京东出品！写给大家看的数据分析思路（二）

在上一篇文章《写给大家看的数据分析思路（一）》中，着重介绍了数据分析 6 步的前 3 步：构建 X 问题、提出假设 & 选择指标、数据采集与整理，这 3 步如果没有足够的数据处理经验，可能会耗费整个数据分析 60%-70% 的时间，但下面一个环节──数据分析，虽然耗时不如准备阶段那么多，却是所有环节中专业门槛最高、含金量最高的环节。本文将会介绍数据分析的基础工具，以及几种在产品设计分析上非常有用的数据模型。

往期回顾：

必知的基础数据分析工具

1. 常规统计分析

从后台获取的原始数据往往是独立的一条条数据，我们必不可少需要进行基础的数理计算，包括但不限于求和、算平均数、比率、计数、最大最小值等。如：订单转化率由引入订单数/页面 UV 而来，客单价由总引入订单金额/引入订单数而来等等。

除此之外，常用的统计学方法还有：

• 结构分析，如男女用户占比；
• 分布分析，如品类订单金额分布；
• 分组（群）分析，如分流失用户和活跃用户 2 类人群进行用户特征分析、分地区进行订单分析、分品类进行购买频次分析。

2. 对比分析

对比分析在上一篇文章中已提到过，基本上 90% 以上的分析都离不开对比。沿着提出假设及对应的衡量指标的思路，我们有了一个假设「X 策略可以提升 A 页面的卖货效果」，且定义此假设的衡量指标为「页面转化率」，当我们拿到页面转化率指标后，转化率需要达到多少才算好呢？是否是因为 X 策略带来的提升，还是可能是时间规律上的自然上涨？这时就可以通过对比来分析了。

• 纵比：在时间维度上，对比页面 A 在使用 X 策略后，页面转化率是否提升了？
• 横比：选取同时期的同类页面，页面 B，横向对比老页面 A、新页面 A、B 三个页面的转化率对比情况。
• 与经验值对比：可以拉取更长的时间段，看 A 页面的转化率变化规律，看使用 X 策略是否高于时间规律上的预期值；可以选取更多同类页面，选取同时期的转化率对比，看 A 的转化率处于哪个位置？
• 与业务目标对比：假如大的业务目标其实是 GMV 为 2000w，计算目标转化率=目标 GMV/（UV×客单价），然后对比目标转化率和目前转化率的差距。

各个角度的对比都能帮助你更清晰地理解目前指标的情况，然后就可以据此继续做下一步计划。

3. 趋势分析

数据趋势分析，一般会选取一个较长的时间段来看数值的起伏变化趋势。看趋势有什么用呢？在电商场景下，最常见的运用是做流量和交易情况实时监控，在产品、运营均未做大幅改变时，数据一般会呈现在一个数据区间内，表现出相对稳定的变化规律。可以根据此规律做数据预警和适应性运营策略。

数据预警：当某天的数据趋势线出现明显异常的变化时，就需要引起项目组的警惕，去排查变化原因并及时作出应对策略。如某页面 UV 突然大幅下降，可能是商品配置出现问题或者页面出现 BUG 导致。

△ 流量趋势线在11.7忽然下降，可能异常

适应性运营策略：某服饰类的频道，历史呈现出的规律是工作日流量相对较高，到周末则会出现明显的下降。当运营想要在此频道推出一个女装主题的促销活动时，就可依据此规律选取工作日为活动上线时间。

△ 流量趋势线规律性的在周末下降

4. 交叉分析

交叉分析可用于两个或两个以上的变量关系分析。在电商活动场景中，将交叉分析+趋势分析结合起来，也是一个比较有用的分析角度。比如最常用的，将流量 UV+转化率，放到时间趋势里面去，就可找到投入产出高和低的活动日.转化高但流量低的日期，流量的投入产出高，可以引入更多的流量；而流量高转化低的日期，投入产出低，需要寻找问题优化售卖策略。比如，下图为页面点击率和转化率间的数据曲线，则可发现点击率与转化率变化趋势基本保持一致。

△ 页面点击率（上）和页面转化率（下）

也可加入第三个变量，在前面的例子中，再加上 UV 的属性，可发现看出 3 者的变化规律。

△ UV、点击率、转化率3个指标交叉

有用的数据模型

1. 价值矩阵分析法：通过数据找到最有价值的方向

对比分析往往只是在单一维度上进行价值对比，直接得出谁高谁低。但在实际情况中，就跟做人才选拔一样，既需要看成绩也需要看潜力，衡量的维度往往会有多个。在企业众多的业务线/产品的众多功能模块中，哪些值得加大资源投入、哪些应该及早放弃，才能使企业的资源得到最大化的运用呢？

价值矩阵分析法就可以用于综合衡量多个因素的价值，辅助决策在哪些因素可以加大投入。放到企业决策中，可以判断业务的价值高低；放到页面模块或产品功能模块的场景中，可以用于判断功能/模块的价值；放到渠道质量评估中，可以用于评估多个渠道的用户质量。

我们以功能模块价值评估为例来详细介绍如何使用价值矩阵分析法。在电商卖货的页面中，有 A、B、C、D、E、F、G、H，8个功能模块。首先，需要选取我们最关注的衡量指标，在电商卖货的页面中，按经验往往会关注的模块角度有：

