标签 数据化运营 下的文章

数据分析八法

数据分析八法:

  1. 指标对比:横比与纵比
  2. 分组:物以类聚;
  3. 时间数列及动态:非孤立的时期指标值;
  4. 指数:假定其他因素不变,观察某因素变动对总变动的影响;
  5. 平衡:通过构成解构平衡,发现不平衡;
  6. 综合评价:以数据流为基础;
  7. 景气:数据置入宏观与微观环境;
  8. 预测:Excel中的趋势线

1.指标对比分析法

指标对比分析法,又称比较分析法-是统计分析中最常用的方法。是通过有关的指标对比来反映事物数量上差异和变化的方法。有比较才有鉴别,单独看一些指标,只能说明总体的某些数量特征,得不出什么结论性的认识。
指标对比分析方法可分为静态比较和动态比较分析。静态比较是同一时间条件下不同总体指标比较,如不同部门、不同地区、不同国家的比较,也叫横向比较;动态比较是同一总体条件不同时期指标数值的比较,也叫纵向比较。
这两种方法既可单独使用,也可结合使用。进行对比分析时,可以单独使用总量指标货相对指标或平均指标,也可将它们结合起来进行对比。

2.分组分析法

指标对比分析法是总体上的对比,但组成统计总体的各单位具有多种特征,这就使得在同一总体范围内的各单位之间产生了许多差别,统计分析不仅要对总体数量特征和数量关系进行分析,还要深入总体的内部进行分组分析。
分组分析法就是根据统计分析的目的要求,把所研究的总体按照一个或几个标志划分为若干个部分,加以整理,进行观察、分析,以揭示其内在的联系和规律性。统计分组法的关键问题在于正确选择分组标值和划分各组界限。

3.时间数列及动态分析法

时间数列,是将同一指标在时间上变化和发展的一系列数值,按时间先后顺序排列,就形成时间数列,又称动态数列。时间数列可分为绝对数时间数列、相对数时间数列、平均数时间数列。
时间数列速度指标,根据绝对数时间数列可以计算的速度指标:有发展速度、增长速度、平均发展速度、平均增长速度。
动态分析法,在统计分析中,如果只有孤立的一个时间指标值,是很难做出判断的。如果编制了时间数列,就可以进行动态分析,反映其发展水平和速度的变化规律。
进行动态分析,要注意数列中各个指标具有的可比性。总体范围、指标计算方法、计算价格、计量单位,都应该前后一致。时间间隔一般也要一致,但也可以根据研究目的,采取不同的间隔期,如按历史时期分。为了消除时间间隔期不同而产生的指标数值不可比,可采用年平均数和年平均发展速度来编制动态数列。

4. 指数分析法

指数是指反映社会经济现象变动情况的相对数,有广义和狭义之分。根据指数所研究的范围不同可以有个体指数、类指数与总指数之分。
指数的作用:一是可以综合反映复杂的社会经济现象的总体数量变动的方向和程度。二是可以分析某种社会经济现象的总变动受各因素变动影响的程度,这是一种因素分析法。操作方法是:通过指数体系中的数量关系,假定其他因素不变,来观察某一因素的变动对总变动的影响。
用指数进行因素分析,因素分析就是将研究对象分解为各个因素,把研究对象的总体看成是个因素变动的共同结果,通过对各个因素的分析,对研究对象总变动中各项因素的影响程度进行测定。因素分析按其所研究的统计指标不同可分为对总量指标的变动的因素分析,对平均指标变动的因素分析。

5. 平衡分析法

平衡分析是研究社会经济现象数量变化对等关系的一种方法。它把对立统一的双方按其构成要素一一排列起来,给人以整体的概念,以便于全局来观察它们之间的平衡关系。平衡分析的作用:一是从数量对等关系上反映社会经济现象的平衡状况,分析各种比例关系相适应状况;二十揭示不平衡的因素和发展潜力;三是利用平衡关系可以从各项已知指标中推算未知的个别指标。

6. 综合评价分析

社会经济分析现象往往是错综复杂的,社会经济运行状况是多重因素综合作用的结果,而且各个因素的变动方向和变动程度是不同的。如对宏观经济运行的评价,涉及生活、分配、流通、消费各个方面;对企业经济效益的评价,涉及人、财、物合理利用和市场销售状况。如果只用单一指标,就难以得到恰当的评价。
进行综合评价包括四个步骤:
* 确定评价指标体系,这是综合评价的基础和依据,要注意指标体系的全面性和系统性
* 搜集数据,并对不同计量单位的指标数据进行同度量处理。可采用相对化处理、函数化处理、标准化处理等方法。
* 确定各指标的权数,以保证评价的科学性,根据各个指标所处的地位和对总体影响程度不同,需要对不同指标赋予不同的权数
* 对指标进行汇总,计算综合分值,并据此作出综合评价。

