15天入门互联网数据分析
2024-07-29 15:57:12 0 举报AI智能生成
互联网人，大部分时间都在跟各种各样的数据打交道：渠道效果分析、用户画像分析、转化分析、产品分析….. 众所周知，数据是具有客观性的，有效的数据分析，可以帮我们快速发现数据规律、找到问题根源。通过专门的学习计划或培训，快速掌握互联网数据分析的基础知识和技能。这样的学习计划通常包含了必要的理论知识、工具使用、实际案例分析等内容，旨在帮助初学者在短时间内入门互联网数据分析领域。 本篇内容是基于起点学院的《15天入门互联网数据分析》整理的，供想要系统性学习数据分析的朋友参考，内容从实例出发，带你系统学习一套数据分析流程和方法。
作者其他创作
大纲/内容
第4章如何通过EXCEL快速实现数据分析
Exce操作方法-数据处理
数据导入
使用场景:当获取的数据文件不是exce格式时，需要将其他格式的数据导入到excel中进行数据的处理和分析。
文本文件数据
网站链接数据
其他数据来源
数据拆分与合并
字段拆分:分列，如从身份证信息中快速提取出生年月日信息。
字段合并: concatenate函数、&符号、date函数
数据清洗
缺失数据处理:查找、填充
重复数据处理:Countif函数、条件格式、数据透视表
数据转化
列转化:复制粘贴
数据类型转化:等价运算、选中数据直接转化、数据分列
数据计算
简单计算:加减乘除符号、Sum函数、Average函数
日期计算:Datedit函数
数据分组: Vlookup函数
加权计算: Sumproduct函数
Exce操作方法-数据分析
数据透视表
使用场景:用于将数据表中的各字段，快速的进行分类汇总。
数据透视表分组
字段设置
透视表排序
透视表更改数据源
VLOOKUP函数
使用场景:快速的将两张含有相同字段的表，进行关联。
Vlookup函数的作用
Vlookup函数的使用方法
Vlookup函数使用案例
Exce操作方法-展示
数据展现
子主题1
柱形图
使用场景:直观的展示不同维度之间的数据差异
子主题1
折线图与面积图
使用场景:用于表示事物的发展趋势。
子主题1
饼图与圆环图
场景:用于展示在同一个整体中，各个部分的占比情况。
子主题1
漏斗图、条形图
个流程中各个步骤的数据情况，快速的知道每个步骤的
子主题1
散点图
子主题1
雷达图
使用场景:用于多重数据比较
子主题1
组合图
个表中的两个数据的差异太大，在同坐标轴下无法很好的展示数需要用组合图。
子主题1
图表优化
子主题1
第5章 数据驱动运营实例
数据驱动运营实战一:渠道效果分析
肖景:需要通过对现有渠道分析，找到提升渠道效果的抓手，并通过相关的测试,找到有效的提升渠道质量和降低成本的方法。
通过数据发现，分享有礼渠道的首单数占比较大，仅次于OS和应用市场渠道，并且渠道成本高于OS渠道从目前的优惠方案和呈现方式上有较大的优化空间，因此决定从分享有礼渠道入手提升渠道质量。
次月留存成本=首单成本/次月留存率
背景:提升分享有礼渠道的首单数和降低渠道成本，确定了以下优化方案:
3月开始提高分享有礼奖励索门槛（从27元提升至37元)，优惠金额不变―目的:降低渠道成本2，
4月开始优化分享链接文案、分享和领券页的设计呈现——目的:提升渠道转化率;现需要分析两组数据的结果，查看优化方案是否有效。
渠道质量主要评估标准:
拉新效果:首单数
成本:首单成本、次月留存成本(次月留存成本=首单成本/次月留存率)
结论:
1分享有礼激励券门槛由27元逐步提升至37元（减额不变15元)，首单数成本和留存成本下降;
2并且在成本下降的同时，首单数由3.3万提升48万。说明礼券门槛的提升，并没
3对于分享有礼文案的优化，初成效，各个环节的转化率均有所提升，可以将优化措施,放大到所有用户，并且继续测试更加有效的方案。
