先看个案例
某APP次月留存率从19年3月开始呈现波动下降趋势，但我们的目标是提升到72%，如果你是APP留存的负责人你该怎么办？
问题抛在这里，先跟大家分享作为一个具有数据思维的运营，需要做好哪些知识储备和思维训练，然后再基于对应的知识点和思维来解答案例问题。
那提升数据思维需要做哪些知识储备和思维训练呢？初期我们可以从以下几个方面入手
刻意练习养成数据指标拆解的习惯（思维训练）
了解常见的数据分类及对应应用价值（知识储备）
熟悉常见的数据指标
掌握常见的数据方法及应用
接下来详细跟大家分享~
一、数据指标拆解思路
数据指标拆解的通用思路，可以用以下流程来表示：
根据以上流程思路，回归到我们最开始的案例，如果我们仅有这个次月留存率趋势，能够分析拆解出数据表现背后的原因吗？
当然不能！
只有上面的数据，我们甚至都不能得出该数据是一个下降趋势的异常，因为也有可能小豆苗每年都具有这样的时间趋势。
那我们要去拆解指标，还需要哪些数据的支撑，要去捞取哪些数据？这就需要我们提前对数据分类及使用价值、常见指标有所了解，才能确保我们提取数据时能够有目的、有方向。
二、常见的数据分类及应用
一般一个互联网公司的数据，可以归为3类
1、业务数据
业务数据是相对粗放的业务表现数据，比如一个APP的用户量、活跃量、留存率、订单量、交易额等，这类数据通常用来检测业务发展情况趋势、制定KPI，只要有数据就可以尝试做一些比较粗放运营决策，一般领导、老板最关注的都是这类数据，也是我们运营人员定位问题时第一步要要关注的数据。
2、用户基础属性数据
用户基础属性数据是用来描述用户画像的数据，比如性别、年龄、地域、收入、家庭情况等，这类数据通常有两个用处：①用户建模，对用户进行分类，识别特定的用户群体，在用户拉新以及用户精准运营方面经常用到；②根据产品目标用户数据，实现精准拉新。
3、用户行为数据
用户行为数据是用户在我们产品使用习惯上的一些数据，比如APP活跃频次、活跃时间段、活跃路径、活跃模块等，该类数据通常用来定位与业务数据之间的关系，分析业务数据变化的原因。
基于以上数据我们可以汇总一下，互联网的数据解答三个问题“用户是谁（基础属性数据）、干了什么（用户行为数据）、产生了什么结果（业务数据）”
三、常见的数据指标
1、常见的数据指标汇总
不同业务性质的产品，指标的选取会略有区别，但一些常见的指标是通用的，下表将常用的数据指标进行了分类汇总，整理对了对应的适用场景和拆解思路，详细见下表：
对数据指标的一些补充说明
同一指标不同人的心中的定义可能不一致，需要在公司层面有个明确的定义。比如用户新增量，对APP可能是下载量、激活量、注册量（可能还有更进一步的严格定义），因此负责与数据相关的人员需要梳理好数据指标体系（含具体定义）。
关于留存率的两种统计方式：1）第xx时间的留存率，比如新用户第7日留存率=第一天新增的用户在第7天活跃依然活跃用户数/第一天新增用户数。2）xx时间内留存率，比如7日内留存=第一天新增的用户在第二天-第七天依然活跃用户数/第一天新增用户数。
以上两种方式具体怎么选择，需要根据我们的目的而定，如果我们目的是想看不同拉新渠道的用户质量，那选择第xx时间的留存率比较合适，如选择xx时间内留存率会因时间因素的掺杂，让数据失真；如果我们是看盘趋势，评估APP（或其他应用）的整体价值，那选择xx时间内留存率更合适，因为一个用户不一定每天活跃才有价值，在一段时间内活跃即有价值。
在数据指标定义中不得不提一下PV与UV的区别，PV（Page View）指访问次数，如同一个用户访问多次，那按照多次统计。UV（Unique Visitor）独立访客，如同一个用户访问多次，去重按1次统计。有了这个概念的区别后，在我们统计活跃留存时要特别注意，我们按UV计算，比如月活≠日和相加，7日内留存用户也不等于第二-第七天留存用户的和，而是进行去重之后的用户数。
2、如何根据自己的业务选取合适的指标
