数据分析在产品工作中的应用

数据分析作为各种业务找到问题的核心，需要定位问题，找出解决的方案。本文结合具体案例，总结数据分析在产品中的应用以及相关方法论，希望对你有所帮助。一、什么是数据分析数据分析的核心是是利用数据发现问题，定位原因，找到解决方案或提出建议的思维，所以分析工具并不是最重要的，也不需要一开始就学Python、爬虫等；对非专业人士来说，其实用Excel就能够满足大部分日常诉求。数据分析3要素：数据、统计/分析方法、结论。1）没有准确、丰富的数据，无法进行分析；2）没有恰当的方法、工具，很难对数据进行加工、找到其中的规律；3）没有形成结论，则相当于没有结果，半途而废，数据价值大打折扣；二、数据分析应用案例举一个数据分析在产品工作中“发现问题-设定假设原因-验证原因-解决问题”的例子；【分析过程】第一步：拆解指标净利润额=总销售额-总退费额-总成本总退费额=退费客户数平均退费金额=（总购买客户数退费率）* 平均退费金额通过拆解，可以发现总购买客户数、退费率、平均退费金额都是影响总退费额的因素，为了进一步明确原因，需要辅助数据分析手段。第二步：发现问题——如何发现问题？拉取最近一年的退费明细订单数据，汇总加工处理后，发现问题：【缴纳定金后退费】金额占总退费金额比例不到5%，而【缴清全款后退费】占比高达95%。明显后者退费占比异常偏高，所以我选择继续下钻分析【缴清全款后退费】的数据，并尝试罗列出明显规律：1）学生完课率越高，退费率越低；完课率与退费率呈现负相关；2）未上课退费、已上课退费分别占比 70%、30%比例；3）已上课退费中，按已上课次-平均退费金额进行分布统计，发现两者呈现负相关，已上课次越多，退费订单数越少，且退费金额越少。第三步：明确核心问题——什么是最核心的问题？从第二步来看，未上课退费、已上课退费均有可优化的空间，并且一些维度之间存在正向或负向的影响关系，为了让逻辑看起来更清晰，我尝试建立各个维度之间的关系（相关关系or因果关系?），来帮助决策明确核心问题。蓝色为已知数据维度，绿色为引入的数据维度。【学生满意度和兴趣度】虽然是源头，但此指标难以量化、没有统一固定标准、数据不方便实时收集，所以不符合指标的要求；而【上课次数】与退费虽然是负相关关系，单并不具备因果关系，用上课次数来衡量退费也明显是不合适的；相比之下，【退费率】是一个好的指标，把【退费率】作为第一关键指标（OMTM原则）；又因为【未上课退费占比明显异常偏高】，所以把“降低未上课退费率（目前占比70%，正常约30%）”作为核心要解决的问题。第四步：探究核心问题的原因——哪些因素有可能造成此原因？明确问题后，需要从结构化的角度拆分可能会造成问题的原因。从用户、竞品、产品或服务3个层面，以及结合了产品A的付款-上课业务流程，绘制图如下：这一步是以教育行业为例，其它行业可以根据自己的业务场景来穷举，重点是要全面，指标之间尽量独立。可能看到这头都大了，这么多的原因，哪个因素是核心原因？为了找到核心原因，我把每个因素进行“假设—验证—结论”，分析结果如下图（灰色为排除项，红色为高度相关项）；最终确定了两个重点原因：付款后维护服务不到位，家长体验较差，导致未上课退费金额高；付款后长时间未排班、排班时间不符合家长预期，导致未上课退费金额高。这一步的重点是问题-假设-数据验证-结论方法，每一个指标的细节可以先不用看~第五步：验证假设——如何验证假设，如何证明？找到主要原因后，还需要证明该假设成立，因此我设立对照组，分别按照不同门店的退费金额，按服务质量好-差、成功排班速度快-慢，来进行对照数据分析，为了尽量排除干扰因素，选择了同一区域、人员结构类似的门店进行数据归类，经过排查，已能证明该因素确实是核心影响因素。第六步：确定解决方案虽然找到了主要原因，但还需要挖掘深层次的原因，继续重复上面分析的过程，接下来针对问题进行方案设计，提供对应的功能，并建议制定业务规章制度，以达到期望效果；在此过程中，值得注意的是并不是所有问题都可以通过产品功能解决，尤其是涉及流程调整、监管，是非常需要业务部门的支持、协助的；产品除了要产出方案，还需要组织会议，协调资源，推进达成共识，正式立项。进行到这里，基本上能很完整的确定解决方案，并且整个过程均有丰富的数据支撑，可行性非常高，甚至可以预见几乎不会有上线误差。最终：我取得的成果发现了退费环节的重要问题，并提供了建设意见；协调多个部门共同完成了项目管控、推进落地工作；通过3个月的使用，再次检测数据：未上课退费率由70%降低为40%，已上课退费率无明显变化；退费金额整体降低了30%，按照比例折算，整体利润增加了8%，超额完成目标。1、源数据会对数据分析结果产生直接影响，在分析时，选取数据要尽可能覆盖全面、精准度高；此外要特别留意异常数据，一定要剔除因设备、软件、个人等原因导致的异常数据，这些数据一不留神会导致分析结果与实际客观情况大相径庭；2、数据不是唯一的参考标准，虽然数据是客观的，但分析数据的人是主观的，同一份数据不同的人可能有不同见解；看数据的同时，需要结合个人对产品的一些既往经验，或者辅助用户访谈、问卷调研、A/Btest等方式进行综合全面的分析；3、在结构化假设原因时，维度要尽可能的齐全，可以从用户、竞品、产品服务3个角度思考，并且对照着业务流程，来尽可能罗列相关影响因素；4、当维度较多时，比较好的方法是将数据分组，观测每组数据是否有异常；比如按渠道入口分组，看是否某个获客渠道的数据异常，或按用户的地域/购买时间/下单频率等等分组。三、方法论1. 如何学习一门新的课程或知识我开始以为数据分析是分析师才需要掌握的，并且觉得比较难；但随着工作上思考加深，发现方方面面都可以用到数据分析思维，所以萌生了加深学习的想法；这里推荐给大家【道术器用】四层次法，从思维、方法、工具、实践四个方向对照自己掌握的技能，逐步丰富自己的数据分析技能树，快速查漏补缺。同时这个方法也非常有助于思考深度的锻炼，可以应用到各个课程学习上。2. 常用的数据分析方法结合实际场景和需求，可以采用多种分析方法组合分析，下面是一些分析方法论：3. 数据分析更多应用场景不只是分析问题时可以用到数据分析思路，在职场汇报、简历编写、甚至购买基金，都可以找到数据分析的影子，可以尝试以下应用场景。以上，就是我今天的分享啦，总结一下：数据分析代表了一种方法，一种辩证、推理、思辨的思维方式；不只是数据分析师、数据产品需要具备数据分析能力，每个人都可以应用这项能力给自己加分，把这项能力举一反三应用到生活和工作的各个场景中；用好这个“大招”，能更轻松地跑赢一部分人，更快地升职加薪，也能让自己的简历更突出。本文由 @PM_dog9527 原创发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于CC0协议。该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

创业项目群，学习操作 18个小项目，添加微信：923199819 备注：小项目！

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 zoodoho@qq.com举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.zodoho.com/140442.html

数据分析在产品工作中的应用

相关推荐