2021年数据分析师不会数据分析其实也能好好玩数据.docx

数据分析师不会数据分析其实也能好好玩数据

　　小产编说
　　其实数据分析的心法，历来全部在我们身边。
　　掌握了这个心法，就不怕数据分析。
　　文/金龙聊运行
　　数据分析一直是大家的心头之痛。
　　技术流的老司机，她们左手SQL右手BI。外行人站在旁边根本看不懂。
　　要学习的话，又需要花费大量的时间...
　　那真的没有措施了么？
　　对于产品人来说，数据分析其实并不指数据分析工具的使用技术，而是指一个思维习惯。
　　能帮你梳理业务，找到方向，达成目标数据分析，才是我们所说的数据分析。
　　建立这种思维住3个步骤，掌握3个模型。
　　3个步骤
　　这三个步骤是，确定目标、列出公式、确定元素。
　　我们以某互联网金融企业A为例。
　　假设A企业正准备上市，目前关键目标为利润。
　　针对利润，我们列出公式。上面公式中，利润拆解成了 付费用户数、投资金额、投资时长、对应利率 四个元素。其中对应利率取决于资产端，跟用户侧关系不大。
　　所以假如我想提升关键KPI—利润，就要尽可能的提升付费用户、投资金额和投资时长。
　　恭喜你，已经找到了发力点。
　　注意，关键目标会伴随业务发展不停改变，比如用户运行，App早期看重新增，中期看重转化，后期看重留存。假如依然难以确定，看看你的关键KPI。
　　3个模型
　　确定需要提升的元素后，问题来了。
　　-怎样提升每个元素的量级？
　　-怎样制订策略，分配资源？
　　-怎样验证策略是否有效？
　　你需要掌握3个模型。
　　A. 漏斗模型
　　适用范围：需要多个步骤达成的元素。
　　比如投资用户数。
　　达成投资用户的状态，需要多个步骤。每个步骤全部存在转化率，放在一起就成了层层缩减的漏斗。
　　漏斗模型作用：提升量级。
　　经过提升转化率，提升单个元素量级。
　　有了漏斗模型，就能够分析每层漏斗衰减的原因。有些原因显而易见，有些需要做A/B测试。你能够逐层提升转化；也能够改变用户路径，降低漏斗层级。
　　比如，支持H5内投资的理财产品漏斗，要比下载App投资的漏斗少2个层级，转化率要高很多。
　　盈利还是亏损，有时只取决于一个漏斗。
　　注意，优化漏斗是个长久过程，需要天天关注。
　　
　　适用范围：含有多重属性的单个元素。
　　比如，本文公式中的投资用户，就有投资金额和投资时长两个属性。能够将其作为横纵坐标轴，把全部投资用户分成四组。
　　电商品类运行有个经典坐标，按流水和利润划分品类。
　　用户运行也有个经典坐标，叫RFM坐标。
　　R=最近一次行为(Recency)
　　F=行为频率(Frequency)
　　M=行为量级(Monetary)
　　这里的行为指和你的关键目标亲密相关的行为。比如在本文的金融产品中，就是投资。
　　R代表可触达，毕竟6个月没来投资的用户，说不定全部卸载了，甚至已经忘了你这个App；
　　F代表忠实度，高频次的使用App，即使ta可能每次只投几块钱的活期；
　　M代表价值，比如累计投了50万，这可是个高净值用户。
　　多维坐标作用：精细化运行。
　　经过多维坐标将用户分组，对不一样组用户采取对应的运行方法。
　　首先，一定有一