一个数据分析小白,要如何对产品进行分析?

简介:

在我看来数据本身并没有任何价值,正是由于分析方法的存在使得原本毫无价值的数据大放异彩。

什么是数据分析?

数据分析是指用适当的统计分析方法,对收集来的大量数据进行分析,提取有用信息和形成结论,而对数据加以详细研究和概括总结的过程。在实际应用中,数据分析可帮助人们作出判断,以便采取适当行动。当然,在我看来数据本身并没有任何价值,正是由于分析方法的存在使得原本毫无价值的数据大放异彩。

为什么要数据分析?

有人说,老板要看数据;也有人说,VC投资需要;也有人说,公司运营需要… 产生数据需求的原因有很多,我想现实中大多数人做数据还是为了获得产品的客观现状并有所为的。(我能这样想,大概是因为我是个乐观的孩子吧?)

事实上,数据分析的原因大概如下几点:

1.评估产品机会

产品构思初期,必要的需求调研及市场调研显得尤为关键。产品机会评估对后期产品设计及迭代都至关重要,甚至说决定了一个产品的未来和核心理念。

2.分析解决问题

产品出现不良状况,肯定是存在缘由的。不可能凭空想象臆造问题,必须尊重客观现实。那么只有通过必要的数据试验才能追溯到问题源头,进而制定合理的解决方案,彻底解决问题。

3.支持运营活动

你这个产品功能上线后效果怎么样?A方案和B方案哪个更好些呢?诸如此类的问题,都牵涉到一个“标准”的问题。评判一个问题的好坏,最可靠的恐怕就是数据了。以前我就说过“人是不可靠的,人们总是愿意相信自己想看见的东西。”只有给出真实、可靠、客观的事实——数据,才能对具体的活动作出最真实的评判。

4.预测优化产品

数据分析的结果不仅可以反应出以往产品的状态,即所谓的后见性数据;也可以给出产品未来时间段内可能会遇到的问题,即所谓的先见性数据。一个真正的数据指标必须是可付诸行动的。后见性和先见性的数据都可以付诸行动,区别只是先见性数据能预测未来发生什么,缩短迭代周期,精益求精。

如何数据分析?

1、数据建模

明白了数据分析动机,究竟什么样的数据指标才能达到期望的效果呢?那么首先必须解决数据指标的定义,个人认为搭建数据指标模型大致要考虑以下三大要素:

综合考虑商业模式与业务场景

聚焦数据指标背后的最初动机

多维度考虑数据可行、简约、易比对

当然,也不能凭空瞎造数据吧?!数据指标模型一般有以下三个途径设计:

对现有指标进行优化性改造,数据指标之间合理交叉或许会带来意想不到的惊喜;

不同行业交叉借鉴其他行业制定的数据指标;

潜心修行、发掘更多有价值有意义的数据指标;(这一点有点扯…)

数据分析目标的调整,必然伴随数据指标的变动。尊重事实、实事求是,了解数据指标的调整的意义及可能给产品带来的后续影响,我觉得这是一种可取的改变态度。如果说只是为了改变而改变,无视事实、较低期望,这样的调整还有何意义呢?

  2、数据来源

数据分析的对象是数据,数据从哪来?数据本身的准确性从根本上影响着分析结果的有效性,所以确保有效、靠谱的数据来源至关重要。本人认为数据来源无非以下三种:

自有数据分析系统——公司自有的数据是最源质化的数据,也是最可靠、最全面的。一般而言,有条件的情况下都是以内部数据为准;当然,创业型的微型公司大多都直接数据库导出数据,还是要依赖产品经理二次加工的。

定量/定性调研——没有全面的数据咋办?或者说想要分析的数据无法统计?那么,拿起电话、走上街头、发放问卷都不失为一种可行的办法。定量数据排斥主管因素,定性数据吸纳主管因素。事实上,定性数据存在诸多不确定性,但也存在一个其他数据指标不具备的优势——那是与真实用户交流所得,有血有肉。

专业调研机构——知名调研机构,比如:艾瑞咨询、百度统计、易观智库、199IT-互联网数据中心。一般而言,权威结构统计调研的数据还是具有极强的参考性的,但也不能完全免于主观因素。

3、数据分析

单纯的数据并不能为给我们带来太多结论性的东西,还是要借助一定的方法和手段将数据变得更加生动和有意义。

集成开发数据分析系统——将所需的数据指标以技术手段直接设计成产品功能,可以定期定量地直接生成导出BI报表。

手动数据加工——面对元数据而不是现成的结论性数据,产品经理只能亲自操刀借助EXCEL各种函数。面对海量数据,心态很重要!

委托分析机构——有钱、任性、够叼,请人分析。如果事事都依靠别人,那么产品经理就瞬间失去价值了…

4、分析方法

有效的数据分析方法能够深度挖掘数据的价值,精益数据分析中大致介绍以下三种分析方法。

市场细分(Segmentation)——市场细分就是一群拥有某种共同特征的划为一个样本,市场细分不尽可以应用于互联网产品,对任何行业、任何形式的产品都具有积极的参考意义。

同期群分析(Coghort Analysis)——比较相似群体随时间的变化,同期群分析给我们提供了一个全新的视角。能够观察处于生命周期不同阶段用户的行为模式,而非忽略用户的行为的过程性。

多变量测试(Multivariate Testing)——同时对多个因素进行分析,用统计学的方法剥离出单个影响要与结果中的某一项指标提升的关联性。同时改动产品的多个方面,看哪个与结果的相关性最大。

本文转自d1net(转载)

相关文章
|
20天前
|
数据采集 人工智能 算法
“脏数据不清,分析徒劳”——聊聊数据分析里最容易被忽视的苦差事
“脏数据不清,分析徒劳”——聊聊数据分析里最容易被忽视的苦差事
94 34
|
10月前
|
数据采集 存储 数据挖掘
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
本文介绍了一个基于Python的书旗网小说网站数据采集与分析系统,通过自动化爬虫收集小说数据,利用Pandas进行数据处理,并通过Matplotlib和Seaborn等库进行数据可视化,旨在揭示用户喜好和市场趋势,为图书出版行业提供决策支持。
788 6
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
|
8月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
128 1
|
8月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
323 1
|
8月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
167 1
|
8月前
|
数据挖掘 数据处理
ChatGPT在常用的数据分析方法中的应用(交叉分析)
ChatGPT在常用的数据分析方法中的应用(交叉分析)
189 1
|
10月前
|
供应链 数据可视化 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
本文详细介绍了第十一届泰迪杯数据挖掘挑战赛B题的解决方案,涵盖了对产品订单数据的深入分析、多种因素对需求量影响的探讨,并建立了数学模型进行未来需求量的预测,同时提供了Python代码实现和结果可视化的方法。
324 3
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
|
9月前
|
机器学习/深度学习 人工智能 数据挖掘
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
104 3
|
8月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
179 0
|
8月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
177 0

热门文章

最新文章