让咱们经过文章来看看：有哪些有用的数据剖析办法吧。产品司理的概念在不断泛化。近些年来，随着互联网职业的开展，越来越多的企业意识到了大数据和精细化运营的重要性，为了更好地挖掘数据的价值，指导事务的优化和开展，数据产品司理应运而生，他们依据数据剖析办法发现问题，并提炼关键要素，规划产品来实现商业价值。虽为产品司理，但要真实处理中心问题，难免要在前期和中期进行很多的数据剖析作业，那么，有用的数据剖析办法有哪些呢？
一、事务剖析类
1.1 杜邦剖析法杜邦剖析法目前首要用于财政领域，经过财政比率的关系来剖析财政情况，其中心要点是将一个大的问题拆分为更小粒度的方针，以此了解问题出在了哪儿，然后对症下药。以电商职业为例，gmv（网站成交金额）是考核成绩最直观的方针，当gmv同比或环比出现下滑时候，需求找到影响gmv的要素并逐个拆解。gmv下降如果是因下单用户减少所形成的，那么是访客数（流量）减少了，仍是转化率下降了呢？
如果是访客数减少了，那是由于天然流量减少了，仍是由于营销流量不足？如果是天然流量下降的话，或许需求在用户运营和产品运营端发力，如果是营销流量不足，那么能够经过营销活动或者站外引流的方式增加曝光量。同样，如果是转化率的问题，那么需求对用户进行细分，针对不同阶段的用户采取不同的运营战略，关于用户的部分，这儿不做赘述，有爱好的朋友能够重视后边的文章。最后，如果是由于客单价不高，那么需求进行定价及促销的计划优化，比方识别具有gmv提高潜力的产品进行定价优化，评价当时促销的roi，针对选品、力度和促销方式进行优化。一起经过关联产品的推荐或产品套装促销的方式，激发用户购买多件产品，也能够有效提高客单价。
1.2 同比热力求剖析法同比热力求剖析法这个名称是我自己造的，其实无非是把各个事务线的同比数据放到一起进行比较，这样能更为直观地了解各个事务的情况。构建一张同比热力求大致需求三步：按照杜邦剖析法将中心问题进行拆解，这儿仍以电商为例，咱们将gmv拆成了流量、转化率、产品均价和人均购买量，即gmv=流量*转化率*产品均价*人均购买量；计算每个事务各项方针的同比数据；针对每一项方针，比照各事务的同比凹凸并设定色彩突变的条件格局，以上图中的转化率同比为例，事务5转化率同比最高，为深橙底色，事务3转化率同比最低且为负值，因而设定为蓝色底色加红色字体。经过同比热力求的剖析，首先，能够经过纵向比照了解事务自身的同比趋势，其次，能够经过横向比照了解自身在同类事务中的方位，此外，还能够归纳剖析gmv等中心方针变动的原因。除了电商事务的剖析以外，同比热力求同样适用于互联网产品数据方针的监控及剖析，该剖析办法的关键点在于拆解中心方针，在本文后边的产品运营类办法中将会介绍相关方针的拆解办法。
1.3 类bcg矩阵bcg矩阵大家都非常熟悉了，以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判别各项事务所在的方位。这儿想讲的并非传统的bcg矩阵，而是bcg矩阵的变阵，或者叫类bcg矩阵。依据不同的事务场景和事务需求，咱们能够将任意两个方针作为坐标轴，然后把各类事务或者用户划分为不同的类型。比方能够以品牌gmv增长率和占有率构建坐标系，来剖析各品牌的情况，然后协助事务方了解到哪些品牌是未来的明星品牌，能够重点发力，哪些品牌处于弱势且增长匮乏，需求优化品牌内的产品布局。除此之外，咱们还能够依据以下场景构建类bcg矩阵：剖析产品引流才能和转化率：流量份额-转化率剖析产品对毛利/gmv的奉献：毛利率-销售额依据rfm剖析用户的价值：拜访频率-消费金额按照上述办法，大家能够依据需求大开脑洞，按照必定规范对研究对象进行分类剖析。二、用户剖析类2.1 tgi指数在剖析用户时，一般的做法是将方针用户进行分类，然后比照各类用户与整体之间的差异性，tgi指数供给了一个很好的办法，来反映各类用户集体在特定研究范围(如地舆区域、人口统计、媒体偏好等)内的强势或弱势。