理清你的数据分析思路

美国前邮政部长，美国百货公司之父，约翰·华纳梅克（JohnWanamaker）感叹到：「我在广告上的投资有一半是无用的，但问题是我不知道是哪一半」。这种类似的感叹现在经常发生在我们身边。小A：项目结束后，我得到了项目数据，看看我的计划是否带来了数据增长，但面对一堆Excel表中的一堆密集数字，我不知道从哪里开始。。。小B：我得到了我花了很多精力投入的项目数据，并期待着验证我在项目中推广的几个计划，并找到了项目过去的数据进行比较。经过一次操作，看到整体数据上升，但由于影响因素很多，不可能知道哪些方案有效..我们经常遇到的情况是不知道如何使用数据，这样数据才能带来实际效果。本文将更详细地讨论如何围绕实际的数据分析步骤进行。本文将更详细地讨论如何围绕实际的数据分析步骤进行。数据分析的六步数据分析主要分为六个步骤：构建X问题–提出假设&选择指标–采集和整理数据–数据分析–数据呈现–提出后续建议。下面将详细解释每一步是如何围绕这六个步骤进行的。从本质上讲，数据分析的最终目的是解决问题。从不同的出发点获得的数据结果可能会非常不同。因此，在所有分析的开始时，我们必须首先确定要解决的重要问题是什么，以及为什么这个问题是最重要的。这两个问题将引导我们进入构建问题的过程，即明确数据分析的目的。从预测分析开始，可以从现有的战略方案出发，找到相应的定量衡量方法。例如，试图通过加强促销a页利益点等相关信息来促进用户的购买，可以直接预设X问题：「加强利益信息能否提高转化率？」。对无预测类别（发现问题或机会）的分析往往是从业务角度构建问题的起点，通过指标拆解、经验判断、水平比较、逻辑推导等方式找到有效的实现方法。例如，电子商务推广页面B的核心目标是「提高GMV(销售额)」，GMV=流量×转化率×客户单价可以围绕提高转化率、客户单价等指标寻找解决方案。判断预测问题是否重要，可以直接找到指标评估验证结果是否可靠。如果没有预测(发现问题或机会)，可以通过评估解决问题，对最重要的商业目标会带来多大的好处。例如，在上述改进GMV的案例中，通过横向比较同类页面的数据，发现该页面的转化率为1.8%，明显低于同类页面的4.7%，流量和客户单价与同类页面基本相同。因此，很可能判断转化率「提高GMV(销售额)」因此，可以定义关键点「提高转化率的关键因素是什么？」因此，页面数据分析的重要问题。X问题的定义可以用不同类型的问句来表达，如何/哪种/是否/原因是什么等等。根据经验，细化后的常见问题有以下几类，每一类都可以用一个X问题来描述。实验验证类，已有假设和方案，待验证效果如A\B\C三种策略，哪种效果更有利于提高转化率或策略A是否有助于提高转化率；寻找原因类，看到某种现象，希望找到背后的原因，比如跳失率急剧上升的原因是什么；结果呈现类，无预测呈现事实，如通过数据呈现项目D的转化和销售；预测类，通过寻找事情发生的规律，预测接下来可能发生的事件，如用户在一年内购买美容产品是否有时间购买规则，美容类别的运营可以根据这一规则制定年度活动计划。注意问题的范围不能太广。注意问题的范围不应该太广。通常需要收集数据并将数据应用到可检验的假设中，才能得出可靠明确的结论。如果问题太宽泛，数据收集就会变得非常困难。举个反例：「项目D的数据效果是否有所改善？」，在这个例子中，「是否有变好」可能的方向有很多方向，比如拉新效果是否好/销售是否好/跳失情况是否好。每个方向的探索都会让你的分析进入无边的大海，迷失方向。但是，不要过早地限制问题的范围。一开始，你可以开放地思考问题，在脑海中形成一些可选的方向。例如，「D项目的销售可能会变得更好。1.、2、3.从初步数据来看，3的可能性更高」，然后就可以深入分析3的方向了。2.假设在上一步中，我们已经明确了X问题，即数据分析的目标。接下来，我们将围绕X问题提出结论假设，并建立模型（选择测量指标）来验证假设是否成立。假设有预设的问题，假设可以直接来自问题，比如方案A有助于提高转化率。对于未实现预设的问题，我们需要围绕问题进行可能的假设。例如，页面E的跳失率急剧下降，可能是由于流量来源用户质量差；流量入口信息错误，导致用户进入后期望不一致；第一屏产品选择问题；第一屏信息设计用户无法理解/无吸引力；页面加载问题等。