<menu id="ycqsw"></menu><nav id="ycqsw"><code id="ycqsw"></code></nav>
<dd id="ycqsw"><menu id="ycqsw"></menu></dd>
  • <nav id="ycqsw"></nav>
    <menu id="ycqsw"><strong id="ycqsw"></strong></menu>
    <xmp id="ycqsw"><nav id="ycqsw"></nav>
  • 產品經理數據分析能力有什么作用(4個重要作用)


    編輯導讀:數據分析是每個產品經理入門必備的重要技能,它可以幫助產品經理不斷優化產品設計和迭代,驅動產品和用戶增長。具體包括哪些方面?本文作者從4個方面展開了梳理總結,與大家分享。

    產品必懂的數據分析技巧

    數據分析,是每個產品經理,尤其C端產品都應該具備的基礎能力。

    上一個功能,迭代一個版本,做一次重構,每個產品經理都在做的事,都離不開價值驗證。

    功能是不是帶來更好的數據結果?為什么數據出現下滑?下滑的根本原因是什么?還受了其他哪些因素的影響?如何制定相應策略來提升?

    這些都需要通過數據分析才能解決。

    數據分析是區分一個普通產品經理和高級產品經理的分水嶺,也是【做】和【怎么做、為什么這么做】的核心依據。

    01 找問題

    數據分析最常用的一個場景,就是找問題。

    交易類的app,是非常適合做數據分析練手的,因為交易類app涉及到的場景相對較多,鏈路相對復雜,而且涉及支付等重要用戶行為。沒有中間環節的數據支持,你無法準確知道用戶群體在app內的行為和心理。

    假如我們當前遇到一個問題:“某個頻道的交易額驟減!”

    找問題,首先要確定關鍵指標,即哪些指標決定著交易額。

    1. 首先是流入頻道的UV
    2. 從頻道落地頁—商品詳情頁的轉化率
    3. 從瀏覽—下單的轉化率
    4. 從下單—支付的轉化率
    5. 優惠券等虛擬資產的使用率

    這里的關鍵指標,就是指能夠精準解釋交易額驟減的指標。而往往我們所說的北極星指標,則是衡量項目的核心結果指標,有所差異。

    制定關鍵指標,就是通過業務鏈路漏斗找出上游環節的核心指標。這些指標每個的變化都會嚴重影響最終的北極星。

    02 數據拆解

    以進入頻道的UV為例,我們要看UV有沒有出現大幅的變化,假如UV出現了大幅的下降。

    那么我們就要梳理出進入該頻道的所有流量來源。

    比如通過公眾號進入,通過app我的進入、app頻道金剛區進入、app消息通知進入、通過小程序進入、通過優惠券進入等。

    那么這么多渠道,到底是哪個渠道才是問題所在?毫無疑問,我們需要對每個渠道的流量來源進行歷史比較,找出真正下滑幅度最大的那個渠道,當然這里可以優先排查占比較大的渠道,因為哪怕占比小的渠道,其實下滑很多也很難影響大盤。

    數據的拆解,本質上就是對數據鏈路的追溯,通過一層層的數據依賴關系,找出最源頭的問題,并能夠指導大家如何解決問題。

    03 維度

    數據維度,是數據分析中非常重要的一部分。

    缺乏了維度的數據分析,就像缺乏場景談需求一樣沒有意義。

    數據維度,簡而言之就是通過不同的角度,去看數據背后的意義。

    比如【從瀏覽—下單的整體轉化率20%】

    1. 直接看好像有點低;
    2. 跟歷史一對比(歷史10%),高了一倍;
    3. 跟其他電商(50%)進行對比,一半都沒有;
    4. 從渠道入口來講,通過【我的】進入頻道頁的轉化率有40%,而通過【金剛區】進入頻道頁的轉化率只有10%,說明頻道頁的轉化率是明顯偏低的;
    5. 從人群角度來講,30-40歲用戶轉化率為50%,而20-30歲、40歲以上的都只有10%,說明這兩個年齡層的轉化率是明顯偏低的;
    6. 從商品品類來講,女裝類的轉化率高達70%,男裝的只有10%,說明男裝的轉化率明顯偏低

    你會發現從不同的維度去看數據,能得出完全不同的結論,可見維度選擇的重要性。

    一般來說,選擇維度只選自己需要的維度,比如你想進行個性化推薦,那么你毫無疑問需要關注人群和商品品類的維度,因為這兩個維度的數據分析能決定你是否能夠精準推薦。

    04 深度

    數據的深度,并不是簡單的拆解數據,而且挖掘數據背后的真正帶來價值的東西。

    比如我們針對某塊業務入口區域A做了一個優化,增加了很強的營銷屬性,導致進入這個區塊A的流量大增,進而帶來額外的gmv增長。

    看上去,這是一次非常成功的設計。

    但是真相是這樣嗎?我們發現同一頁面的另一塊業務入口 B 的 UV 大降,同時該業務的 GMV 也大降,總體降幅甚至超過了 A 所帶來的 GMV增長。

    從整個大盤來講,A的增長并沒有帶動整體增長,甚至引起了整體下降,因此這其實是一次【失敗】的迭代。

    同樣的例子其實很多,比如某個功能后,通過一些優惠券營銷裂變,不斷拉新,有很多人領取優惠券進入平臺,UV大增,但是最后一盤算,GMV幾乎沒有任何增加,反倒客單價低了很多。那么這個營銷活動到底算不算一次成功的活動呢?

    這就是數據分析的深度,數據能證明,也會說謊。

    我們日常在進行數據分析的時候,會交叉的使用不同的分析方式,而且上述介紹的也只是數據分析最基礎的能力,對于大部分產品經理來說,能夠熟練運用上述能力,基本能解決80%以上的數據問題。

    版權聲明:本文內容由互聯網用戶自發貢獻,該文觀點僅代表作者本人。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容, 請發送郵件至 舉報,一經查實,本站將立刻刪除。

    發表評論

    登錄后才能評論
    国产精品区一区二区免费