tgi指数=用户分类中具有某一特征的集体所占份额/整体中具有相同特征的集体所占份额*100比方在剖析用户的年龄段时，能够经过tgi指数比照各用户分类与整体在各年龄段的差异，设用户分类1中16-25岁的用户占比为4%，而整体中16-25岁的用户占比为8.3%，那么用户分类1在16-25岁用户中的tgi指数为4%/8.3%=48。按照这一办法，咱们能够对各类用户在各年龄段的tgi指数进行比照。如上图所示，各类方针用户在16-25岁这个年龄段的占比都比整体小（tgi指数<100），其中分类1的用户年龄偏大，由于该类用户在36岁以上各个年龄段的tgi指数都显着高于100，且一起高于其他三类用户。当时在互联网领域，除了用户实名数据以外，其他用户的画像维度一般都经过树立模型进行判别，因而无法彻底确保准确性，但不同于小样本调研，大数据剖析是能忍受必定数据误差的，不过，这一切都要树立在比照的基础上。所以，在剖析用户画像时，需求依据场景进行用户分类，并比照各类用户与整体间的差异，这样才能确保剖析成果的可信性和适用性，而tgi指数就是很好的比照方针。2.2 lrfmc模型rfm模型是客户关系办理中最常用的模型，但这一模型还不行完善，比方关于m(money)，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。
关于企业来说，这两个用户的类型和价值就彻底不同，因而咱们需求更全面的模型。lrfmc模型供给了一个更完好的视角，能更全面地了解一个用户的特征，lrfmc各个维度的释义如下：l(lifetime)：代表从用户第一次消费算起, 至今的时刻，代表了与用户树立关系的时刻长度，也反映了用户或许的活跃总时刻。r(recency)：代表用户最近一次消费至今的时刻长度，反映了用户当时的活跃状况。f(frequency)：代表用户在必定时刻内的消费频率，反映了用户的忠诚度。m(monetary)：代表用户在必定时刻内的消费金额，反映了用户的购买才能。c(costratio)：代表用户在必定时刻内消费的扣头系数，反映了用户对促销的偏好性。以去哪儿的事务为例，经过lrfmc模型能够归纳剖析用户的习气偏好和当时状况，然后指导精准营销计划的实施。
l(lifetime):用户来多久了？
r(recency) :用户最近是否有消费，如果来了很长时刻都未消费，是否需求进行唤醒？f(frequency) :
用户出行的频率怎样，如果是固定周期出行，是否应该进行复购提示？m(monetary) :用户的消费金额是多少，是单价高（购买头等舱），仍是频次高？c(costratio):用户对扣头的偏好怎样，是为用户增加权益仍是降价促销
？三、产品运营类产品运营是一个长期的过程，需求定期对产品的运用数据进行监控，以便发现问题，然后确认运营的方向，一起也能够用于评价运营的效果。产品运营的常用方针如下：运用广度：总用户数，月活；运用深度：每人每天均匀浏览次数，均匀拜访时长；运用粘性：人均运用天数；归纳方针：月拜访时长=月活*人均运用天数*每人每天均匀浏览次数*均匀拜访时长。产品所在阶段不同，运营的侧重点也会有所不同。在产品初期，中心的作业是拉新，应该愈加重视产品的运用广度，而产品的中后期，应该愈加注重运用深度和运用粘性的提高。
关于不同的产品也需依据产品的性质来确认中心方针，比方，关于社交类产品，运用广度和运用粘性至关重要，而关于一些中台剖析类产品，提高运用深度和运用粘性更有意义。四、结语在一款数据产品诞生前，应该是先有数据，再有剖析，然后才是产品，剖析的广度和深度直接决议了产品的定位和价值。如果是做一款数据报表类的产品，那么需求了解中心方针，并树立归纳方针的评价体系。如果是做一款剖析决议计划类产品，那么还需求依据事务需求，将现有数据方针进行解构再重构。