万字吐血好文,一线分析师的4大总结。
共 10244字,需浏览 21分钟
·
2021-05-20 13:03
一、分析师的商业价值
直觉驱动的困境
分析师是谁?做什么?产出的价值?
「拿不准用户」:用户画像细分、行为轨迹等分析帮助业务更了解用户:他们是谁,喜欢什么,什么环节体验不好,什么诉求尚未满足;
「打法不清晰」:通常业务完成某个 KPI 可以用到的抓手非常多,比如,内容平台的终极目标之一是用户留存,同时提升留存的抓手有很多,例如 CTR、赞读比、访问时长、公域私域相互导流等。不过,直觉并没有办法有效判断这些抓手哪个在当下最可能把公司最顶层一些指标提升上去。这时候,对历史数据的观测研究可以量化抓手与 KPI 之间的关系强弱,辅助业务排布各个抓手的优先级。
「算不准影响」:直觉无法判定一个策略对用户的实际影响,实验分析可以科学评估这些影响,帮助业务稳步向前迭代优化;
「看不清现状」:当大盘指标异常波动的时候,异动归因分析相比直觉是更加科学高效的方法来定位指标波动原因并提出解决方案。
二、业务不同阶段下数据分析的发力点与交付
基本型需求:分析师必须具备的能力与交付,是分析师做事情的行为底线。基本型需求完成不好的时候,再多的锦上添花也是徒劳,也会直接失去业务方的信任;
期望型需求:一般业务与分析师正式拉会所讨论的项目与预期就在期望型需求的范围,这部分需求完成的越及时或者越多,业务方对数据分析的评价也会越高;
惊喜型需求:主动分析,跳出业务的思考框架,数据分析产生的洞见帮助业务解决困惑,发现战略机遇,或者数据所提供的策略帮助业务完成难以达成的目标,就是惊喜性需求。惊喜性需求没有被满足业务不会不满,一旦被满足的时候业务的满意度是非常高的;
第一阶段:从零到一,直觉驱动业务野蛮生长
基本型需求:埋点、OKR 指标口径与常用 sql、数仓明细表;
期望型需求:建设业务指标体系,画像体系;业务日报(OSM),每天早上盯住关键指标并及时报备异常波动;用户生命旅程数据刻画(UJM);
惊喜型需求:
通过描述性统计帮助产品找到发力点:用户属性、行为研究帮助产品看清各个模块与内容上面的用户密度;产品漏斗转化率分析帮助业务看清产品各环节表现,找到转化瓶颈并重点改善体验。
比对分析竞品该业务早期的关键指标数据,大致判断目前的增长速度是否足够快,空间还有多大。
第二阶段:增长放缓,实验评估助力业务小步迭代
基本型需求:
实验分析支持
为业务方提供统计专业咨询,e.g. 实验设计,AB 数据含义,统计指标的计算口径
期望型需求:
联动业务、后端、前端开发、BI 协同搭建实验平台
平台可以并行线上实验同时可以自动化处理实验分流不均、检验指标显著性
向业务普及 AB 方法与对业务的价值,出具实验分析白皮书强化业务对实验的信任
惊喜型需求:
将实验分析报告模板化,赋能业务在脱离分析师资源的情况下自主完成实验设计与分析报告
维护业务上下线的实验明细日志,包含实验 ID、业务策略、影响、上下线时间、上下线理由,季度性提供给业务去复盘总结
基本型需求:通过历史策略和数据开展观测性研究,通过数据估算策略当下每个子目标对公司顶层指标的影响,联动业务制定并落地新的目标和增长方案;
期望型需求:积极主动创新,寻找更具增长潜力的新指标,纳入当前业务的子目标体系,提供子目标整合成统一一个目标的方案;
惊喜型需求:观测性研究方法工具化,赋能业务在脱离分析师资源的情况下自主完成目标优化。
第四阶段:数据持续驱动细分人群的差异化策略迭代
Step1:基于细分实验分析,策略在指标普涨用户群体上线,普跌群体下线;
Step2:产品运营与分析师联动展开用户调研与观测性研究,针对体验不良的用户群体探索新的增长发力点;
Step3:循环
分析本质上是在做什么?
实验分析;
异动归因:日报周报解读,突发指标异动分析;
观测研究:增长抓手分析,未经实验全量上线的策略评估,长期战略规划。
比较背后的思考体系
基础:画像、指标体系
需求画像:用户 demographic,诉求归类(产品 = 诉求),用户行为、兴趣分类;
供给画像:供给形态、来源、品类、时效;
场景画像:时空,供求关系,竞争,大盘等外生因素刻画。
供需结构指标:按照需求 + 供给画像细分后的用户数、供给分发规模;
匹配效率指标:供给分发转化率 e.g. CTR、ETA、成交率、交互率...;
体验结果指标:用户留存,人均消费与浏览时长;
方法:实验、异动归因、观测研究
四、未来分析师所处的环境