关于数据指标选取这里参照三节课里面的方法，分享给大家如何基于自己的产品和业务特征在众多指标中选取合适的衡量指标，参照以下流程：
1）拆解业务模块
拆解业务模块时重点思考这几个问题：①我们的业务目的是什么？②要达成这个目的有哪些手段？③有哪些工具来支撑我们的手段。比如咱们小豆苗，目的是为了让用户付费，手段包括知识服务、保险服务，支持手段的工具包括专业团队打造高价值的知识服务和高性价的保险服务。
2）判断业务模块所属的类型
常见的业务模块包括四种（如下图）：
3、根据业务模块类型选取合适的指标
1）工具类模块关心的指标
比前面提到的某APP，业务目标是为了让用户付费，付费手段包括知识服务和保险服务，但该产品有个预防接种模块，是用户新增的主要来源（也就是产品A通过预防接种模块获取用户，然后促使用户转化到知识服务、保险服务模块，从而实现用户付费），那么产品A的预防接种模块纯属于工具类型，但承载着转化目标，期对应的指标选取可以参考：
2）交易类模块关心的指标
交易类比较好理解，就不举例说明。
3）内容类模块关心的指标
4）社区类模块关心的指标
以上指标维度和案例仅作为参考，实际选取指标还是要结合业务目标选取，思考该指标背后的价值（比如该指标做好了，对我们有什么好处）。
四、常见的数据分析方法
前面对数据分类及应用、指标选取有了了解，那下一步就是我们有了这些数据指标后该如何进行数据分析，我汇总两类不同目的的数据分析方法，一类是业务指标的拆解分析，定位指标是否异常，如果异常，继续定位问题出现在什么地方。第二类是对用户进行分析，去设计我们的内容及产品路径，获得高质量的用户拉新。
1、业务指标拆解分析方法
1）对比分析
通过对比分析，我们可以发现数据指标表现是否为异常。比如当我们看到某个数据指标突然出现下降时，不要急着下结论是运营出现了问题，而应该先对比分析定位数据是否异常。
对比分析怎么做？从三个问题回答：比什么？怎么比？跟谁比？
比什么：可以是绝对值和百分比，比如销售额、阅读量这些是绝对值，留存率、活跃率这些是百分比，一般来说，比百分比的情况较多。
怎么比：包括环比和同比。环比是指与当前时间范围相邻的上一个时间范围，比如今天环比昨天，当周环比上一周，当月环比上一月。同比是指不同周期的相同时间范围对比，比如本周四同比上周四，今年10月同比去年10月。在实际工作中，很多业务都具有时间季节趋势，比如假节日是高峰之类的，如果我们只进行环比会把正常波动定义为异常数据，一次需要结合同比数据分析。
跟谁比：包括跟自己比和行业对比。跟自己包括时间对比、不同业务线对比，比如产品A的某模块用户活跃率，我们通过时间环比、同比发现在2019年底均有下降，这个时候可以再进行不同业务对比，如果只该业务一个业务下降，那问题基本出现在该模块，如果其他业务线均有一样的趋势，那我们可以在进一步进行行业对比，于是引出行业对比。
2）多维度拆解分析
假如我们通过对比分析发现数据确实是异常了，那我们如何定位问题呢？这时候需要进行多维度拆解分析。多维度拆解分析思路包括：指标构成拆解（按业务分、按渠道分、按用户群体分、按地区分、按场景分），分析异常是出现在哪个维度；指标发生的流程拆解（这块跟后面的漏斗分析一致），分析异常出现在哪个流程。
多维度拆解的难点在于我们怎么去寻找对应的维度，这块再跟大家分析两个方法：
①回归分析：把所有可能的维度列出来作为自变量，把我们要拆解的指标作为因变量，进行回归分析，找到具有显著影响的维度，记录下来，后期直接拆解有影响的维度（关于回归分析详解，希望下次有机会跟大家分享）。
②统计分析：回归分析的专业性较强，一般运营人员可能不懂回归分析，这时我们也可以简单的进行统计对比分析，比如我想分析年龄对订单量是否有影响，我们可以控制其他变量不变，然后将指标按照不同年龄进行拆解，看看不同年龄的指标是否显著不同。
3）漏斗转化分析
漏斗转化分析理解比较容易，就是按照指标发生的流程进行拆解，分析每一步的转化率。但这里有亮点需要特别注意。
