产品数据分析模型在实战中要注意的关键点

本文分为两部分。第一部分介绍了产品数据分析中最基本的两种分析模型；第二部分结合案例讨论了这些模型在实际战斗中应该注意的关键点。模型1：漏斗模型的第一个模型是漏斗模型，因为漏斗模型最早起源于传统行业的营销和商业活动。这是一套流程数据分析方法。什么是漏斗模型框架？其主要模型框架：通过检测目标过程中的起点（用户进入），最终完成目标动作。通过对每个节点的用户数量和留存量进行评估，找到最需要优化的节点。漏斗模型是用户行为状态和从起点到终点阶段用户转化率的重要分析模型。在实际案例之前，我们应该先说一个前提：所有漏斗模型的建立必须基于产品的主要流程。只有这样，数据量才能具有足够的样本性。让我们拿一个电子商务从进入网站到购买漏斗数据集，如下：图1。购买过程数据漏斗在第一步我们应该明确我们的目标：分析用户从进入网站到最终转换购买过程，用户从进入到最终实现转换率的目标，最终找到用户流失最多的链接。根据这个目标，我们可以在上面的例子中直观地看到，用户从网站主页到商品详细信息页面的转化率最低于其他链接。好吧，那我们就算分析完了吗？找到产品的症结了吗？显然，答案是否定的。说到漏斗模型的转化率，实战中有两个*点需要注意:1。如何看待最重要的数据？我们不能说某个环节的转化率最低，但一定是某个环节有问题。例如，在访问者进入商品浏览的过程中，90%的转化率是所有环节中最高的。但这能说明什么呢？假设上个月这个环节是100%，那么这里反而成了这个时候产品最大的问题。另外，如果与同行业相比，发现同行业同类产品的平均转化率为95%，说明这个阶段还不够好。也就是说，当我们得到数据时，我们应该根据一定的比较维度进行分析，结果是有意义的。综上所述，漏斗模型建立后，应从以下三个维度分析数据：纵向比较：即将产品与自身历史进行比较，适用于改进或优化过程或步骤的效果监控；横向比较：在竞争产品中横向比较产品的同一流程转化率，定位自己产品的问题；来源分类:细分来源或不同客户类型在转化率上的表现，从而完成客户群的划分。在日常分析中，我们通常用于评估网站广告或推广的效果。我们通常在日常分析中对网站广告或促销效果进行评估。每个人都可以根据自己的需要选择维度进行分析。2.漏斗模型的漏斗粒度定义在实际场景中，同一产品将有各种用户类型，如用户来自不同的区域、不同的生命周期、不同的性别、不同的年龄，他们在漏斗中的性能不同，导致用户漏斗的转化率往往非常不同，所以我们需要将不同的人分成小漏斗逐一分析，一点分析结果。让我们总结一下所谓的漏斗模型，将任何产品流程抽象成案例中的购物流程等关键步骤。然后用转换率来衡量每个步骤的性能，最后通过异常的数据指标找出问题。从而解决问题，优化这一步，最终达到提高转化率的目的。总之，漏斗模型的核心思想是分解、分类和量化。在定位了产品问题之后，让我们来看看如何具体定位指标。模型2：杜邦分析模型让我们来看看百科全书中的定义“杜邦分析法”（DuPontAnalysis）利用几个主要财务比例之间的关系，对企业的财务状况进行综合分析。具体来说，它是从财务角度评价公司盈利能力和股东权益回报水平的经典方法。其基本思想是将企业净资产收益率逐步分解为多个财务比率乘积，有助于对企业经营业绩进行深入分析比较。其实说白了就是肢解指标，把大指标分成几个底层应用中直接接触的动作。如果用图表示，如下：图2。杜邦分析核心模式一般将指标分为以下三个角色：核心指标子指标（多个层次）孙子指标（让抽象指标与APP中的动作相关），那么为什么要这样做呢？不能直接看指标吗？事实上，这类产品本身涉及的指标种类很多，但产品经理并不能涵盖这些指标。通常在这个时候，产品经理只能*业务的核心指标，而这些指标远远脱离了实际应用程序中可以直观感受到的部分。例如，当我们讨论销售时，我们讨论了什么？这不是俏皮话，这是一个现实问题。如果我们直接谈论销售，我们很难有直观的感觉，但通常在指标分割后，我们得到的结果告诉我们，销售是产品中支付界面的过程或产品在交付过程中达到的最佳组合。正是由于抽象层次差距如此之大，当我们看到产品的核心指标（注意监控产品业务的核心指标，而不是一般的DAU等数据时，如果我们不理解这个概念，我们可以去我的主页看我系列的第一篇文章），很难知道是什么导致了这个指标的上升或下降？以电子商务产品案例为例，电子商务产品的核心指标是交易金额。当我们发现在我们的日常运营活动中，产品的交易量并没有增加，而是下降了。此时，是什么让我们的产品出现了这样的问题？因此此时需要通过杜邦分析模型来寻找答案。首先，我们将电子商务交易量拆分如下：核心指标拆分：销售额=付费人数*客户单价子指标拆分：付费人数=UV*孙代支付转化率指标拆分：图3.以紫外线拆分结果为例。经过层层拆分，我们可以看到，与产品相关的最终指标是用户步骤和步骤奖励的数量。因此，我们可以根据上图中的指标一步一步地查看产品问题；我们得到的数据如下：Part1.核心指标：从那时起，我们可以看到支付人数在核心指标中存在问题，所以我们找到了调查的地方，让我们继续拆分支付人数的指标。Part2.子指标拆分:UV成为付费转化率几乎没有变化的最大问题。Part3.孙代指标分割：PartN.我们可以清楚地看到，由于我们的活动需要太多的用户，长达7个步骤导致用户在很大程度上不愿意参与活动，导致损失和交易金额的下降。在这一点上，我们的产品解决方案也出来了，需要修改活动，减少活动用户的步骤或增加奖励。

以上就是关于产品数据分析模型在实战中要注意的关键点的相关介绍，更多产品数据分析模型在实战中要注意的关键点相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对产品数据分析模型在实战中要注意的关键点有更深的了解和认识。