7. 景气分析法

经济波动是客观存在的,是任何国家都难以完全避免的。如何避免大的经济波动,保持经济的稳定发展,一直是各国政府和经济专家在宏观调控和决策中面临的重要课题,景气分析正是适应这一要求而产生和发展的。景气分析是一种综合评价分析,可分为宏观景气分析和企业景气调查分析。

8.预测分析法

宏观经济决策和微观经济决策,不仅需要了解经济运行中已经发生了实际情况,而且更需要预见未来将发生的情况。根据已知的过去和现在推测未来,就是预测分析。
统计预测属于定量预测,是以数据分析为主,在预测中结合定性分析。统计预测的方法大致可分为两类:一类是主要根据指标时间数列自身变化与时间的依存关系进行预测,属于时间数列分析;另一类是根据指标之间相互影响的因果关系进行预测,属于回归分析。
预测分析的方法有回归分析法、滑动平均法、指数平滑法、周期(季节)变化分析和随机变化分析等。比较复杂的预测分析需要建立计量经济模型,求解模型中的参数又有许多方法。

摘自:http://weibo.com/betterdata?is_all=1

漏斗模型对软件开发的挑战

在传统软件开发过程中,一般开发团队对软件功能最为重视。程序员总是为写出更酷的功能而绞尽脑汁。同时,开发经理会把最复杂的功能模块分配给最资深、最优秀的程序员。相对而言,软件下载的网页、安装程序看起来不是那么有挑战,于是这些工作通常分配给刚刚毕业的程序员甚至是实习生去做。

实际上大部分用户还没有看到那些很酷很炫的功能之前,就已经对软件说再见了。对于这些用户而言,软件的功能再强大也是没有意义的。对他们而言,让他们离开的因素可能是在下载页面里下载按钮不够明显,或者下载前的用户注册步骤过于繁琐。

曾有一个软件开发团队通过分析用户行为的数据,发现用户从下载软件到安装软件的转换率很低。进过进一步分析,他们发现是由于安装包过大导致下载时间太长,从而导致很多用户在下载过程中间中断了下载。于是他们想办法压缩安装包的大小最终大幅度提高用户的转化率。

漏斗模型要求软件开发团队把思维模式从以功能为中心转化到真正以用户为中心。让用户选择使用还是弃用一个软件的理由,不仅仅只是软件的功能是否强大。我们要关注用户来浏览网页、下载、安装、试用时每一个环节的用户体验。花更大精力优化早期环节的用户满意度是值得的,因为用户在早期的环节如果觉得不满意就会离开,那么后面环节做的再好也没有意义。尽在站在技术的角度出发,做做网页、安装程序不够有挑战,但这是用户的第一印象,是让用户体验后续强大功能的前提条件。

为什么数据化运营如此重要

大数据的真正价值在于数据驱动决策, 通过数据来做出的决定,要优于常规决策。
当你的想法中有更多的证据(即数据)来支持业务决策时,这一点当然听起来不错, 但是如何让这个想法真正落地,是一件非常不容易的事。

数据驱动是什么意思

想要成为一家数据驱动型公司或团队, 这可不仅仅是收集数据、定期查看数据这么简单的。
真正的数据化运营指的是, 在做每一个决策之前, 都需要分析相关数据, 并让这些数据结论指导发展方向。

每一位员工也应收集、分析并定期学习数据。数据应该共享, 并用于规划、报告、在内部监控自己的目标和方向。

为什么数据化运营如此重要

答案很简单,相比基于本能、假设或认知偏见而做出的决策,基于证据(数据)而做的决策更可靠。通过数据驱动的方法,你将能够判断趋势,从而展开有效的行动,帮助自己发现问题,推动创新或解决方案的出现。

数据驱动决策的六大步骤

数据驱动决策

  1. 得到尽可能多的数据
    数据驱动决策的第一步就是必须要有数据,没有数据无从谈起数据决策。现在基于云的软件平台成本非常低,我们没有理由不去搜集和存储数据。这些数据有可能有用,有可能没用,你可能永远都不知道,除非真正的去分析它们。

    数据收据特别要注意两类:内部数据和外部数据,内部数据包含已有客户数据、交易数据、转化率数据,外部数据包含社交媒体、竞争对手、市场数据等。现在的数据收集和分析工具,允许我们将任何东西变成数据,因此大胆的去分析吧。

  2. 制定可衡量的目标
    制定一些可衡量的目标,如100万月活跃用户,迫使自己去分析未达成目标的原因。找到原因的唯一方法就是去查看和分析数据,找到影响目标达成的因子或环节。
    我们做的每件事都应该有一个可衡量的目标,这些目标不仅仅可以适用于高层,也适用于每个单体或项目。这不仅能帮助你评估你的表现,也能让我们的员工了解自己做的事情对公司的贡献。

