总结：
（1）问题拆解，比如内容异常上涨，可以从内容类别、账号等级不同的角度来拆解。再细拆头部用户和新政策的影响。
（2）评估效果：
- 跟自身比较，确定核心指标，活动前和活动后比较，可以用二重差分进行比较difference in deference（有对照组和实验组）
- 与预先设定的目标比较，打算提高15%，实际提高10%没达到预期
*与同期其他活动比较，xx转化率如何，实际这次如何
*与同类活动比较，比如运营活动，秒杀跟直播的效果比较
*与行业基准比较，行业平均roi英语学习是2.5
原文
http://www.woshipm.com/data-analysis/3486773.html
第三步：问题诊断
问题诊断框架：①问题界定—②问题拆解—③提出假设—④分析验证—⑤结论呈现
依旧用案例来理解：问题：为什么近期“内容产量上涨异常问题”？
方法1
①问题拆解：按照内容类别拆解
内容产量分别：A类内容产量、B类内容产量、C类内容产量、D类内容产量……
②如何验证？各类别内容都在增长，无法进一步提出假设，换另一个拆解方法。
image
方法2
①问题拆解：按照账号等级拆解
内容产量：1级账号内容产量、2级账号内容产量、3级账号内容产量、4级账号内容产量……
②如何验证？进一步深入挖掘变化异常的原因，排查寻找新增账号异常增长的原因：
假设1：运营人员近期引进了一批头部优质账号，邀请他们注册并发布内容。
- 实际：从运营那里获取了具体的头部账户名单，统计得到，新引进账户1000个，25日新增账号30000个。
- 结论：假设1不成立。
假设2：平台近期上线了新的激励策略，会给新注册的发布者提供补贴。
- 实际：新增用户（去掉引进的头部账户）发布的内容，发现70%的内容被识别为搬运抄袭或是低质量的拼凑捏造。
- 结论：假设2成立。
第四步：决策支持
决策支持是指分析师为运营人员提供的数据支持和一些建议。支持：用SQL、其他BI工具提供数据支持；建议：为运营动作各个环节提供建议。
相较于产品功能的更新迭代或者经营行为，运营动作更多围绕着用户展开。所以针对运营所做的数据支持，也主要围绕用户来做。具体分别以下三方面：
用户分层：用户分层是实现精细化运营的重要手段
- 一维：仅从一个维度对用户进行分层，可分为多段，有几段则用户分为几层；
- 二维：从两个维度对用户进行分层，若第一个维度为m段，第二个维度为n段，则用户共分为m*n层
- 三维：从三个维度对用户进行分层，最常见的是RFM模型
分段越细致后期的运营越复杂。
一维分析案例
按照“交易次数”这个维度来划分，分层方式1：新客户与老客户、分层方式2：成熟客户（购买3次及以上）、忠实客户（购买5次及以上）
image
二维分析案例
免费领取会员活动
为了提高用户使用单车的频次，某共享单车运营团队筹划了一个发放优惠券的活动。为了更好实现活动的效果，运营负责人找到分析师小灰，希望他能够将用户划分为不同的层级，然后在活动中，针对不同的层级人群发放金额不同的优惠券，让每个层级的用户的ROI最大化。
故维度为：使用频次、用户层级。
第五步：效果评估
什么是效果评估？首先我们分开来看，效果指客观的，能够代表活动效果的指标；评估指将客观的结果指标与某一个标准对比，最终对运营动作本身进行评估，有多大的能力达成它预想的抽象目标。
1. 评估对象（客观指标表现）
与核心运营目标相关的指标：用户活跃、用户付费；能够体现此次运营动作为运营目标影响的指标：用户渗透率。
2. 评估常见方法
①与自身比较：活动前与活动后的比较
before-after：核心指标在活动开始之前与之后的绝对值对比
diff in diff（二重差分）：排除了一些影响因素之后，核心指标在活动开始之前和之后的变化。
image
②与预定目标比较
预定目标：活动开始之前，预先设定目标，此次活动预计提升收入15%；
实际：活动最终提升收入10%
结果：未达成
③与同期其他活动比较
往期效果：去年同期的年中大促提升收入16%，付费转化率是7%；
实际：年中大促提升收入12%，新增流量到付费用户转化率是4%；
结果：本次活动效果不佳
④与往期同类活动比较
同期其他活动：3天小长假期间，上线多种运营活动：秒杀活动拉升收入7%；
实际：3天小长假期间，上线多种运营活动，直播啊拉升收入14%
结论：直播效果更好
⑤与行业基准数据比较
行业基准：英语学习类APP在信息流媒体上投广告的ROI，行业平均值是2.5；
实际：某英语学习类的APP在知乎上投放广告，ROI仅为1.2
结论：投放效果较差
#专栏作家#
高高，微信公众号：高高的运营手记，人人都是产品经理专栏作家，资深产品运营。
网友评论