数据驱动运营实战二∶优惠券分析
背景:京东到家无人货架业务，为了提升补贴的效率，现对所有优惠券的使用情况和成本,进行分析,寻找有效的提升方法。
目前的优惠券主要分为两种形式，一种是定向推送的优惠券，一种是活动页用户主动领取的优惠券。
分析思路
优惠券领取和使用数量
优惠券拉新效果
优惠券成本
从数据来看:活动页用户主动领取的优惠券使用率要明显高于定向推送的效果。
结论:
1从优惠券的领券数量和使用率来看，相同门槛的优惠券，基本是折扣力度越大,使用率越高。不同门槛下，基本是5-8元的门槛的优惠券使用率较高。(使用率最高的用深红色，其次是黄色,最后是绿色标注)。
2折扣率在90%-100%、满减门槛在1元及以下的定向优惠券使用数量较大，但是使用率不高，建议发券时可以对用户进行精细化挑选，提升优惠券的使用率，减少发券成本。
主要结论
1从使用数量和使用率来看:相同门槛的优惠券，基本是折扣力度越大，使用率越高。不同门槛下，基本是5-8元的门槛的优惠券使用率较高。
2折扣力度越低，RO越高，当折扣力度超过50%时，RO基本小于3(除开满1元和0.51元的优惠券)
3从拉新情况来看，基本是门榼在5-8元的优惠券，拉新效果较好，其中拉新效果最好的是满6减3的优惠券。
4定向推券的满1减0.99的优惠券的使用数量最多，使用率高于满0.51减0.5的优惠券，且roi大于5，效果较好
主要建议:不同门槛和折扣比例的优惠券，有不同的作用，如果从使用率和RO的角度结合考虑，门槛在3-10元，折扣比例在20%-50%之间的优惠券综合效果较好.
数据驱动运营实战三:用户留存分析
背景:通过新用户复购率和高频用户特征的分析，希望通过对不同类型用户特征的分析找到提高用户复购率和购买频次的方法。
分析思路:通过讨论，猜测新用户不同的购买习惯，对于复购率有不同的影响现需要对购买不同产品类型的新用户进行分组分析，验证新用户的购买习惯对于复购率的影响。
结论:随着天气渐热，购买饮料的新用户数和用户数占比都在逐步上升。
结论:
1有冷藏柜的点位的饮料销量占比要明显高于没有冷藏柜的点位。
2截山6月20日营业中的有冷藏柜的点位数占比上海、广州占比较高，对于天气较热的城市，建议可以增加冷饮柜的投放，以增加饮料商品的销售占比。
1在14天之后周期内的用户复购率增长比较缓慢，所以，建议将14天未进行复购的用户定义为流失用户，在用最近次购买曰期距今快到14天时，通过短信通知，优惠券发放提醒、新品上架提醒等方式及时唤起用户复购
2在新用户第一次下单的7天内（包括当天）如果有购买饮料，复购率和留存率要
4购买频欠越高，购买的酒水饮料的商品数量占比就越大，休闲食品的占比越
数据驱动运营实战四:商品分析
背景:通过对网站的邮轮旅游产品分析，将产品分为引流产品、主推产品、高毛利产品等，以便进行精细化运营价格敏感用户，品质敏感用户，时间敏感用户
引流产品:单价低，销量高
主推产品:单价高，销量高
高手利产品:毛利高
分析维度:产品类型、产品区域、产品天数
结论:陆地+邮轮产品的毛利率要明显高于单船票的产品，可以作为高毛利的主打商品
结论:从区域上看，用户最喜欢加勒比海地区的产品，且产品客单价处于中间水平，可以作为主推的产品。
阿拉斯加和百慕大的产品客单价加高，品质较好，可以推荐给高端用户群其中加勒比海、墨西哥的单船票产品，销量较高，客单价低，可以用作引流产品
结论:从邮轮产品天数上看，6-8天的产品的销售额和毛利率都最高，购买的人数最多，毛利率最高，可以作为主打的产品
6-8天的产品中，主要分布的是加勒比海、阿拉斯加和墨西哥区域的产品。
结论
1陆地+邮轮产品的毛利率要明显高于单船票的产品，可以作为高毛利的主打商品
