谈谈如何建立数据分析思维
一、建立指标体系
现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
所谓衡量，就是需要统一指标来定义和评价业务。所以上面那句话可以变为
如果你不能用指标描述业务，那么你就不能有效增长它。
指标体系没有通用的模板，不同业务形态有不同的指标体系。
二、明确好指标与坏指标
不是所有的指标都是好的。好指标应该是核心驱动指标。就像销量和利润，用户数和活跃用户数，后者都比前者重要。
核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。
互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。
另外一方面，好的指标还有一个特性，它应该是比率。
拿活跃用户数说明，我们活跃用户有10万，这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。
正因为单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。
坏指标有哪些呢？
第一个是虚荣指标。
产品在应用商店有几十万的曝光量，没有意义，我需要的是实际下载。下载了意义大吗？也不大，我希望用户注册成功。曝光量和下载量都是虚荣指标，只是虚荣程度不一样。
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。可惜很多老板还是孜孜不倦的追求10W+。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免在业务中使用。
第二个坏指标是后验性指标。
比如有一个流失用户的定义：三个月没有打开APP就算做流失。那么运营每天统计的流失用户数，以时效性看，已经发生很久了，也很难通过措施挽回。
活动运营的ROI（投资回报率）也是后验性指标。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，不能驱动业务。
第三个坏指标是复杂性指标，它将数据分析陷于一堆指标造成的陷阱中。
指标能细分和拆解，比如活跃率可以细分成日活跃率、周活跃率、月活跃率、老用户活跃率等。数据分析应该根据具体的情况选择指标，如果是天气类工具，可以选择日活跃率，如果是社交APP，可以选择周活跃率，更低频的产品则是月活跃率。
每个产品都有适合它的几个指标，不要装一堆指标上去。
三、建立正确的指标结构
既然指标太多太复杂不好，那么应该如何正确的选择指标呢？
指标结构的构建核心是以业务流程为思路，以结构为导向。
假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢？
从内容运营的流程开始，它是：内容收集—内容编辑发布—用户浏览—用户点击—用户阅读—用户评论或转发—继续下一篇浏览。
这是一个标准的流程，每个流程都有指标可以建立。内容收集可以建立热点指数，看哪一篇内容比较火。用户浏览用户点击则是标准的PV和UV统计，用户阅读是阅读时长。
从流程的角度搭建指标框架，可以全面的包括用户相关数据，无有遗漏。这套框架列举的指标，依旧要遵循指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
四、了解维度分析法
当你有了指标，可以着手进行分析，数据分析大体可以分三类：
利用维度分析数据
使用统计学知识如数据分布假设检验
使用机器学习
维度分析法最常用，维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，时间也是一种角度，所以它们都能算维度。
当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。数据模型将复杂的数据以结构化的形式有序的组织起来。我们之前谈到的指标，都可以作为维度使用。我们常用的数据透视表就是一种维度分析，将需要分析的维度放到行列组合进行求和、计数、平均值等计算。除了Excel、BI、R、Python都能用维度分析法。BI是相对最简便的。
谈到维度法，想要强调的是分析的核心思维之一：对比。比如过去和现在的时间趋势对比，比如不同地区维度的对比，比如不同用户的群体对比。单一的数据没有分析意义，只有多个数据组合才能发挥出数据的最大价值。
总结一下：我们通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析。
网友评论