1. 首頁 > 生活百科 > >

推薦快速搭建數據體系的4大渠道 怎樣快速搭建數據體系？

小知識數據體系

針對如何快速搭建數據分析體系這個問題，本文給出了四個搭建原則：明確要統計分析的業務功能、拆分衡量指標/提出分析假設、尋找對比數據、明確數據獲取渠道 。
產品設計和優化基于數據而高于數據 。 數據是反映產品效果的一種有力輔助手段，因此，在設計產品、迭代功能前，最好都提前規劃好本次“更新換代”的數據統計分析體系，并在上線后不斷觀察，根據數據反饋指導進一步的產品優化 。 然而，面對繁雜的數據指標和功能流程，該如何快速而清晰搭建起合適的數據衡量體系，是一個很重要的問題 。
無論是搭建一套完整的體系，還是單純用于衡量某個功能/優化的上線效果，一般而言，可以從下面四個步驟進行：
  1. 明確要統計分析的業務功能
  2. 拆分衡量指標/提出分析假設
  3. 尋找對比數據
  4. 明確數據獲取渠道
1. 明確要統計分析的業務功能數據是產品效果的表達方式，在搭建數據體系前，必須先明確業務類型、明確驗證目標：
A. 業務區分上，不同的行業領域，其關注點是有很大差異的：
（1）互聯網金融領域，看重的是保有量非0的用戶數、用戶的資金保有量、申購量、用戶財富指數等；
（2）電商行業，看重的是產生購買行為的用戶數、用戶購買金額、購買頻次、復購周期等；
（3）社交類產品，看重的是用戶活躍程度，如日活躍時長、社區活躍度（評論、發帖）等 。
B. 場景區分上，是功能優化迭代驗證效果？是差異化競爭的對比分析？是基于用戶場景的拉新、留存、促活？還是流失場景的挽留？
產品數據體系，一般而言可以分為數據統計、數據分析兩大類 。
（1）數據統計更多與產品功能效果掛鉤，用于衡量某一個產品指標，如用戶數量、DAU、MAU、用戶購買金額等 。
（2）數據分析則更多用于產品路徑流程剖析、問題發現、迭代指導、運營效果反饋等場景 。
不同的業務、不同的目標，決定了我們要選取什么數據指標來衡量 。
2. 拆分衡量指標/提出分析假設明確了業務場景、統計/分析目標，下一步則是繼續拆分合適的衡量指標；對于數據分析需求來說，還需要在此之前提出分析的假設 。 以下舉例說明：
A. 分析某個產品功能的轉化率轉化率一般可分為注冊轉化率、申購轉化率、場景用戶轉化率、入口轉化率等，亦即“用戶對某款產品路轉粉”的過程 。
進一步拆分，轉化率鏈路上的關鍵數據，分別有：曝光UV→點擊UV→轉化用戶數，對應的則是“用戶看到→用戶感興趣并嘗試→用戶被轉化”的行為 。
將轉化率放到場景中做分析，目標一般有兩種：
（1）看某個產品/運營流程的轉化效果，統計新用戶從接觸到最終被成功轉化的轉化率，多用漏斗模型來表現轉化率數據；
（2）對于多渠道多入口觸達的產品，或產品功能正在進行A/B test，需通過比較多渠道多入口的轉化率，對比每一個路徑的效果 。
B. 通過用戶活躍度分析指導產品優化方向活躍度指標可分為用戶登錄/訪問頻次、場景設置頻次、申購/購買頻次、互動頻次等，主要是看用戶在產品上的留存和活躍程度，比如用戶近30天內登錄過10次，用戶近90天內發生了30次申購行為 。
有些產品/功能上線后，用戶抱著嘗鮮的態度被轉化，使用為數不多的幾次后即流失，即可明確下一階段工作重點是提升用戶的留存率 。 相反，有的產品用戶留存率很高，但深究發現用戶大部分處于不活躍狀態，即可明確下一階段的工作重點是用戶促活 。
C. 監控用戶健康度產品的健康度在某種意義上說跟活躍度有點交叉，有些廣義的概念可把活躍度包含于健康度內 。
比如，ARPU值、用戶流動性、會員體系下的用戶升降級速度…都是衡量一款產品健康度的指標 。
以會員體系下的用戶升降級速度為例：設計一套會員體系時，數據體系的搭建就必須有事前規劃測算、事中驗證跟蹤、事后調整這3個階段 。 事前的規劃測算一般需花費較大的時間和精力演算，因為一旦會員規則對外放開了，就不好輕易做調整 。 也因此，第3個階段的調整，最好是能避免則避免 。
會員體系需要擬合升降級曲線，一般達到的效果就是升級先易后難，降級留有一定buffer值 。 升級太快降級太慢，有導致體系被擊穿、成本hold不住等風險，升級太慢降級太快，用戶不買賬沒粘性 。 升降級速度，體現的是該產品的健康程度 。

推薦閱讀