【数据需求】除了与RD、设计和运营,简要聊聊如何正确骚扰BI同学

基本上在产品岗实习过的同学都知道,PM在平时工作中最多沟通的对象,除了boss这个顶头上司,就是RD小哥哥,设计小姐姐和运营大大们,如果是业务产品,那么还经常需要和商务、市场以及客服同学合作。今天暂时不聊同以上几个角色的情感纠葛,说一个陌生一点的角色——BI。

BI也就是JD的title里面常说的数据分析师。百度百科里面是这么介绍的:数据分析是指用适当的统计分析方法对收集来的大量原生数据进行分析,对数据加以详细研究和概括总结并产出结论。在实用中,数据分析结果可帮助人们作出判断,以便采取适当行动。

简要概括BI的工作价值:提取数据(信息)——统计分析(加工)——概括总结(结论)。

那么一个问题就是:我们如何跟这群数理逻辑能力超强的人群进行合理的沟通,使得双方合作的价值能够最大化呢?

我在前面《今日思考:作为业务PM,如何将其他非本业务用户转化为自己的用户》这篇文章里举过一个自己实际工作的案例,如何将其他业务用户转化为自己的用户。其实在这篇文章里讲到的用户调研以及用户归类阶段,就需要用到数据分析作为理论支撑,因为我们无法通过简单拍脑袋和研读调研报告就轻易下一个结论。

OK,引导话说完了,本文就想写一个之前自己抓耳挠腮的工作内容:如何向BI同学写一份需求文档(针对业务产品,自己总结的东西定有遗漏,虚心接受补充)。提醒一点,需求沟通的时候时刻记住双方的身份,需求产出方需求受理方。

1、需求背景描述

与同其他工作角色沟通的场景相似,作为需求产出方,需要向受理方描述需求产出的背景,包括需求背景,需求目标,受众人群,需求收益以及可能存在的风险,同时还需要向对方描述为什么在本环节需要对方的协助,也就是因为需求所产生的源诉求

2、明确评估方案

在这部分,需要向BI同学明确清楚数据分析的评估周期,部分场景需要精确到分秒;然后就是明确分析对象,在一些场景下,需要归类用户群体或者本身就是A/B测试分组对比,此类情况下就需要明确“主键”是什么。其次包括地域、分发渠道等等也都是评估维度方案需要明确的方向之一,具体方法可以参考《【数据分析】写给我们这些实习同学,排查问题如何数据分析》。

举个简单的栗子:之前做打车业务时,曾经需要对用户打车数据进行梳理分析,了解用户对用车业务的诉求,因此考虑分析过去一个月内,按照“专车用户”、“快车用户”以及“出租车用户”类别进行统计分析,因为不同用车业务用户诉求其实存在一定差异,尽管都是优化打车服务,但是针对性优化才能更好提升收益。

3、产出评估维度

这部分是需求文档的核心所在。前两部分基本是明确需求范围,本部分则是描述需求究竟是什么,也是在文档时最困难的阶段(慰藉自己死去的脑细胞)。简单描述就是,作为需求产出方,需要在文档里精确每一项待分析的需求并描述清晰简洁,以防止BI理解有误从而得出不符合背景的结论。这部分内容自己目前也是意会多于言传,不过给大家一个建议,采用“脑图”描述需求是一个非常好的手段,清晰而且简洁,从大模块细分到小维度,既能保证在梳理思路的时候不会混乱,同时能让BI理解更为清晰。

温馨提醒:

明确数据需求绝对不是让BI去跑字段数据,如果刻意为了精确需求而直接产出数据维度字段,那么BI也就不叫做数据分析师,而是SQL编写员。需求产出者的价值是保证需求的精准和目标导向无误,而需求受理者则是在确有需求基础上进行延展分析,如此合作才能最大化双方的职业价值,各扬所长。

复盘:

1、描述需求背景,包括背景、收益、风险、受众等;

2、明确评估方案,可以按照逻辑树圈定需求范围;

3、产出需求维度,是需求不是字段!

我是厚脸皮分割线


最近这段时间真是有些头皮发麻,挂掉了好几个中意的公司,周围人都真的好厉害。不得不说自己在学校错失了很多锻炼自己沟通交际能力的机会,现在是一说话就很紧张,一面试就像口吃(╯-_-)。。。

都说我缺魄力,承认,,,可是都猥琐发浪了二十多年了,这一下子让我可怎么改,桑心。

路漫漫其修远兮,求大佬带飞!

【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)