2从区域上看，用户最喜欢加勒比海地区的产品，且产品客单价处于中间水平，可以作为主推的产3，阿拉斯加和百慕大的产品客单价加高，品质较好，可以推荐给高端用户群。
4其中加勒比海、墨西哥的单船票产品，销量较高，客单价低，可以用作引流产
5从邮轮产品天数上看，6-8天的产品的销售额和毛利率都最高，购买的人数最多，毛利率最高，可以作为主打的产品。6-8天的产品中，主要分布的是加勒比海、阿拉斯加和墨西哥区域的产品。
第6章数据报告撰写
数据报告撰写的类型及思路
报告类型
数据分析报告:根据分析目的，进行数据分析，来反映某项事物的现状与问题，分析研究原因、本质和规律并得出结论、提出解决方案的种呈现应用文体
基础数据报告:如日报/周报
列明重点关注的数据指标
波动异常的数据，注明原因
对于近期的关注的重点动作注明进展
综合性分析报告:如月报/季度报告、竞争对手分析报告
分析数据波动的原因，找到业务的问题和机会
注明目前重点项目的进展以及问题情况
总结成败得失，给出意见和建议
专题型分析报告:如活动复盘用户分析报告等
针对某个专项活动或目的进行细化的分析
总结项目的成败原因，得出经验教训
报告的注意事项
报告的基本要求
分析背景和目的清晰
取数时间和逻辑标记清晰，外部数据注明出处
避免结论和数据相互矛盾
观点、结论清晰，并且结论一定基于报告中已呈现的数据，有理有据，避免主观
呈现方式文不如表，表不如图，文字和配色尽量简洁
报告的思路
报告的思路:金字塔思维
金字塔思维的报告更适用于专题性分析报告，针对专门问题的分析，可以先抛出结论和建议，然后通过数据论证结论。
报告的思路:总分总结构
总分总结构的报告适用于写综合性分析报告:先叙述本次分析的背景和目的，然后通过对各个部分的业务和问题的分析，最后再汇总结论和建议。
报告的展现
报告的展现:ppt母版的运用
母版作用
设计统一板式
批量修改内容
添加LoGo
报告的展现:文字提炼原则
问题
没有观点
观点缺乏提炼
观点与内容脱节
文字提炼原则
要言之有物
删除不重要的话
删除不表达观点的描述性语言
要写简单完整句
8月份的销售
8月份的销售完成了计划的120%
报告的展现:图表展现
表格
1.提供详实的数据清单
2.突出页面的重点数据
图表
1.强化重点数据信息
2.直观且清晰表达逻辑关系
报告的展现:配色原则
对比原则:页面整体协调，局部重点突出
保持页面整体颜色统的情况下，对局部需要强的部分，使用明亮的对比色。
单色原则:颜色数量尽量少建议不要超过3种
同一页面上更多使用颜色相近的色彩，例如:红、淡红、粉红、淡粉红
数据报告展现案例
报告的案例一:基础数据报告
子主题1
结论
1. 7月20日的UV、订单量上升，转化率下降
2. 补贴总额增加，主要增加在单品促销,并且单均补贴金额上升;
3. 主要由于7.20日进行了促销的活动，活动通过大力度折扣的吸引了一批用户，但是转化率下降，说明促销带来的用户，有-部分是无效用户
4. 单均补贴金额有明显上升，说明补贴的效率降低
建议
1. 更加精准的将优惠信息传达给有需要的用户;优化促销的商品结构，满足更多用户需求;
2. 通过更加有效的优惠策略，达到订单量上升的同时，补贴效率提升。
报告的案例二:专题性分析报告模板
背景∶分析骑土选择培训场次时的偏好，找到目前场次安排存在问题并提出解决方案。
主要结论
1. 时间相关
1)工作日时段:不同时段场次报名率与季节有关，夏季早上和傍晚报名率较高冬季午后报名率较高。
2)周末场:周末场报名率比工作日略高,且下午报名率比上午高
3)夜场:夜场的报名率比白天场低
2. 地点相关
1）距离培训地点6km以内的骑土报名页转化率约30%，超过6km报名转化率开始下降
建议
1. 安排场次时避免选择温度不适宜的时段，例如夏季午后以及冬季的早晚时段
