运营狗痛诉:作为数据白痴,谁能拯救我啊
本文适合:任何需接触数据分析工作的运营、市场童鞋~
有什么用:帮助运营童鞋解决工作中常遇到的数据问题,轻松玩转数据,真正用数据驱动运营。
在这个数据驱动运营的时代,数据不仅是数据工程师和分析师的事情,在工作中也要求运营从业者有一定的数据分析能力,更有人说“数据分析能力是未来运营的分水岭”。从我自身角度出发,真心觉得数据能更好推动运营策略和工作的开展。
但运营童鞋多是数据小白,没有编程和技术基础,那我们该怎么分析并用好数据呢?今天从运营常见的数据问题出发,希望让大家能快速地入门数据分析,让数据更好地为工作服务,别白白浪费数据的价值。
01 不知该分析哪些数据?从哪些角度入手?
这是运营小伙伴们最头痛的问题,不知道该关注、分析哪些数据,就算拿到数据后,也不知道到底从哪些方面去分析这些运营数据。给小伙伴们整理一些运营常见的数据指标,也总结了一些比较适用的分析角度,希望有用~
1、互联网运营关注的常见数据指标
(比较多,请耐心看完或收藏)
流量
1)访问:PV、UV、IP(最常见);跳出率、平均访问时长、平均访问页数等;使用设备、操作系统、浏览器、地域分布等访问行为;
2)注册:注册人数、注册走势、累计注册人数、达成率等;
3)渠道&推广:来源渠道分布、总消费、展示量、点击率、点击率、平均点击价格、转化率、转化成本、ROI等;
用户
1)活跃/登录:DAU、WAU、MAU、活跃率、登录人数等;
2)留存:次日留存率、周留存率、月留存率等,还有按渠道去分析留存率;
3)流失:流失数据容易被遗忘,包括流失率,流失人数、每日平均流失人数等;
4)付费:付费人数、付费转化率、单笔订单平均金额等,更多看订单数据;
5)其他:每日评论人数、收藏人数、分享人数等
6)头像:一方面分析用户属性:关注年龄、性别、学历、职业、地域、婚否、收入、兴趣等;另一方面分析用户行为:登录次数、活跃率、累计消费金额、最近一次购买、购买次数、复购率等;
订单
付费人数、新增付费人数;总金额、每日订单数、平均每日成交额、客单价;付费金额、付费毛利、付费利润、复购率、ARPU、付费各个路径转化等;
内容
PV、UV;UGC、PGC、文章数、关注数、阅读数、互动数(评论、点赞等)、传播数(转发、分享等);
活动
活动页PV、UV、新增人数、参与人数、登录人数、转化人数、转化成交金额、ARPU、优惠券发放/使用人数、营销成本、营销转化率、ROI、分享人数、分享次数等,数据要根据活动类型而定
服务
电商、O2O等行业易涉及,包括咨询人数、咨询转化率、退货率、退款率、好评率、差评率、投诉率等 ;
APP
各渠道下载量、激活数、新增注册数、获客成本;启动次数、启动人数、停留时长;push到达率、打开率等,其他参考以上数据。
2、适用的分析角度、方法
数据分析有各种高大上的分析原则,比如AARRR模型、5W2H等,但是运营毕竟不是专业的数据分析师,主要能用好这些原则就够了~
对比:分成横向和纵向对比,比如纵向的同环比分析,横向的不同产品、不同渠道的对比等;
走势(变化):指标随时间的变动,表现为增幅(同比、环比等);
分布:这个好理解,比如说用户不同年龄段的分类、不同职业的分布、不同地域分布等;
细分:从多层级去了解数据,比如分析全国不同省份不同城市的具体订单数据,从全国—省份—城市一一下钻深入分析;
转化:主要体现在结果的最终转化、各个路径的转化,比如通过整个注册流程的转化分析来优化细节;
预测:根据现有情况,估计下个分析时段的指标值。
举个实际例子吧~
某水果O2O平台想确认未来一周各品类应准备的数量,若没有数据的支撑,那只能由人工结合经验得到一个大致结论,一般误差比较大导致水果浪费较多。该怎么解决这个问题呢?
当有了往常数据,数据走势有了一定的规律,可通过数据预测来得到一个比较合理、比较准确的数值,再通过不断预测—验证得到一个最佳方案,保证水果备货刚刚好,减少浪费,节约成本,这就是数据的价值。
(绿色:日常数据走势;黄色:未来10天数据预测)
02 等待分析师漫长的排期?能否自己搞定分析?
分析师身负多个部门的数据分析工作,有时从提需求到最终拿到数据,2、3天都过去了,且不说分析结果是否是你想要的,就时效性而言,这份数据结果的意义也减弱了,如何变身自己的“专属分析师”呢~
数据分析的整个过程:
确定指标——数据收集——数据整合、数据处理/建模、数据分析、数据呈现、报表汇报。
确定指标:不多说了,可参考一下第1个问题。
数据收集:可通过公司数据库埋点获得,可通过第三方平台获得,也通过一些记录的本地数据获得。
数据整合:运营人要看的数据太多了,有数据库,有各种第三平台的数据(友盟、统计、推广、公众号等),每次都需要从不同平台取数据,太分散了,最好能在一个数据平台集中管理数据。
数据分析:可参考分析方法,比如“求和、计数、同环比、多粒度下钻”等分析,一般在Excel中需通过写公式搞定。
数据呈现(可视化):简单地说,就是如何制图呗,请直接学习第3个问题。
报表汇报:将数据通过表格、图表或其他形式向领导汇报。
如何不依赖分析师,自己搞定数据分析呢?
