数据产品设计典型流程
数据产品设计的流程包括3部分:
01
数据获取
做数据产品首先要有数据,数据来源有两个:
l从别人得拿:质量好得一般要花钱,免费的一般会有使用限制。,数据质量也可能存在问题,乱码、缺字段等。
l自己抓:自己的系统可以埋点,别人的数据看看能不能通过爬虫抓取(爬虫帮你圆大数据的梦),也有很多基于爬虫的数据分析产品,用户分析、舆情分析、物价分析、量化投资等。
数据获取和清洗环节PM的工作:
1.针对业务需求进行解读转化成不同的数据需求, PM首先要确定这些数据如何获取,确定最终的方案。
2.特别注意数据质量和数据稳定性。上游数据质量差的话,下游的每个环节都要浪费很多时间来处理。数据质量可以靠校验、对比,数据稳定性可以靠监控。
3.评估数据的成本和收益。数据是有成本的,量越大,质量越高,成本越高。所以,要合理的设计数据获取的策略:
02
数据转换
数据转换环节高端的说法是ETL,即拿到基础数据后,根据不同的业务需求再做数据清洗,然后将数据导入各个数据转换或计算模型,并对下游应用提供数据服务。
模型不一定是用户画像、推荐较复杂的模型,也可以是基础的筛选、排序、匹配、简单的逻辑计算。
为了让应用层拿到更高质量的数据,减少应用层的计算,这一层做大量的计算模块或做服务分层,分为基础数据服务层、业务强、弱相关层。
数据转换环节, PM需要和架构师深入沟通(或者工程师),PM的职责包括:
1.需要了解数据存储、计算的知识
MySQL、Hadoop、HBase、Spark、Redis、Kafka...很多很多,不需要都深入了解,但至少了解他们的功能、特点、差别,能更好的沟通,参与方案设计。
2.全局设计能力
PM了解业务,工程师了解技术,两者协作,完成数据处理流程的设计或优化。
03
数据应用
各个公司的数据应用层就丰富多彩千差万别了,有流量分析、广告分析、用户分析、销量分析、财务分析、传播分析、ERP...。
本环节PM应该:深度理解业务
用户画像、反作弊、广告投放策略、推荐、NLP这些,是和业务紧密关联的,比如广告、打车两个领域,都有反作弊。这些应用离钱更近,一点点的指标的改进,都能带来很多钱。
基本术语
埋点:一般意义上的埋点,是利用如友盟、Talkingdata等第三方公司的SDK,通过在App中嵌入一段SDK代码,设定触发条件,当满足条件时,SDK会记录日志,并将日志发送到第三方服务器进行解析,并可视化地呈现给我们。这一过程就叫埋点。
维度:维度就是指我们平时看事物的角度,也可理解成分析一个数据能从哪些方面去分析,这些“角度”都是有值且可被枚举的。比如我们注册用户数有10万,那可分析的维度有:用户所在省份、用户性别、用户角色、用户来源等。不同维度来观察数据,可以得出不同结论,能否拓展观察维度,也是评估数据分析能力的一个关键。
度量:度量和维度相辅相成,是指可量化的数值,用于考察不同维度观察的效果,也可理解成“数据指标”。观察度量值可总体查看,如App总用户数,也可配合“维度”分层查看,如不同省份的注册用户数、活跃用户数,不同来源的App启动次数、平均日使用时长等。
渠道:指App的不同安装来源,如通过第三方应用市场安装,通过广告点击安装,通过地推二维码扫码安装,通过官网下载安装等。互联网公司的商务工作一般就是拓展渠道,观察不同渠道带来的数据表现,不断优化渠道质量。
基本指标
网站来源分析:来源渠道、PV、UV、IP;跳出率、平均访问时长、平均访问页数;使用设备、操作系统等
用户行为分析:年龄、性别、职业、地域、婚否、收入、兴趣、学历、关注点等。
网站订单分析:转化率、成单量、平均订单金额、客单价;付费金额、付费毛利、付费利润;当前新增购买用户数、累计购买用户数、重复购买率等
一些核心数据:拉新(新用户)、活跃、留存、转化等
新增用户:安装App后,首次启动App的设备数,需要按“设备号”去重。新增用户主要为了衡量推广效果,以及当前产品在整个生命周期所处阶段。