2. 周未场尽量安排在下午，夜场最晚不宜超过晚上7点。
数据&指标说明
场次报名率=报名数饭次可容纳数
报名转化率二点击确认报名的工数信击选择场次芹报名的骑土数。
主要数据
一、培训时闻相关
1、 工作日时段分析
骑土对时段的偏好与季节有关，夏季早上和傍晚时段的场次报名率较高、午后报名率较低,而冬季午后场次报名率较高、早晚时段报名率较铵低。
2、周未场
整体来看周未场次的报名率比工作日要略高一些。
表:周末场报名率
城市筛选标准是:201806-201807总场次数大于等于18，且周未场次大于等于3的城市
3、夜场
整体来看夜场的报名率比白天场低。
城巿筛选标准是:201806-201807总场次数大于等于8，且夜场场次大于等于3的城市
二、培训地点相关
1、骑士对地点有什么偏好
距离培训地点6km以内的骑土报名转化率约30%，超过6km报名转化率开始下降。
取数范围:2018.06-2018.07数据(限制点击时有课程可报的骑上)
报名转化率=确认报名的骑土数/点击选择场次并报名的骑土数
开刊词:为什么有这门课以及你将收获什么
为什么要学习本次课程
1行业趋势和就业趋势
2整套数据分析体系
3数据分析理论与实际的结合，帮助更好的理解
适合人群
数据分析0基础同学
应届毕业生或者毕业1-2年初入职场，期望进入数据分析行业的同学，本课程将会帮助大家打好数据分析的基础
2年以下的产品、运营同学
有一定的产品和运营经验，需要更多的学习数据分析体系，帮助大家在实际的工作中运用数据分析解决实际的问题。
传统行业转型的同学
传统行业同学有一定的行业和工作经验积累，但是对于数据分析没有全面的成体系的理论知识，
想要说的话
相关案例
亲自经历的案例,相关理论知识具有普适性
积极提问题
积极提出问题，答疑解答，群内交流
共同交流
共同交流，高手在民间，大神在群里
勤加练习
勒加练习，课后动手应用到实际工作中去
成长心得
学会了如问思考问题
快速学习能力的提升
养成了学习思考的习惯
学会了如问做项目管理的工作
为了工作学会了如何使用捉取取、使用spss等数据挖掘工具
因为京东到家的底层数据比校健全，我能够获很多基础数据去做分析，能够深入的去做数据分折
跟数据分析师一个部门，能够接触到很多优秀的数据分析案例，在这个过程中去学习和成长
锻炼自己发现问题,思考问题的能力
不间断的学习。通过视频学习，通过看书，培养自己学习的能力和习惯;
定期的总结自己的收获和不足
数据分析的3度原则
看待问题视野的宽度
掌握足够多的信息
尝试从不同的角度去看问题
不断地去从宏观层面去总结自己的认知
分析问题的深度
从零开始，理解真正的问题是什么
不断追问自己为什么
数据的准确度
数据分析一定要实事求是，客观公正，不能为了证明某个功能的作用，就只看对自己有利的数据
首先收集的数据一定是真实的数据，取数的逻辑是可考证的
遇到非异常值的数据一定要先进行清理
第1章 数据分析是什么
数据分析的定义
数据分析是指根据分析目的，用适当的分析方法及工具，对数据进行分析，提取有价值的信息,形成有效结论的过程。
数据分析的定义:案例解析
背景:为了提升单个点位的产出（毛额），对部分点位调整了商品结构和优惠策略∶增加高单价商品占，回收部分低价的商品，降低补贴。现需要复盘这些点位的运营结果，总结经验教训
毛利额=下单用户数*每个用户订单数*客单价*每个订单毛利率
1降低补贴，增加高价商品会影响下单的用户数，拦截了部分价格敏感用户
2调整商品结构,能够提高价格不敏感用户的客单价和毛率
3通过上述措施，基本达到了提升单点毛利额的目的，但是需要对价格敏感和价格不敏感的用户进行更加精细化的运营，以便达到毛利额的再提升
数据分析的作用及场景
数据分析的作用
通过观察数据知道当前发生了什么?
