分享到:
电话:0371-61318821
助力企业快速实现 "互联网+" 计划

官方微信

郑州星云互联新闻中心,郑州星云互联资讯
首页 > 新闻中心 > 行业新闻

干货讲解,数据分析从入门到进阶的关键思维:指标思维

数据分析新手常见错误:讲观点不讲事实

我们平时表达内容基本可以分为事实和观点两部分,事实不可否认,而观点则可以不认同,在中国,大部分人很容易将事实和观点混淆,这样就会导致我们在进行辩论和质疑的时候不够有理有据,陷入无谓的争论中。

比如,有个人说“我觉得今天好热啊! "这就是一个观点陈述,你不能以“今天才28度,不热啊"去反驳他。因为对于说话者,28度可能就算很热了,因为各人的感受和标准是不同的。

但如果这个人说:“今年夏天比去年的温度高多了!”,这就是在陈述一种事实了,你就可以拿两年温度对比的数据作为证据去反驳了。

在我们的生活中经常出现由于混淆事实和观点而出现的争论,举个最常见的例子,你上班迟到了,主管对你说:“你怎么经常迟到!”,这时候你非常产生抗拒,什么叫经常?我才迟到了三次,李四这个月还迟到了四次怎么不说他?然后对话就陷入了对抗模式。

编辑

“你怎么经常迟到"这句话是一个观点,代表了主管心目中的评价。如果把观点换做事实,那么沟通会更加容易。

“小张,你本月迟到了3次。"这句话是一个事实,无可辩驳,主管也没有加上评判。

这时候你的对抗情绪就会淡化很多,更容易找出问题的根源。

数据分析的工作中也是如此,我们做数据分析的目的是为了提升公司的决策水平,如果不能描述客观事实,那么信息在沟通过程中很容易变形。

如果开会的时候说“本月的销售额大幅下降“这样的观点,不同的人会有不同的理解。有些人会觉得下降20%以上叫大幅下降,有些人觉得下降10%就叫大幅。

如果去掉“大幅”呢?“本月的销售额下降”,这句话是一个事实,但是不同人的理解可能是不同的事实,因为没有说清楚下降是拿什么做对比。

编辑

最清晰的事实是“本月的销售额相比上个月下降了10%”。这句话是客观事实,无法改变,每个人获取的信息也是相同的。

团队中每个人拥有相同的信息,才有可能提升决策水平。

这种只说事实不说观点的能力要求很高,人们总是喜欢情绪化的表达。印度哲学家克里希那穆提曾经说过:不带评判的观察是人类智力的最高形式。想要将事实思维融入到日常交流中,需要大量的训练。

这也是数据分析师入门容易,精通难的原因之一。

用指标描述事实

想要保持稳定的说事实的能力,最简单的办法就是把需要衡量的事物数据化。

目前互联网行业里诸如浏览量、活跃用户、响应时间等等指标的应用已经非常普遍了。每个互联网从业者或多或少都知道一些常见的指标。许多指标已经约定俗成,即使你换一家公司,甚至换一个行业,这些指标依然没有沟通成本。比如衡量用户粘性就用留存率,反应产品的流量就用日活月活。

这些基础的数据指标知识,相信你或多或少都有了解。这种基础的监控型的指标这边就不多说了,下文会附上一些常见的数据指标。

不仅指标能提升我们对业务的理解,单是确定指标的过程,就能极大地提升我们对业务的理解。也就是说,当我们知道我们要用什么指标的时候,我们就能更好的理解业务。

刚才提到,现在的各种指标大家已经很熟悉了,比如留存率、日活用户数等等。但在时间周期拉长了看,会发现互联网行业的指标侧重点是不断变化的。

比如最早的PULSE指标体系,这些指标是用来衡量用户体验的。指标包括:

那个时代对产品的要求很低,只要能解决问题就好,所以这些指标更多地关注产品的可用性。只要确保产品能稳定快速运行,不会出现负面的体验就行了。

随后又发展到HEART指标,也是衡量用户体验的,是PULSE指标的升级版。包括:

相比PULSE , HEART指标不单单是注重可用性,而是开始考虑到产品体验的优化。这个时候同类产品开始出现,单纯拼功能已经无法获得竞争优势,而是要在用户使用体验上优化以此获得用户的喜爱,所以增加量愉悦度、参与度等这些维度。

举个例子,原来在没有聊天软件的时候,你只要做到“可用“就可以了。但是到了后来,聊天软件越来越多,有更好体验的产品才能活下来,所以需要考虑用户的更多需求和体验,于是有了群聊、陌生人社交等功能加入。

互联网发展到现在,产品的差异性越来越小,公司之间竞争的阵地从产品切换到运营,于是近几年开始流行基于AARRR的指标体系。

相比之前的指标模型,AARRR站在更加宏观的全局角度审视整个产品,并且更偏运营。

在过去,用户有自发需求,会找产品。现在的用户,大部分需求都得到了满足,该找的产品都找好了,在想让用户选择自家产品,就需要通过运营手段引起他们的兴趣。

所以,现阶段互联网环境下主流的指标体系都是基于AARRR构建的,文章最后一个部分会介绍现有比较常见的基于AARRR的指标体系。

编辑


可以看出,确定指标的过程,不仅可以达成”说事实”的结果,还能够帮助自己梳理思路。你知道要量化什么,就说明你清楚了自己更看重什么,你对自己业务的理解往往也就更加清晰了。

如何量化指标

日常的分析工作中,除了这些基础指标,还会遇到一些特定的业务问题,需要用数据分析解决。比如业务想对比用户对两款产品的喜爱程度,或者衡量APP的稳定性。这种情况下我们该怎么办?