  3. 确保每个人都能使用数据
    一旦收集并存储了数据,就要保证公司的每个人都能使用这些数据,数据不应该只限于数据专家使用。为了培养一个数据驱动的文化,每个部门都要有使用数据的权利,用来做相应的决策。因此培养员工了解数据很重要。
    很多国际领先的企业都认识到,成功意味着给员工处理数据的机会。让数据为员工简单可用,这足以改变一个公司或团队的文化,促进成功。

  4. 雇佣数据科学家/专家
    你应该把数据融入到公司的每一个角落,但要想深入了解你的数据,还应该雇佣数据科学家或数据专家。我们的员工应该了解数据,但不要指望着他们掌握复杂的算法和数据挖掘技术。我们需要找一些数据科学家,要找一些既非常懂业务,又了解数据科学、数据洞察、数据营销和策略的人,这个人不仅能够将非结构化的数据转换成结构化数据并且进行定量分析,还帮助公司决定该对哪些数据源进行分析,客户需要什么样的数据和分析需求,以及如何把基于数据的产品和服务转换为行之有效的商业模式。

  5. 挑选合适的数据分析工具
    有了数据科学家之后,要搭建一套行之有效的数据分析平台。如果你的IT部门人员有限,可以选择一款敏捷的数据分析工具,基于这些工具再进行一些定制化开发,打造出最满足自己需求的数据分析平台。

  6. 让数据变成优先级
    成为一个数据驱动公司的最好方法就是让数据驱动优先级,让数据来告诉你最该做哪些事。

    有远见的公司已经把数据驱动决策融入他们的日常工作中,他们所有重要决策的核心就是数据。他们在做决策时允许质疑甚至异议,只要这些质疑是基于数据和分析的基础上的,这才是一个真正的数据驱动型企业。

    因此,一些专家放出豪言:如果你的公司在3-5年内还没有开始构建数据化运营体系,那么你的企业非常有可能因为缺失数据打造的核心竞争力而苟延残喘。

参考:36大数据 » 为什么数据化运营如此重要?

数据化运营解决什么问题

什么是数据化运营?
利用数据分析,得到隐藏在数据背后的业务规律,利用这些规则来给运营提供方向、方案、策略,并收集数据结果,进行不断优化,从而提升运营的效率与效果。

运营是什么?
运营工作是一个很细,方向性,目标性强的工作。例如:这个月期望新增活跃用户达到100万【明确的运营目标】,运营就是用尽量少的资源达到期望的目标。
一、定义清楚目标
运营定义目标,活跃用户的定义是什么?例如:是本月有过购买订单,用户有登录 ,有过评论?
二、目标分解
目标分解,活跃用户来源构成,例如:如下图所示;这个更多是从业务角度来说,根据业务经验,会怎么进行目标分解。同时非常明确各个用户的定义,规模有多大,这个规模就需要从数据上提供。

三、运营目标差距
运营人员利用经验进行了目标分解后,制定目标分解的逻辑。接下来需要数据分析师,数据分析需要帮忙运营人员提取相关的数据。通过数据让业务人员精准的了解业务结构。


通过看这些数据,数据化运营人员就可以非常清楚以下几种事情:
1、 如何不采取任何运营动作,那目前每月活跃用户大概50万老用户,27万的新注册会员。流失用户、休眠用户、注册未激活用户可能会有一定的比例用户会在本月活跃,比例分别为:1%、2%、1%,合计会有10万活跃用户。全月预计会至少有87万的活跃。
2、 根据数据的测算,运营人员非常明确离当月设定的目标大概有13万的距离,这就是运营目标与实际的gap。因为运营人员需要根据目标差距去获取相应的运营资源来达到目标。
对很多公司来说,如何数据团队你准确、快速给运营人员这些数据,让运营人员通过数据可以非常准确的了解结构,对运营人员是很幸福的事情。通过这些数据分析,运营人员也有运营方向,可以根据目标差距,可获取资源来决定本次针对哪类型的人群来进行发力【数据分析提供了瞄准器,通过这些数据运营人员已经有明确的方向】。

接下来需要更深入的数据分析,分析各个类型的用户有什么样的特征,例如:休眠用户中有多少之前是高消费,之前主要购买了什么,从而建立了用户画像,对用户有全面的了解。运营人员根据这些数据分析的结果就知道可以制定什么样的策略,设计什么样的方案。

对于数据分析师来说,可能需要一定的数据分析、数据挖掘的方法,例如:建立RFM模型,通过聚类算法建立用户细分模型,通过流失模型预测每个用户的流失概率。
深入分析用户为什么流失,是因为对价格不满意,商品缺货,商品品质等,还是竞争对手搞活动。通过这些模型和深入的专题分析,让运营人员利用数据来制定非常有针对性的方案。例如,针对流失会员中的之前消费频率高,消费金额高,设计满减活动来挽回。

有二句话来形容数据化运营的话:
瞄准器,心中有数,循环迭代
提升运营效率,提高运营ROI
作者:头条号 / 爱数据网
链接:http://toutiao.com/a6257077289202090242/
来源:头条号(今日头条旗下创作平台)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。