通过具体的数据拆解，理解为什么发生?
预测末来会发生什么?
支撑商业决策
数据分析的应用场景
运营
活动运营，内容运营，商品运营，用户运营:用户分类、用户生命周期
产品
产品功能，产品体验、产品调研、用户需求调研
市场
商务合作效果、渠道推广效果、投入产出比
数据分析的应用场景:产品功能分析
背景:新发版的APP增加了主页商品增加按照销量、价格排序功能，需要评估这个功能的效果
结论:增加的排序功能能够提高转化率，但是目前的使用率太低，需要加强用户教育，提高使用率。
子主题1
数据分析师的能力要求及不同等级数据分析师的能力要求
数据分析的能力的要求
数据敏感性
对于业务的深刻理解
良好的逻辑思维能力
统计分析能力
熟练使用数据分析工具
数据解读能力,直击核心
对于数据的应用能力
数据分析的不同阶段的能力表现
入门《能解决基础问题)
深度理解各个数据指标代表的含义，并且能够及时的发现数据中的问题和机会
能够熟练运营各种数据分析工具，分析数据中的问题，提出有价值的意见和建议;
进阶(分析深度)
快速，准确,深度理解数据代表的含义，并且能够快谏找到问题的根源
能够根据不同的数据分析需求，选择不同的分析维度和方法，对数据进行挖掘，发现其中存在的规律性,为业务提供前瞻性的数据建议
专业(分析深度和广度)
能够根据不同的业务形态，参与到业务的规划中，根据业务特点建立―整套的数据分析体系
能够从不同的角度对整个行业邢式和竞争对手进行分析，并且结合自身的业务特点,给出影响管理决策层的意见和建议;
第2章 数据分析的流程
数据分析的流程:案例解析
背景:(外包配送业务）达达配送中，C端未接单的出例上升，需要找到原因，并且给出解决问题的建议。
需求分析
提出可能影响未接单率的因素
订单的需求数量和运力数量
订单的补贴金额
订单配送距离
订单的需求时段
结论
1订单从18年6月开始快速增长，且远距离订单（5km以上）占比增明显，但是完成订单的骑士开始下降，导致了未接单率一直上涨
2骑士单均补贴下降，但是骑上的单均收入没有太大变化，对未接单率上升影响不大
3远距离订单未接单率高于近距离订单的主要原因:(线下调研:大部分骑士反馈所用载具为电瓶车，无法接远距离订单)
4拓展使用其他交通工具的骑土数量，增加能够完成远距离订单的运力。
5考虑挑选部分城市，测试提高远距离订单的补贴和定价，增加运力
数据分析的流程
需求分析
数据提取
数据清洗
数据分析
报告撰写
报告分享
投入应用/收集反馈
第三章 如何做数据分析
数裾类型及数据收集和整理方法
数据类型
定性数据（一般洒过问卷调查获取)
分类数据:男女、天气等(不能区分大小、不能加减、不能乘除)
顺序数据:满意度评分、幼儿园、小学、中学、大学等(可以区分大小
定量数据(━般洒过日志获取)
数伯型数据离散型:用户数、消费次数(可以加减》
数伯型数据连续型:成绩、消费金颧等(可以乘除)
数据类型案例
子主题1
统计方法差异
连续型变量:能做频数分析、集中趋势分析《均值、众致、中位数》、离散程度分析(标准差、方差、最大值、最小值、范围)
非连续型变量:主要能做频数分析
数据收集
数据埋点
如UV/PV、用户数、用户停留时间、浏览页面等用户行为数据
第三方的数据平台
如Growing lo，SimilarWeb、Google Analytics、国家统计局网站
问卷调查
线上间卷调查，制作问卷工具:如问卷星、线下间卷调查、电话回访等
数据整理
数据异常表现