• 访问用户中有多少人点了此模块（点击 UV 占比）；
• 点了的人又有多少人最终购买了（点击转化率）。

所以可以据此建立横纵为点击 UV 占比，纵轴为点击转化率的矩阵，用以评估功能模块的价值，具体见下图。

△ 模块价值矩阵分析

矩阵中，右上的模块点击多转化高，这里为「PMF 区（需求契合点）」，最符合用户购买需求，功能价值最高，可以固化保留、

右下的模块点击少但转化高，这里为「潜力区」，可能是还没被用户注意到，可以尝试强化吸引更多用户点击，有可能能带来大幅的增长、

左上的模块点击多转化低，这里为「需求未满足区」，即用户对这些内容有需求但还无法让用户下购买决策，需要解决此路径阻拦用户购买的障碍因素、

左下的模块点击少转化低，这里为「废弃区」，各方面价值都不高，可以考虑砍掉了。

小结一下，价值矩阵的主要使用步骤为：

• 有多个需要衡量的因素；
• 明确衡量这些因素最关键的 2 个指标；
• 以这 2 个指标为横纵轴，并将每个因素放到矩阵中去；
• 对 4 个象限的因素提出下一步的解决方案。

2. 目标验证模型OSM：通过数据验证策略有效性

OSM（Objective 目标 - Strategy 策略 - Measurement 衡量）思路是所有做数据驱动项目中必不可少的一个思路，即：明确增长目标 - 围绕达成目标而采取的策略 - 使用具体的数据指标衡量策略是否有效/目标的达成情况。

明确增长目标（Objective）

根据产品增长生命周期所在阶段确定。

• MVP 阶段：最小可行性产品期，进行最小化增长试验，寻找 PMF 功能。
• 产品和市场匹配阶段：提升用户黏性（使用频次）和用户体验。
• 快速扩张阶段：推广渠道和产品的匹配，对高质量的渠道进行大规模的资源投入。
• 成熟期：探索新的增长机会和方向，如国际化等。

△ 产品生命周期

根据价值矩阵分析法确定。在前面已详细讲解过，可以用于业务线、产品功能、渠道质量等的价值综合评估，从而确立目标（横纵轴指标结合大的业务 KPI 来确定）。

当然，还有一种更加普遍的做法：直接从业务/项目的关键 KPI 得来。（往往是已经非常成熟的业务模式）

围绕目标制定增长策略（Strategy）

先进行目标拆解：3 种拆解方法。

杜邦指标拆解：杜邦分析法（DuPont Analysis）是利用几种主要的财务比率之间的关系来综合地分析企业的财务状况。具体来说，它是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。其基本思想是将企业净资产收益率逐级分解为多项财务比率乘积，这样有助于深入分析比较企业经营业绩。

△ 金融领域的杜邦拆解法（来源于百度图片）

放到互联网/电商产品分析中，也是同理，即将目标指标进行一级一级拆解，每一个细化的指标都可以提出相应的具体增长策略出来：

• 总销售额 GMV = 订单数 × 客单价
• 订单数 = 访问 UV × 订单转化率
• 访问 UV = 新用户 UV + 老用户 UV
• 新用户 UV = 渠道投放入口曝光 UV × 曝光点击率 CTR

△ 电商场景下的杜邦拆解图

AARRR 用户增长模型拆解：此模型在各大网站中已经被反复提到，主要是用于用户增长语境下。放到电商语境下进行拆分，则可从拉新 Acquisition> 激活 Activation> 转化 Revenue> 留存 Retention> 推荐 Refer，5 大完整的闭环流程中分阶段发力去挖掘用户增长的机会点，每个环节都可以作为不同业务部门负责的增长目标。

△ AARRR电商语境下的增长模型

漏斗路径拆解：漏斗模型也是一个比较常规的拆解模型，一般可按照流程的先后顺序，从目标流程中的起点（如打开页面），一直到最后目标完成（如支付成功）。整个过程中，依据每个环节的到达量和流失率，来评估每个环节的好坏。据此来找到当前需要重点发力去提升的环节，最终达到目标值的增长。

衡量拆解后的目标：使用 ROI（投入-产出）决策框架确定细化增长方向。

当我们拆解之后，会发现有很多个增长选项，但资源有限，如何选择一个最优的增长方向投入资源呢，这时候就可以使用 ROI 决策框架进行优先级判断，将资源聚集在投入产出比最高的目标方向上。

建立横轴为投入，纵轴为产出的 9 个矩阵，1-9 个区域依次代表项目的优先级，1 为投入产出最高，9 为投入产出最低。

△ 用ROI决策矩阵衡量投入产出

围绕小目标发散具体策略：到达此步时，已经完成了由大目标到多个小目标了，接下来，就可以围绕小目标进行解决方案的发散，组织头脑风暴会议、思维导图列举等都是可行的方法。

选择具体的衡量指标（Measurement）

很多情况下，衡量指标可以直接从细化的小目标得来，比如用杜邦拆解来的直接就已经是「广告入口的曝光点击 CTR」之类具体的衡量指标了。

但还有一些场景，目标并不是具体的指标，我们就需要将目标转化为指标，这时候可以用到现象-指标关联法：具体的做法是将我们期望出现的「现象」描述出来，然后转化为「指标」。假设有一个目标是「提升页面内容对用户的吸引力」转化过来，其实就是让用户看更多内容，具体的指标就对应了用户的浏览页面深度，以及在页面中的停留时长。

在选择数据指标的时候，可以参考定义衡量指标的 SMART 原则：

• Specific 具体的
• Measurable 可衡量的
• Attainable 可达成的
• Relevant 和大目标相关的
• Time Bound 时效型

最后一步就是进行结果衡量了，这一步可以回到前面的数据采集和整体的过程，然后选择合适的对比对象进行对比，最终衡量目标的完成度，以及每个细化策略的有效性，得出最终数据结论。

参考资料

• [1]《首席增长官》张溪梦 · 机械工业出版社
• [2] 《在产品迭代中，如何用数据驱动用户增长？》