①漏斗分析一定要有对应的时间窗口：比如按天（用户决策简单的短期活动）、按周（用户角色稍微复杂，需要多天才能完成决策）、按月（用户决策非常复杂，比如买房等）。
②上一级入口要唯一，比如用户进入C页面渠道包括A渠道、B渠道，我们统计漏斗A→C的漏斗转化时就不能用C页面访问量/A页面的访问量（因为C页面的访问量还包括B渠道来的，如果直接相比可能出现超过100%情况，这种情况一般通过对页面添加参数精准定位流量从哪个渠道来的，然后做对饮的比值）。
③数值统计的维度要统一，比如统一按PV计算或统一按UV计算，具体根据业务场景选择。
2、用户分析
1）用户画像分析
目的：包括两种情况，其一是对产品的整体用户特征进行描绘，实现精准拉新；其二是基于产品内的用户不同特征给用户帖上标签，从而实现用户分群精准运营。
有哪些标签维度：基础属性（性别、年龄、学历、收入水平等）、社会属性（家庭关系）、行为属性（注册时间、来源渠道、购买行为等）、业务属性（业务特有的标签，比如产品A是基于宝宝服务的，会关注宝宝月龄维度，健身产品关注用户体脂率等）。
标签怎么来：1）用户填写；2）通过已有的特征推断（比如使用手机型号、在一线城市的，消费能力强）；3）通过周边类似人群推断。
2）行为路径分析
目的：通过用户的行为路径分析，可以对产品路径进行优化。
分析场景：1）起点明确，分析用户去了哪里。比如某个产品首页有ABCD多个功能入口，我们可以分析用倾向于流向功能，结合用户画像，可以实现用户精准运营。2）有明确的重点，分析用户从哪里来。比如某个产品有个付费模块，但用户进入该模块有多个渠道，我们可以分析每个渠道的流量，针对优质渠道进行精准运营。
五、指标拆解案例
前面对提升数据思维需要进行的知识储备和思维训练进了分析，接下来回到会开始的案例，按照所学知识点进行梳理：
1、定位数据下降是否属于异常
基于前面的分析，我们要定位问题是否异常，可以进行对比分析（对比的维度包括：时间、不同业务模块、行业，结合实际情况，该数据是整体APP的表现，不存在不同业务的对比；此外该产品也没有类似的行业产品分析，因此最后近对比时间趋势）
通过以上分析，19年与18年有类似趋势，但整体上低于18年水平，在8月份差距表现最突出，可以定位19年下降确实是异常。
2、定位异常出现在什么地方，进行多维度拆解分析
拆解思路：指标构成拆解（按业务分、按渠道分、按用户群体分、按地区分、按场景分），分析异常是出现在哪个维度。
分析：从指标构成维度基于以往的数据分析经验，不同宝宝月龄对APP活跃和留存具有非常显著的影响，因此选择月龄维度拆解（该产品的渠道来源、场景相对单一，暂时不细分拆解）。
结果：18年、19年新增用户月龄构成及不同月龄的用户留存率如下两图：
19年相比18年，0-3岁占比下降（8、9月最突出，与留存下降趋势一致），3岁以上及未知月龄（没有宝宝）占比增加。
小月龄段用户留存率明显高于大月龄段，高于未知月龄段（没有宝宝），但19年相比18年各年龄段的留存都有提升。
19年各年龄段用户的留存率相比18年都有提升，但整体留存率下降的原因是大月龄用户占比增加，而大月龄段的用户留存率低。
策略：因留存下降是因为大月龄用户增加造成的，要提升整体APP留存率主要两个方向：
①如大月龄段用户没有对应的价值，我们衡量留存指标时可以剔除大月龄用户；
②如大月龄用户本身也有价值，则可以重点考虑大月龄用户留存和转化方向。
好啦，篇幅有限，今天的分享就到这里，希望以后有更多机会跟大家交流，我们可以探讨的问题可以是：
1）数据采集
2）渠道投放数据监测，筛选高质量渠道
3）用户的召回和唤醒
4）用户分层精准运营
5）如何搭建数据监测表
6）用户激励体系搭建
……
当然还有用户Excel、pyhton数据处理技巧，只要跟运营相关的都可以交流~
最后给自己打个广告，记得关注我哦，这次给大家准备了原始处理方面的Excel操作神器，助力工作效率快速提升，关注公众号回复“Excel”即可获得哦~
网友评论