业余时间怎么培养数据分析的能力?

想要培养数据分析的能力,我认为可以从两部分来着手:一是数据分析方法论的建立,二是数据分析从入门到精通的知识学习。

业余时间怎么培养数据分析的能力?

想要培养数据分析的能力,我认为可以从两部分来着手:一是数据分析方法论的建立,二是数据分析从入门到精通的知识学习。

那么该如何搭建自己的数据分析知识体系?数据分析的价值又在哪里?做数据分析有哪些具体的方法?又如何学习数据分析?

我把我之前的两篇文章整理下,和大家分享一下这些问题。

Part 1 | 数据分析方法论 & 知识体系

1. 数据分析体系:道、术、器

「道」是指价值观。要想做好数据分析,首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。

「术」是指正确的方法论。现在新兴的「Growth Hacker」(增长黑客)概念,从 AARRR 框架 ( 获取、激活、留存、变现与推荐五个环节)入手进行产品分析,这是一个非常好的分析方法。

「器」则是指数据分析工具。一个好的数据分析工具应该能帮助大家进行数据采集、数据分析、数据可视化等工作,节省时间和精力,帮助更好理解用户、更好优化产品。

2. 数据分析的价值

数据分析不能为了分析而分析,而要将落脚点放到业务、产品和用户上。以产品经理为例,数据分析应该帮助产品经理不断优化产品设计和迭代,驱动产品和用户增长。

业余时间怎么培养数据分析的能力?

当我们上线了一个新的产品(product)或者功能时,需要对其进行数据监控和衡量(measure)。然后从监控中采集到产品的用户行为数据(data),并对这些数据进行分析和总结(learn)。最后从分析中得出结论和观点(idea),如果数据证明我们的新产品/功能是优秀的,那么可以大力推广;如果数据说明我们的产品还存在问题,就需要对产品进行新一轮的优化(build)。

在「产品——数据——结论」的不断循环中,我们不断用数据来优化我们的产品,加快产品迭代的步伐、提升用户体验。

3. 数据分析的方法

(1)流量分析

a. 访问 / 下载来源,搜索词

网站的访问来源,App 的下载渠道,以及各搜索引擎的搜索关键词,通过数据分析平台都可以很方便的进行统计和分析,分析平台通过归因模型判断流量来源,产品经理在分析这些流量时,只需要用自建或者第三方的数据平台追踪流量变化即可,第三方平台如 Google Analytics 、 GrowingIO 等;

b. 自主投放追踪

平时我们在微信等外部渠道投放文章、H5 等,许多产品都会很苦恼无法追踪数据。

分析不同获客渠道流量的数量和质量,进而优化投放渠道。常见的办法有 UTM 代码追踪,分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。

c. 实时流量分析

实时监测产品的访问走势,尤其要关心流量异常值。举个例子,某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值,产品经理发现实时数据异常后迅速下线该产品修复 Bug,避免了损失扩大。

业余时间怎么培养数据分析的能力?

(2)转化分析

无论是做网站还是 App,产品里面有很多地方需要做转化分析:注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。

业余时间怎么培养数据分析的能力?

影响转化率的因素很多,我们总结了三个大的方面:渠道流量、用户营销、网站 / APP 体验。以渠道流量为例,通过优选渠道并且量化分配我们的投放资源,可以有效提升总体的转化率。

(3)留存分析

在互联网行业里,通常我们会通过拉新把客户引过来,但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。

在一段时间内,对某个网站 / App 等有过任意行为的用户,称之为这个网站 / App 这段时间的活跃用户,这个任意行为可以是访问网站、打开 App 等等。

现在大家经常会用到所谓的「日活」 (日活跃用户量,DAU)、「周活」 (周活跃用户量,WAU)来监测我们的网站,有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的,以为是非常好的现象,但是如果没有做留存分析的话,这个结果很可能是一个错误。

留存是产品增长的核心,用户只有留下来,你的产品才能不断增长。一条留存曲线,如果产品经理不做什么的话,那么用户就慢慢流失了。

业余时间怎么培养数据分析的能力?

这是一个常见的留存曲线,我把它分成了三个部分:第一部分是振荡期,第二部分是选择期,第三部分是平稳期。

从产品设计的角度出发,找到触发留存的关键行为,帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面,使用过“新建”功能用户的留存度非常高;于是我们做了产品改进,将“新建”按钮置于首页顶部刺激用户使用,效果非常好。

硅谷流行的 Magic Number(魔法数字)也是留存分析的一部分,比如 Facebook 发现「在第一周里加 10 个好友」的新用户留存度非常高。作为产品经理,我们也需要通过数据分析来不断探索我们产品里面的魔法数字,不断提高用户留存度和活跃度。

(4)可视化分析

用户体验,是一个非常抽象的概念,我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化,以热图的形式呈现。

业余时间怎么培养数据分析的能力?

