【转载】数据分析实战-共享单车产品数据分析

很多人都在问:如何提高数据分析能力?笔者(申悦)认为一方面要掌握基本的分析框架和分析思路,另一方面就要不断实践。一种很好的实践方式就是:分析行业内典型产品的设计、运营思路,假设自己就是该公司的数据产品经理,你会如何对其进行分析

前一阵在“在行”上就遇到一个案例,学员想了解共享单车类产品的数据分析思路,本文就针对这个案例整理一二,供读者参考。如果读者中有摩拜或ofo的同学,麻烦帮我参谋下思路是否靠谱哈^_^。

步骤一:明确用户是谁

以摩拜为例,其产品可能的目标用户有2类:用车方维护方。用车方就是车辆使用者,维护方则是车辆提供者。用车方的诉求是随时随地有车骑,且付费后骑行体验要良好。维护方的诉求则是以最少的车辆服务最多的用车方,并从用车中得到收益。

步骤二:明确用户使用场景

维护方角度看,其简单场景如下图:

用车方角度看,其场景如下图:

明确使用场景、使用流程的原因在于:第一,我们的数据都来源于这些场景中;第二,我们需要通过分析这些数据,让用户每一步过程都顺利进行,避免流失;第三,还要让企业利益最大化,从而进一步让利用户。

步骤三:明确分析目标

经过人群定义和流程梳理,针对共享单车,我们可简单将分析目标定义为:

  • 提高成功骑行次数——用户利益最大化
  • 提高毛收入——企业利益最大化

步骤四:拆解目标

数据分析的思路就是将目标层层拆解,从每个子指标中发现问题。基于以上目标,可拆解为:

  • 成功骑行次数 = app启动次数 x 每启动扫码开锁率 x 成功开锁率 x 成功结束率
  • 成功骑行次数 = 每人每日行程次数 x 人数
  • 毛收入 = 充值收入 – 投入成本 = ((每充值金额 – 欠费金额) x 充值次数) – ((每车成本 + 维护费用) x 车辆数量 )

注:以上拆解因人而异,因经验而异,从不同角度可得出不同公式,具体要根据实际运营目标进行调整。

步骤五:明确数据观察者角色

拆解出的子指标,需要呈献给不同角色的人群查看,以此来进行不同维度的分析,因此在分析前也要明确这些角色,例如:

  • 决策层:关注核心指标、交易指标、时段趋势
  • 维护组:关注车辆状态、位置、轨迹、故障率、用户反馈
  • 运营组:关注骑行次数、充值情况、押金情况、欠费情况、信用积分
  • 产品组:关注骑行流程、交互路径、用户反馈
  • 开发组:关注请求失败率、App崩溃数

步骤六:明确数据度量

依据不同角色,可将拆解出的子指标进一步汇总整合,组成不同的统计度量值。这一过程中有一点要注意:每产出一份度量值,都要给出目的。也就是说看这个度量值能得出什么结论。没有结论的数值是没有意义的。如下所示:

核心数据

  • 评估推广效果——注册用户数
  • 评估活跃程度——启动次数、活跃用户数
  • 评估业务健康程度——成功骑行次数、每启动骑行率(用车密度)
  • 评估现金流健康程度——总入账、总出账、充值金额、欠费金额、车辆总成本
  • 评估车辆健康程度——车辆总数量、故障车数量

运营数据

  • 评估推广效果——注册用户数、下载点击数
  • 评估活动运营效果——充值用户数、邀请注册用户数、成功骑行次数、积分增长/消耗量
  • 评估用户质量——行程次数排行、骑行距离排行、信用积分排行、充值排行、欠费人数、认证人数

维护数据

  • 车辆使用总览——车辆总数+车辆位置实时呈现——未使用/使用中/故障中/预约中
  • 评估车辆使用率——使用车辆数/总车辆数
  • 评估车辆故障率——故障车辆数/总车辆数
  • 评估车辆闲置率——连续N日未使用车辆数/总车辆数,以及闲置车辆位置

产品数据

  • 评估需求满足程度/车辆调度效果——每启动骑行率
  • 评估产品使用情况——成功骑行次数、异常骑行次数、平均骑行里程、平均骑行时长、日骑行频率、启动次数、平均骑行天数、预约操作成功率
  • 评估产品操作效果——充值路径、注册路径
  • 评估产品使用异常情况——平均每次开锁成功率
  • 评估用户骑行习惯——骑行轨迹聚合,为调度路线做参考
  • 评估用户满意度——用户反馈好评数/用户反馈数

财务数据

  • 用户金额:充值流水、充值次数、充值金额、充押金金额、余额不足金额、押金退款金额
  • 维修金额:车辆生产成本、车辆维修成本

注:以上数据仅为举例,要根据实际需求调整。

步骤七:明确数据维度

有了度量值,就要思考可以通过哪些维度查看这些值,也就是要定义数据维度。常见的维度包括:

  • 按时间:小时、日、周、月、季度、年度……
  • 按地区:按省、按市、按区……
  • 按渠道:邀请注册、扫码注册、广告点击注册……
  • 按类型:已认证/未认证、已充值/未充值……
  • 按位置:GPS地图定位

以上维度也要再根据需求不断调整、扩展、优化。

总结:

以上七步进行完毕,一个基本的共享单车数据分析框架就搭建完毕了。作为数据产品经理,一方面可基于此设计统计系统功能;另一方面可依此对不同人群定期产出数据分析报告了。但以上步骤只是完成了冰山一角,如何在观察数据后,对数据的变化合理归因,并对产品、运营策略的优化提出改进意见,才是真正需要深入研究的!

