|
問題：產品對于數據分析能力方面的提升，有什么具體建議及好的學習資源（電商方面），跪求大神干貨！ 回答一：顧先森，淘米 產品經理 1. 了解業(yè)務，熟悉數據框架、體系 了解你的業(yè)務是做什么的，業(yè)務的發(fā)展規(guī)劃有什么，衡量的核心指標有哪些，列出KPI或是核心指標，一般重點指標就那么幾個；然后對幾個核心指標進行拆解，這點也需要根據你的業(yè)務屬性進行，你的業(yè)務凡是會影響到這個指標的有哪幾個元素。 拆分的好處是你能對一個具體的指標很清晰它是怎么組成的，好像庖丁解牛，當然這個過程可以不斷拆分下去，加上一些公共屬性，例如時間、用戶性別、用戶年齡、用戶職業(yè)等公共的緯度進去細切。 2. 對現有數據指標進行思考；多維度集中分析找規(guī)律 在熟悉產品需要關注的指標、框架之后，了解現有每個指標的運營現狀，如果有同行業(yè)指標對比更好，看是否有提高的空間?；蛘呤牵Ｍㄟ^某個運營的動作，提高哪一個指標，提高到多少；通過一系列的比較精準命中，預估運營能夠提升指標到一個什么水準。 另外有一個精準模型的好處是了解你的核心用戶后，你可以單獨針對這部分用戶進行產品用研與需求挖掘，更利于你內心確定哪些指標是可以通過什么手段提升的；同時找規(guī)律，對于拆解出來的指標，想辦法做一些分析，這里的分析個人覺得并不一定需要很復雜的手段，更重要的是一種感覺和意識。 3. 規(guī)律驗證，經驗總結 找到規(guī)律了，內心明白了，下一次做事情心里會更透亮一些，對產品的理解又會更深一些。很多事情，就是這樣一點點去熟悉，去深入慢慢產生親切感的。數據是讓你和你的產品心靈貼近的一個話題而已，更高級更深入人心的數據溝通，不妨還是交給專業(yè)的數據處理人員吧，就好像不是人人都是心理咨詢師一樣。 總之，對于PM而言，個人覺得數據是一種意識，而非技術，是一種方法總結，而非理論科學，關注數據是個優(yōu)點。 每個產品經理在產品設計前就需要明白一個最簡單的公式： 產品價值=產品帶來的收益－設計研發(fā)運營成本>0 例如積分類的產品,如果使用了積分產品后凈增的銷售額*利率-積分充抵的商品價值（運營成本）－設計研發(fā)成本>0，如果用戶會長期使用積分，設計研發(fā)成本可以忽略，其它數據可以比較容易拿到。再如頁面改版類產品，改版帶來忠實用戶數*每忠實用戶價值-新頁面的設計研發(fā)運營成本>0，說明改版是成功的。 產品經理只要把握好這個基本公式，其它深入的數據分析交給更專業(yè)的人員去做吧，產品經理的主要精力還是放在用戶需求分析層面。 （以上回答略刪減，想看詳細舉例版本請戳閱讀原文） 回答二：mrjesse 電商 產品經理 樓上已經說的很詳細了，我來補充下： 作為一個電商產品經理，畢竟不是專業(yè)數據產品經理，我們不需要了解的太深，只需要關注最核心的一些內容，在明確數據分析之前，首先我們要明確電商產品的數據分析幾大業(yè)務指標： 一. 用戶角度 1、總活躍用戶數、新注冊用戶數、總PV； 2、一定時間的活躍用戶數、新注冊用戶數、總PV； 3、一定時間的轉換關系； 4、不同渠道下，注冊轉換情況； 5、不同注冊渠道下，注冊用戶的后續(xù)留存率； 6、一定時間有購買行為的用戶的重復購買的分布情況 二. 訂單角度 1、今日的訂單總數、銷售額、訂單單價、有訂單用戶數、補貼比例； 2、過去一周每天的訂單總數、銷售額、訂單單價、有訂單用戶數、補貼比例； 3、過去一周每天的訂單平均送達時間； 三. 商品角度 1、按照商品分組，今日每個商品的瀏覽數、購買用戶數、訂單數、銷售額； 2、按照商品分組，過去一周每天每個商品的瀏覽數、購買用戶數、訂單數、銷售額； 四. 品類角度 1、按照商品品類分組，今日每個品類的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價； 2、按照商品品類分組，過去一周每天每個品類的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價； 五. 店鋪角度 1、按照店鋪分組，今日每個店鋪的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價； 2、按照店鋪分組，過去一周每個店鋪的瀏覽數、購買用戶數、訂單數、銷售額、訂單單價； 在基于以上指標進行數據的統(tǒng)計，我們再進行數據分析： 首先數據分析建模，我們知道電商類產品模型一般以事件（點擊，瀏覽等）用戶屬性進行建模。然后我們進行正式的數據分析： 方法一：多維度數據分析 我們需要定義一些事件，如取消訂單，提交訂單，支付訂單，瀏覽商品，加入購物車等等。 然后基于這些事件，我們需要一個指標，比如說次數，總和。 可是我們知道光有個數據羅盤還不夠，我們需要對數據進行細分，這里我們做了事件，指標。所以還需要篩選用戶的屬性了，比如說城市，用的設備，支付方式，來源渠道。 這個方法，我們常用于用戶畫像，用戶行為分析，數據異常排查分析等。 方法二：轉換率數據分析 我們進行一場活動，我們需要進行評估，這二天注冊了多少人，訂單轉換率是多少，支付率是多少，我們就需要一個分析方法了。 從我剛講的我們基于事件分析，所以我們就可以定義一個事件，篩選時間，先定義事件（注冊），再次定義事件（提交訂單），在次定義事件（支付訂單），我們可以得到一個轉換率。 這個方法，我們常用于轉換率分析，也稱漏斗分析。 方法三：留存數據分析 留存分析正如字面意思留存，我們需要對一段時間的用戶就像數據分析，比如說我們搞了一個活動，我們需要看那段時間的注冊用戶，提交訂單的情況，第一有多少提交，第二天有多少人提交，第三天有多少人提交等。 數據分析一般為，我們還是根據我們的數據模型，首先定義一個事件（如注冊用戶），在次定義一個事件（如提交訂單）得到一定事件的比列。 這個方法，我們常用于觀測一定事件的留存情況。 方法四：活躍或回訪數據分析 我們知道，我們定義了用戶的行為數據分析了，可是我們需要看一段時間的，一個事件的使用次數，或者某個地方的用戶使用情況，那我們怎么辦呢。這里就是我所說的活躍數據分析情況了， 我們首先需要定義一個事件（如注冊用戶），在定義一個事件（如提交訂單）的情況（這里一般為次天數），然后我們篩選用戶的事件為什么，得到一個數據。 這個方法，我們常用于調查用戶使用情況，也是衡量一個用戶活躍的關鍵數據分析指標。 說了這么多，我們這些能干嘛呢 1、數據異常排查，細分逐一查看 2、關鍵頁面的轉換率提升 3、活動的情況評估，渠道數據分析評估
|
|
|