借助热图,产品经理可以非常直观了解用户在产品上的点击偏好,检验我们的产品设计或者布局是否合理。

(5)群组分析 & 挖掘用户需求、改进及优化产品

千人千面,产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户,他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群,观察不同群组用户的行为差异,进而优化产品。

业余时间怎么培养数据分析的能力?

之前我们做过一次分析,网站的总体注册转化率是 6%;但是使用 Chrome 浏览器的新用户注册转化率高达 12%,使用 IE 浏览器的新用户注册转化率才 1%。这样一分的话,问题就很明显了,极有可能是浏览器兼容性的问题,产品经理应该关注一下这个问题。

Part 2 | 数据分析知识学习

从入门到精通:互联网数据分析的书籍清单!

任何一个技能的学习,都有从浅到深的过程,数据分析也不例外。因此我把推荐书籍划分成几个段位,更便于大家挑选。

1. 入门版

适合对数据分析的入门者,对数据分析没有整体概念的人,常见于应届毕业生,经验尚浅的转行者。

深入浅出数据分析 :HeadFirst 类的书籍,一向浅显易懂形象生动,可以对分析概念有个全面的认知。

谁说菜鸟不会数据分析 :不仅讲解了一些常见的分析技巧,并附带 Excel 的一些知识以及数据分析在公司中所处的位置,对职场了解亦有一定帮助。

赤裸裸的统计学 :作者年轻时是个追求学习意义的学霸,后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨,结合生活讲解统计知识,生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

同样类似的书籍还有「 统计数字会撒谎 」,这本书知名度要高点,不过我还没看…

2. 进阶版

具有一定的行业针对性,要求具备一定的分析常识,适合网站分析师,商业分析师以及数据产品经理。

精通 Web Analytics 2.0 :此书虽老,但其中很多思想和流量分析的案例仍然很有借鉴意义,现在纸质书只能上淘宝买旧书了。

与此类似的有「 网站分析实战 」,是国内一本讲网站分析的书,没有上面经典,但胜在新出,很多案例和理念都有及时的更新。

深入浅出统计学:Headfirst 类书籍,可以帮助你快速了解统计方面的知识。

数据化管理:洞悉零售及电子商务运营 :黄成明著,讲解在企业中应用数据的例子,读完受益匪浅,里面举的很多例子都很接地气。虽说偏向于零售业管理,但大道归一,可适用于很多行业,当时依据里面的理念规划了美团外卖面向 BD 的数据产品。

MySQL 必知必会:这本也是我当年学习 SQL 的入门书,薄册子一本,看起来很快。SQL 是个性价比很高的技能,简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学,都建议点亮 这个技能点。

互联网增长的第一本数据分析手册 :我司 GrowingIO 出的一本数据分析的增长手册(封面和目录见下图),我们一直在做互联网行业数据分析知识的普及,目前我们已经做了 15 期「 GrowingIO 数据分析公开课」 ,面向产品经理、运营等等,这里是我们整理出来的「互联网增长的第一本数据分析手册」。为大家提供常见的分析手段讲解,如漏斗分析,同期群分析等等。可点击书籍名字在 GrowingIO 技术论坛中免费下载。

业余时间怎么培养数据分析的能力?

3. 高阶版

更高阶的数据相对来说专业性较强了,如涉及到企业内部数据治理,数据结合的业务分析,数据可视化等。当然,还有数据挖掘算法之类的更深入的东西,这块没有研究就不瞎推荐了。

决战大数据 :阿里巴巴前数据副总裁车品觉老师所著,讲解了阿里巴巴在企业内部治理数据过程中的心得,所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”,字字珠玑,可堪借鉴。

精益数据分析 :此书优势在于将企业分成了几个大的行业类别,并分门别类的讲解了每个行业的商业模式特点及分析技巧,对使用者的分析能力要求较高,且必须具备相应的业务知识。

The Wall Street Journal Guide to Information Graphics ,华尔街日报负责商业分析的人做的可视化指南,精华且实用,我之前在公众号上写过读书笔记「 华尔街日报是这样做数据可视化的(1) 」,可供大家参考。

《数据仓库经典教程》:网上有人整理出来的资料,优点是简单明了,不像正常的数据仓库教材厚厚一本。

| 结语

数据分析是一门多学科、多领域的交叉学问,涉及到的东西非常多。要想做好数据分析,应该有一套完整的思维体系,在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户,用数据来打磨产品,用数据来检验迭代,不断提升用户体验。

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

(1)
上一篇 2016-09-12 22:37
下一篇 2016-09-14 14:24

相关文章

关注我们
关注我们
分享本页
返回顶部