活跃用户:时间段内,启动过App的设备数,需要按“设备号”去重。活跃用户主要为了衡量运营效果,以及产品使用情况。
启动次数:时间段内,启动App的次数,无需去重。启动次数主要为了衡量推送效果,以及App的内容是否足够吸引人。
留存率:时间段内的新增用户,经过一段时间仍启动App的用户,占原新增用户的比例。“时间段”的划分方式有:按日、按周、按月,对应指标还可细分为“日留存率、周留存率、月留存率”。
使用时长:时间段内,从启动到结束App使用的总时长。所谓“结束App”,通常指杀掉进程,或者将App退到后台超过30秒。一般会按“人均使用时长、次均使用时长、单次使用时长”分析,衡量产品粘性和活跃情况。
使用频率:用户上次启动App的时间,与再次启动的时间差。使用频数分布,可观察到App对用户的粘性,以及运营内容的深度。
基本技术
数据采集技术——抓包。
“抓包”,一般指观察App上传到服务器上的数据都有哪些。通过“抓包”观察,一方面可判断自家App是否正确上传了想要统计的数据,另一方面还可抓取到手机上安装的其他App的上传数据,用来分析竞品内容更新情况。
数据提取技术——sql语言。
sql语言一般用于从数据库中进行数据的增删改查,需要企业运维人员或DBA人员开启权限才可访问,大公司的产品经理基本没机会用到,如果是小公司的高级产品经理,且和技术商议仅开启只读权限,还是可以尝试使用的。
数据处理技术——Excel、Python、JS。
提取出来的数据,要深入分析,肯定得进行二次加工。按使用的难度高低,需要掌握工具如下:
Excel:大名鼎鼎的office工具,有着极其强大的数据处理能力。常用数据分析功能有透视表和命令行。推荐一个我喜欢的处理命令:
Python、JS:Python、JS是一种通用脚本语言,不止适用于数据分析,但由于其安装、使用方便,函数库丰富,适合有开发基础的同学尝试。
统计分析方法
比较法:多个数据提取进行比较。根据对比方法不同,分为“横向对比”和“纵向对比”。
-横向:指空间维度的对比。相当于一个指标,在不同条件下的对比,但每个条件都属于一个层级。
-纵向:指时间维度的对比。包括“同比、环比”。
同比:指本期数据与上年同期数据对比,
环比:本期统计数据与上期比较。
分解:某个维度对比后发现问题后需要找原因时,需要进一步分解指标。
如:某日的销售额只有昨日的50%,就需要对销售额指标拆分为:成交用户数 x 客单价,而成交用户数 = 访客数 x 转化率。
接下来就可分别针对:访客数、转化率、客单价,观察今日和昨日相比的数据变化,找出原因。
降维:当维度太多时,我们不可能全部分析,这时就要筛选出有代表性的关键维度,去除掉那些无关数据,这就是“降维”。
如:成交用户数 = 访客数 x 转化率”,当同时存在这三个指标时,其实我们只要三选二就能得出结论了。
增维:增维和降维是相对的,如果当前观察的维度无法解释当前问题,就需要对数据进行运算,多增加一个指标。在可视化分析领域,也可将不同类型的图表嵌套使用,能达到增加信息展现维度,扩展分析广度的目的,
分组:也可叫聚类,合适的分组能更好地理解业务和场景。
如用户画像创建,就是一个按不同维度对数据分组的过程。通过用户画像,可以很清晰地知道产品的用户地区、用户兴趣、用户年龄、用户性别等属性占比,产品经理可通过画像进一步了解用户需求。
漏斗分析:主要用于分析产品使用的关键路径,通过设定一系列操作步骤,统计每一步中的操作用户数,并将用户数以柱状图纵向排列,就可形成用户流失漏斗,我们可分析漏斗每个环节的流失率,并观察改进环节交互体验后,流失用户的变化情况,以此来验证改动效果。
AARRR模型:该模型一般用于游戏数据分析,是Acquisition、Activation、Retention、Revenue、Refer,这五个单词的缩写,分别对应一款移动应用生命周期中的5个重要环节。AARRR本身是一个循环,使用者需观察每个环节的数据情况,以此来分析产品是否在执行一个正循环过程。这其中的任一环节除了问题,都会导致产品数据的异常。
网友评论