空值
波动太大
不同数据源获取的数据矛盾
数据异常原因
系统故障
人为因素
数据如何清洗
删除异常
平均值填充
通过统计计算值填充
不同数据源的故据交叉验证
如何构建全面的数据分析体系
常用数据分析指标
网站分析指标:UV、P、点击率、转化率、网页停留时间、网站停留时间、跳出率、退出率等
渠道分析指标:新增用户数、用户转化率渠道ROI、渠道流量、渠道流量占比
活动效果指标:活动点击率、活动参与人数、活动转化率、活动ROI
收入指标:付费人数、转化率订单数、客单价、GMV、复购频次、毛利率、毛利额
用户类型指标:新增用户、活跃用户、留存用户、回流用户、流失用户等
用户价值指标:用户最近一次下单时间、用户下单频次、用户消费总金额
案例解析
背景:为了更好的对不同点位进行精细化的运营，根据点位产出，将点位分为了不同的层级，现在需要对不同层级的点位进行分析，找到影响产出的决定因素，以便找到提升点位产出的措施。
GMV=点位数*单个点位下单人数*平均每人订单量*客单件*平均每件商品价格
子主题1
如何构建数据分析指标体系
通过收入相关因素拆解指标
子主题1
按照用户类型拆分数据指标
子主题1
按照渠道拆分数据指标
子主题1
横向拆解数据指标体系原则
应遵循MECE原则,相互独立，完全穷尽
同一类型的数据在同一层级
按照流量漏斗拆解用户指标
子主题1
激活用户数=100*80%*83%*60%*93%*54%=20
通过漏斗拆解可以明显发现转化率较低的是注册第二步以及完成关键行为的动作，需要优化这两步的流程
纵向拆解数据原则:拆解的时候最多选择条主流程;主流程应该选择大多数用户的操作流程;
不同类产品关注指标
电商类产品
GMV=流量*转化率*单价
毛利额=流量*转化率*客单价*利率
工具类/社区类产品产品
活跃用户数=新增活跃用户数+已有活跃用户数
活跃用户数=新访客流量*新用户激活率+已有用户数*老用户留存率
游戏类产品
付费收入=活跃用户数*付费率*ARPU
付费收入=(新活跃用户数+留存用户数)*付费率*ARPU
付费收入=(渠道流量*转化率+老用户数*次日留存率)*付费率*ARPU
o20类产品
订单完成率=已完成订单数/需求订单数
订单完成率=(新用户订单数+老用户订单数)/(新用户需求数+老用户需求数)
常见的数据分析框架
框架的作用
需求方:目前我们已经掌握了很多数据，是否还有某块重要的数据指标没有关注到
新手:接到一个数据分析需求，不知道该从哪里入手
老手:数据报告写好了，我是否还有什么没有考虑到
QQ模型
数量(绝对数)
用户数
浏览量
点击量
质量(相对数)
留存率
转化率
参与率
用户行为理论
认知
网站访问: PV、UV、访问来源
熟悉
网站浏览: 平均停留时长、跳出率、页面偏好
站内搜索: 搜索访问次数占比
试用
用户注册: 注册用户数、注册转化率
使用
用户登录: 登录用户数，访问登录比
用户订购: 订单数、转化率
忠诚
用户黏性: 回访者比率、访问深度
用户黏性: 回访者比率、访问深度
5W2H分析法
What
产品提供什么服务?用户的核心需求是什么?
Who
谁是目标用户?用户有什么特点?
Where
用户一般在什么场景使用产品?用户主要分布在哪里?
When
用户在什么时候使用产品?
why
用户为什么要使用产品?产品有什么地方吸引用户?
How
用户如何使用产品?用户的使用路径是什么?
How much
用户在产品上花费了多少钱或多少时间?