根据假设，选择不同类型的测量指标，测量方法会有所不同，有些假设可能需要定性研究来验证。从电子商务定量数据的范围来看，可以参考以下思路:对于流量的假设，可以选择流量相关指标，如浏览UV/PV、UV//各渠道流量来源PV；对于销售假设，可以选择与订单相关的指标，如引入订单金额、引入订单数量、转换率、UV价值等；对于用户行为的假设，可以选择页面操作的相关指标，点击UV/例如点击UV/PV、页面点击率、曝光点击率、人均点击次数、浏览深度等。；对于用户组的假设，可以选择性别、年龄、城市级、新老用户等用户肖像数据，并结合页面操作数据对人群行为进行详细分析。3.数据收集和整理数据源分为定量数据和定性数据。定性数据更倾向于研究方法。本文将重点关注定量数据的收集和整理。3.数据收集和整理数据源分为定量数据和定性数据。定性数据更倾向于研究方法。本文将重点关注定量数据的收集和整理。各平台的原始数据采集正进入指数级爆炸阶段。仅从电子商务平台的角度来看，各种数据指标都非常复杂。在收集前的一个阶段，有必要与数据产品或开发人员明确：数据指标的计算规则和所需的数据指标列表（包括相应的时间段和平台端），以防止结果发现没有数据或数据计算方法不合理。数据整理的第一步是数据清理。原始数据表通常含有大量的脏数据，如测试数据、异常值、空缺等。直接用于计算和分析可能导致数据结论偏差或无法计算。数据清洗是将原始数据表处理成干净整洁的数据表，便于计算和分析。主要包括:通过ExcelCOUNTIF函数或筛选排序删除重复数据；检查数据格式，原始数据中可能有N/等特殊格式A、####、性别为数值，可根据实际情况判断如何处理；检查异常数据，可重点关注极小值和极大值、小数点、负数等，明显不符合实际情况，可调查原因，选择删除或重新提取数据；在最常见的情况下处理缺失数据。一般来说，可接受的标准是缺失值小于10%。如果超过，需要酌情查看是否有办法重新提取；如果检查数据逻辑错误，可以抽样选择数据进行计算和检查。如果计算页面点击率=点击UV/页面浏览UV，如果计算页面点击率大于100%，则可能存在数据异常，有必要重新检查指标的统计方法是否正确等。数据加工计算数据整理完成后，可以进行初始数据加工。数据处理计算数据完成后，可以进行初始数据处理。因为原始数据可能不满足我们的分析需求，例如，我们想看到一个模块的数据，但原始数据被拆分为每个点击位的数据，所以我们需要找到每个点击位的数据并将其转换为模块数据。还有一些常见的情况是利用标准的行业计算公式，数学计算某些指标，如订单UV价值=GMV/页面UV、订单转换率=引入订单数/页面UV、人均点击次数=点击PV/点击UV等。通过这一步的操作，我们将能够初步看到一些需要验证假设的基本指标的数据。4.数据分析数据整理后，是真正的亮点——数据分析，也是含金量最高的一步。做数据分析有一个非常基本但极其重要的想法，那就是对比，基本上90%以上的分析离不开对比。沿着假设和衡量指标的思路，我们有一个假设「X策略可以提高A页的转化率」，并将此假设的衡量指标定义为「页面转化率」，当我们得到页面转化率指标时，转化率需要达到多少？是X策略带来的改进，还是时间规律自然上升？这个时候可以通过对比来分析。纵比:在时间维度上，使用X策略后，页面转化率是否提高？横比:选择同时期的同类页面-页面B，横向对比老页面A、新页面A、对比B三页的转化率。与经验值相比：您可以选择更长的时间段，查看A页面的转化率变化规律，查看X策略是否高于时间规律的预期值；您可以选择更多类似的页面，选择同一时期的转化率比较，查看A的转化率在哪里？与业务目标相比：如果大的业务目标实际上是GMV2000w，计算目标转化率=目标GMV/页面浏览UV/UV价值，然后比较目标转化与当前转化之间的差距。各个角度的比较可以帮助你更清楚地了解当前的指标，然后你可以继续制定下一个计划。由于单篇文章篇幅的限制，本文只介绍了六步曲的前三步，并简要抛出了一些基本的分析思路。后续系列文章将更详细地介绍数据分析、数据呈现和后续建议。附上一篇详细的数据术语科普，新手可以先看这篇文章:

以上就是关于理清你的数据分析思路的相关介绍，更多理清你的数据分析思路相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对理清你的数据分析思路有更深的了解和认识。