数据统计工具与常用的核心数据指标

数据统计工具:百度统计

900

百度统计思维导图

百度统计是一个强大的网站数据统计和分析工具,从六大维度进行分析——趋势分析、来源分析、页面分析、访客分析、定制分析、优化分析,帮助网站优化、用户定位、营销推广,打通网站与用户的完美锲合。

800

百度统计价值价值维度

趋势分析,可以了解到网站的基本状态、用户活跃度;

访客分析、自定义变量,可以了解到网站的访客构成和各类属性,帮助我们明确用户的定位;

页面分析、转化路径、事件跟踪,可以了解到用户操作行为,帮助我们合理安排页面布局、页面层次,优化网站设计,提高转化;

来源分析、优化分析、指定广告跟踪,可以了解到网站的营销推广状态,监控各种网络媒介推广效果,优化SEO。

适用于web的数据统计工具:

国外:GA 、Clicky、W3Counter、Woopra、W3Perl 、Piwik、TraceWatch、Snoop、goingup、JAWStats、Crazyegg

国内: 百度统计、CNZZ、国双统计、51la、量子统计、小艾统计、科捷统计、好耶iDigger 、gostats

外部分析工具:Alexa 、IUT、adplanner、quantcast

适用于APP的数据统计工具:

国外:Flurry,google analytics mobile,Mixpanel

国内:友盟,机锋统计,TalkingData,百度移动统计,CNZZ移动数据平台,imofan

开源:cobub

网站的后台也可以进行一些基本的数据统计,比如注册数、会员数、互动数等。

常用的核心数据指标

除了上述思维导图中提到的数据指标外,还包括根据思维导图中的数据指标延伸出的活跃度、流失率、留存率等。

活跃度:

主要衡量产品的粘性、用户的稳定性以及核心用户的规模,观察产品在线的周期性变化。

AU(Active Users)活跃用户:用户登陆产品记为一次登录

DAU(Daily Active Users)日活跃用户:每日登陆过的用户数一般从后台抓取

WAU(Weekly Active Users)周活跃用户:七天内登陆过的用户数

MAU(Monthly Active Users)月活跃用户:30天内登陆过的用户数

AT(Daily Avg. Online Time)日均使用时长:活跃用户平均每日在线时长

AT=日总在线时长 / DAU

DNU(Daily New Users)每日注册并登陆的用户数:直接从后台抓取即可

PCU(Peak Concurrent Users)最高同时在线用户人数:统计周期内,同一时点(通常精确至分)的最高在线人数

ACU(Average Concurrent Users)平均同时在线用户人数:统计周期内,每个时点(通常精确到分)的平均在线人数

ACU=DAU * AT / 时间精度

EC(Engagement Count)用户登录频率:统计周期内平均每用户登录的总次数

根据统计周期不同,通常每日登录频率统计的是登录次数;周及月的登录频率统计的是登录天次(一天登录多次记为一次)

对于不同产品,活跃度的标准不一样,可以根据需要细分定位——轻度用户、中度用户、重度用户、忠诚用户等。

流失、留存:

观察流失用户的状态、流失前行为来判断产品可能存在的问题。

ULR(Users Leave Rate)用户流失率:统计当日登录过产品的用户,但在随后N日内未登录的用户数/统计日DAU

日流失率:统计当日登陆过产品的用户,次日未登陆的用户数/统计日DAU

周流失率:统计当周登陆过产品,之后下一周未登陆的用户数/WAU

月流失率:统计当月登陆过产品,下一月未登陆的用户数/MAU

OSUR(One Session User Rate)一次会话用户占比:新登录用户中只有一次会话的用户占比,主要衡量新用户的质量

DRR(Daily Retention Rate)日留存率:统计当日登录过产品的用户,在之后N日内至少登录一次的用户数/统计日DAU

WRR(Weekly Retention Rate)周留存率:统计当周登录过产品的用户,且下一周至少登录一次的用户数/WAU

MRR(Monthly Retention Rate)月留存率:统计当月登录过产品的用户,且下一月至少登录一次的用户数/MAU

次日留存率:统计当日登录过产品的用户,次日依旧登录的用户数/统计日DAU

回归率:曾经流失,重新登录产品的用户数占流失用户的比例

回归用户:曾经流失,重新登录产品的用户数

流失用户池:过去一段时间内流失的用户数

回归率 = 回归用户 / 流失用户池

收益:

产品盈利能力的综合评价。

PUR(Pay User Rate)付费比率:统计周期内,付费账号数占活跃账号数的比例,一般以自然月或自然周为单位进行统计

广度,更多的人付费

PUR = APA / AU

APA(Active Payment Account)活跃付费账用户数:统计周期内,成功付费的用户数

APA = AU * PUR

ARPU(Average Revenue Per User)平均每用户收入:统计周期内,活跃用户对产品产生的平均收入

ARPU = Revenue / AU

ARPU = ARPPU * PUR

ARPPU (Average Revenue Per Paying User)平均每付费用户收入:统计周期内,付费用户对产品产生的平均收入

深度,付更多的钱

ARPPU = Revenue / APA

LTV(Lift Time Value)生命周期价值:平均一个新增用户在其生命周期内(第一次登录到最后一次登录),为该产品创造的收入总计

LTV_N : 统计周期内,一批新增用户在其首次登入后N天内产生的累计收入/ NU(新用户)

用于衡量渠道导入用户的回本周期,回本率=LTV_N/CPL(导入成本)

以上数据可以根据需要进行拆解、合并,比如流失付费用户数、回归付费用户数、新增付费用户数、新增活跃用户数等等。

同时,不同的产品类型,需要关注的数据指标也不一样,道生万物。

 

推荐:大数据工具导航 (http://hao.199it.com)