AARRR模型
Refer推荐
推荐用户数、推荐转化率、被推荐转化率
Revenue收入
付费用户数、付费用户占比、平均付费金额
Retention用户留存
用户天然生命周期、用户留存率、不同用户分组留存率
Activation用户激活
定义用户激活行为、用户激活率、激活漏斗转化率
Acquisition用户获取
用户获取成本=（营销费用+销售要用)/同时期新增用户数
用户来源渠道:渠道新用户数、渠道新用户占比、渠道成本
RFM模型
R
Recency最近一次购买时间
F
Frequency购买频次
M
Money购买金额
人货场模型
人: 用户数、留存率
货: 商品数量、商品动销率、商品单价、客单件
场: 网站、渠道、点位数、展示位置
常见的数据分析法
对比分析法
使用场景:用于判断某个数据是好还是坏，以及某几个数据之间的差异性
案例
背景:达达配送开通了新的A城市服务，需要对新城上线后的核心指标进行复盘,
及时发现问题。通过对比发现，几个指标中，两个城市的UV转化率都呈现下降趋势，应该重点优化。
及时发现问题。通过对比发现，几个指标中，两个城市的UV转化率都呈现下降趋势，应该重点优化。
子主题1
时间对比
同比、环比、变化趋势
空间对比
不同城市、不同产品对比
目标对比
年度目标、月度目标、活动目标
用户对比
新用户vs老用户、注册用户vs未注册用户等
竞品对比
渠道、功能、体验和流程、推广和收入
分组分析法
使用场景∶用于数据包含的信息多样化，且各种类型的数据之间差异牧大，用于
分析不同类型数据之间的差异，经常与对比分析法一起使用
分析不同类型数据之间的差异，经常与对比分析法一起使用
案例
子主题1
结论:通过分析发现留存率降幅明显的是OS渠道和应用市场渠道，且因为这两个渠道的用户量占比最大，应该对于整体留存率的影响最大再通过对这两个渠道的订单完成情况分析，发现接单情况对留存的影响最大，对于完成订单接单时间越长留存越差，对于发布订单未接单率越高留存越差。
所以,目前应该提高接单率以及提升完成订单的时效性。
不同时间分组
日、周、月、年等
不同产品类型分组
产品属性
产品区域
不同用户类型分组
人口属性（性别年龄)
客户价值
消费频次
不同渠道分组
线上渠道、线下渠道
付费渠道、免费渠道
矩阵关联分析
使用场景:当判断某个事物有多重属性时，且各个属性之间没有直接的关联性，
需要根据多重属性判断事物的结果。
需要根据多重属性判断事物的结果。
案例
背景:京东到家APP为了优化渠道结构，节约投放成本，现需要评各个渠道的质量，提升整体转化率。
子主题1
结论:地推渠道的流量大，但是转化率较低，需要再深入分析转化率低的原因，找到提升转化率的办法;好友邀请的转化率高，但是流量较小，可以考虑增加好友邀请的入口，提高补贴来增加流量
SWOT矩阵
优势
劣势
威胁
机会
波土顿矩阵
市场份额
市场增长率
满意度矩阵
重要性
满意度
逻辑树分析方法
使用场景:通过将复杂数据层层拆解，用于发现复杂数据中的问题和机会
子主题1
案例
背景:为了更好的对不同点位进行精细化的运营，根据点位产出，将点位分为了
不同的层级，现在需要对不同层级的点位进行分析，找到影响产出的决定因素，以便找到提升点位产出的措施。
不同的层级，现在需要对不同层级的点位进行分析，找到影响产出的决定因素，以便找到提升点位产出的措施。
子主题1
GMV=点位数*单个点位下单人数*平均每人订单量*客单件*平均每件商品价格
漏斗分析法
案例
背景:在监控京东到家APP用户路径转化率时发现，从列表页到详情页这-步的流失率特别高，需要昊体定位问颍原因
子主题1
结论:通过调研发现:用户无法快速在列表页找到自己想要的产品，于是调整了列表页的排序规则，并且增加了按照价格和销量排序的功能，经过一段时间的优化后，从产品详情页到支付成功环节的转化率有了明显的提高。
结论
1不同层级的点位的主要差异是平均单个点位的下单人数不同
2影响下单人数的主要因素是公司人数，公司人数超过300人的点位，在第AS等级的点位数占到30%以上，但是也并不是人数越多，点位的下单人数就—定越多
3从数据看出,点位的产出与补贴率的关联度不大
4之后拓展的点位应该提高人数的限制，拓展人数更多的点位
3有冰柜的点位销售的饮料占比要明显高于没有冰柜的点位，所以，建议可以增加各个城市的有冰柜的点位数量。
0 条评论
下一页