1、学习一些数据分析理论。(数据思维)
2、了解、熟悉业务,这点很重要。(业务思路)
3、学习一些数据分析工具。(工具辅助)
以我的个人经验来看,真正把握这些真真是够了~毕竟我们不是专业的数据分析师,能做好业务分析足以!
03 运营童鞋如何制作让老板满意的好看图表?
没有哪个老板喜欢杂乱的表格数据,颜值才是王道啊。简单地说,就是数据如何可视化,让数据直观、明了。
分析数据占比:
分析单维度的数据占比可用饼/环图、分析多维度的数据占比,可用旭日图和矩形树图。
比如,用户性别的占比分析只有“性别”一个维度,用饼/环图展示,男女比例非常直观,比如下图明显是男性用户偏多,若用户群体符合初衷和产品特征,那运营方式不妨可以尝试一些“可爱风”,也许这样更能吸引男性用户。
营销活动也可以考虑选择一些科技类产品作为奖品,也许更能促进男性用户的购买力,达到活动目的。
(单维度:用户性别分析)
(多维度:不同地区不同渠道的订单分析)
分析数据同环比趋势:
分析单维度的同环比可用指标卡、分析多维度的同环比可用双轴图。
同环比太常见了,几乎什么数据都要跟之前有个对比,这样才能更体现目前数据的“运营价值”。
最常见就是PV、UV的同环比了,比如UV环比下降了,是正常还是不正常。正常是因为UV可能存在一定规律,可能周五的UV就比周四低,那数据属于正常。若没有固定规律,那有异常波动一定要寻找背后的原因,尽快处理问题,以防再犯。
(单维度:PV环比和UV环比分开)
(双维度:PV环比和UV环比放一起)
分析数据走势:
(折线图)
(柱状图)
分析地区分布:
全国、省份分布可用行政地图,更详细的地域分布可用经纬度地图。
用户地域分析也是非常重要的,这可能决定了公司业务会在哪些区域重点投入、重点销售。这也是公司广告需重点投放哪些区域的数据指导,对于每年竞价投入几百万、几千万的公司,正确的用户地域分析可节省很多不必要的投入,给公司省钱老板可乐意了。
(行政地图)
(沈阳地区轨迹动态地图)
分析任务完成进度:
可用计量图,进度完成情况一目了然~
(KPI完成进度)
分析用户活跃频次变动:
可用桑基图。
(用户活跃情况变化)
分析词频:
比如用户的职位分布,可用词云,有3D效果哦~
(用户职位分布)
分析转化效果:
那肯定用漏斗图最最合适。
(用户咨询转化率)
关于转化,分享一个自己身边的真实故事。
案例
之前在一家电商公司工作,每天网站流量都不低,但最终的支付转化率始终不高,从流量—注册转化还可以,从注册—浏览转化也还可以,但就是浏览—支付转化不高。
通过不断找原因,通过用户调研和数据分析(埋点)发现大部分用户都到了支付页,但支付入口在移动端不太明显导致很多用户弃买,这当然要改,优化后整体转化率确实提高了。通过数据发现问题—找原因—优化—通过数据验证可行性,这真的是一个良性循环
每个图表都有适合的使用场景,用好各种图表很重要,直接影响到数据的直观和美观程度。
04 如何快速找到数据背后的问题?
做了那么多的数据工作,最终无非是为了从数据中去发现问题,不断优化运营策略。不论数据是上升了还是下降了,肯定有其变化的原因,这里以用户数据变化为例了解一下快速找到问题的思路~
(Ps:这只是个人结合工作得到一些经验,不一定非常准备,大家可结合自己的网站和产品去分析~)
(请点击并放大看图)
节假日波动:大部分产品都会受到节假日、周末的影响,办公软件节假日/周末数据一般都会下降,电商产品节假日/周末数据一般都会上升。
上线、改版:上线不一定单指功能上线,比如营销活动上线、广告渠道新上都算是上线,网站任何变动都可以理解成“上线”。
异常、故障:服务器故障、渠道被迫下线、网站访问不了、链接异常等,链接访问不了是比较常见的情况
以上3种都不是,那就下钻从渠道入手,看哪个渠道数据有异常,再结合具体问题进行分析。(Ps:有时候从渠道发现异常的,所以这个流程的顺序不是绝对的
以上几种都不是,实在找不到原因,只能跟老板说:“原因未明,将持续观察趋势,以确认其偶然性”。
有些问题显而易见,有些问题排查需要一些时间,看数据最终的意义还是要结合实践。
看数据—发现问题—解决问题—再看数据—问题解决,或者看数据—发现增长—找到原因—继续应用。
数据分析咨询请扫描二维码
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20