。(大卫亚设,北方执行部队)。
所有数据分析结果都要有分析结论。即使不能分析结论,也要找到原因。分析方法不够丰富,分析维度不够细,或者数据本身有问题。
分析方法的原因可以学习,分析维度可以微调,数据本身的问题可以推动掩埋和日志改善。
19、数据错误
数据错误可能会面对大公司或小公司,有时检查的数据几天后会发现不准确,更不用说平时不看的数据指标了。(威廉莎士比亚、哈姆雷特、数据、数据、数据、数据、数据、数据、数据、数据、数据、数据、数据)。
有时花很多时间寻找数据错误的原因。谁知道谁在受苦。
对此,只能加强数据管理,努力从源头尽量减少可能的污染。
20、抓住焦点。
一家公司的数据指标很多,每个指标都有很多维度,只有抓住重点才能找到突破口,才能迅速得出结论。否则会被细致的数据吞噬。
当然,抓住重点能力与对工作的熟悉度密切相关。