曾任阿里巴巴数据委员会会长的车品觉在《数据的本质》一书中,给出了如何量化问题的方法。

想要量化某个事物,关键是要先搞清楚量化后的数据是为了解决什么问题。如果我们关心X,我们可以通过下列步骤完成量化。

1、首先,我们要澄清X到底是什么?

比如,你想量化用户对某个功能的喜爱程度,那么究竟什么算是“喜欢这个功能" ?是使用频次吗?是使用深度吗?还是用户分享的比例?你需要不断用问题去澄清X到底是什么。

2、然后考虑如何量化X

如果是使用的深度,那么我们可以量化”使用深度”吗?可以用功能内的停留时长,或者各个子功能的使用广度等等。找到可以用数据衡量的指标来表示“深度”

3、最后,量化后的数据能增加我们对X的了解吗?或者说能降低我们的不确定性吗?

比如"子功能的使用广度"这个指标能让我们确定用户喜欢这个产品吗?如果这个指标比较高的用户只是用户不明白如何使用产品,而进行的探索动作。功能使用率高的用户不能代表用户喜欢这款产品,那么这个数据不能有效降低我们对产品受欢迎程度的了解。

如果量化后的数据对我们理解X没有什么帮助,那么我们就得回到第一-步 ,重新澄清什么是X。

好的指标长什么样

好的指标有以下特点:

1、好的数据指标是比较性的

如果能比较某数据在不同的时间段,用户群体,竞争产品之间的表现,我们可以更好地洞察产品的实际走向。“本周的用户转化率比上周高”显然比”转化率为2%"更有意义。

我们现在的数据大部分都是可对比的,不可对比的数据是哪些呢?

比如一次用户调研,为各个功能的产品体验打分,高5分,最低1分。这种数据就不容易对比

2、好的数据指标是简单易懂的

如果人们不能很容易地记住或讨论某指标,那么通过改变它来改变公司的作为会十分困难。

前不久,一个朋友在交流群里问:过去90日B端用户14天内休眠比例,和B端下单用户次月留存,这两个指标用哪个好?

虽然我并不了解这位朋友的具体业务形态,但是第一个指标很明显太复杂了。如果采用了这个指标,遇到的第一个困难就是如何向团队成员解释这一指标。 为什么是过去90天?为什么是14天?

如果要向领导汇报,领导还要花点时间先理解一下这个指标的含义。

相比之下,次月留存的理解成本就非常低,和团队其他成员沟通完全没有障碍。因此我推荐他用更简单的次日留存。

有些指标虽然可能更“贴合业务现状",但是复杂的指标不利于团队协作,只有少数人理解的精准指标还不如所有人都理解的近似指标。

3、好的数据指标会改变行为

这是最重要的评判标准,,错误的数据指标会引导错误的业务行为。现实中,最常见的导向错误行为的指标是“虚荣指标”,即数字看起来很好看,但是实际上对业务并没有什么帮助。

曾经的大众点评,搞了不少“团购消费后发评论赚积分"的活动,评论数大涨,但评论质量很水,不得不用各种算法把这批低质量评论沉下去。这些业务动作的原因是美团的点评数上升很快,大众点评感到了压力。

而国外的TripAdvisor,是旅行行业巨头,在那上面去点评一家酒店,限制必须写50个汉字以上,必须写“标题”与“来访类型”,不写 全就不让发。这种机制对点评数KPI是多大的伤害啊。

然而TripAdvisor是全世界最大与最具盛名的旅行点评产品,甩了第二名几百条街。

可见点评数是一个虚荣指标,虽然看起来点评多了,但是实际上垃圾信息也多了,用户体验反而下降。

前不久,有朋友问了我如何衡量产品粘性,用留存率还是流失率。

这两个指标刚好互补,留存率是仍然在使用的用户比例,流失率是不再使用的用户比例。从数学意义上来说,知道了留存率,也就知道了流失率,两者的和肯定等于100%。

那么在业务上,是不是随便用哪个指标都可以用来衡量用户粘性?

要记住,我们选择了什么指标,就会导向什么业务动作。

留存率更加关心的是,从用户获取的角度综合分析获取用户的渠道方式是否合理,产品用户是否能够增长。而流失率则关心为什么有些用户离开APP。

如果我们选择了流失率,那么我们就更倾向于流失用户的召回。可能会选择短信召回,老用户礼包等运营方式降低产品的流失率。这些运营动作一旦奏效,就很容易满足于短期运营行为带来的数据优化,失去对产品价值提升的关注。

如果我们选择了留存率,那么我们就更容易聚焦在更具长期价值的工作上,比如产品的优化。

如果产品是稳定期,产品形态已经非常固定,每一个现有用户的流失都会有较大的损失,那么流失率就是比较好的选择。

如果产品还在用户增长阶段,那么留存率可能是更好的选择。

指标的选择很大程度上取决于业务的需求,一定要找到符合当前业务需求的指标。

4、好的数据指标是一个比率。

为什么比率是一个好的指标呢?

因为比率符合前面说的三点。比率比较容易对比,容易理解,而且比率的可操作性强,是行动的向导。

比如一次促销活动的销售收入是10万,而之前是30万,能说活动很失败吗?不一定,我们必须知道覆盖人群,才能衡量这次活动的效果好坏。

也许这次活动覆盖人群只有上次的十分之一,那么我们用转化率作对比,就可以只用一个指标,就能评估这次活动的好坏。


转载自网络 不用于商业宣传 版权归原作者所有,侵权删。


www.xyhlrj.com

作者: 时间:2020-05-12 阅读:179 分享到: