数据分析方法论:数据异常归因,该怎么分析原因?
共 2611字,需浏览 6分钟
·
2021-11-29 01:41
为什么指标变化了xx%?
01
数据准确性及损失评估
确认数据是否准确:数据来源,数据统计口径等;
数据的波动带来的影响评估:损失评估、对用户、KPI等可能造成潜在影响。
02
同期事件评估
竞品:竞品最近的动作,是否举办活动
政策:政策监管、法规变化
社会:节假日、社会热点等
自然:季节性、周末等时期变动
产品:版本迭代可能存在bug、推荐算法端的更新、注册、登录或其他关键行为的路径变化等等
运营:push推送频率、内容等、活动、运营策略更新等
推广:渠道更新呢、投放力度、是否筛选作弊用户等等
03
维度细分/业务流程分析
天维度就是拉长周期,比如一年看每日的数据指标,看趋势,看每天中位数,判断异常时间点。也许,趋势图拉出来,就立刻能锁定哪段时间数据异常。 至于其他的时间维度,都是看人在不同特定的时间,数据上不同的表现。星期代表工作日周末,月度可能有财务结算、工资发放等,24小时表示上班时间、下班时间、白天、晚上等。
04
策略落地及复盘
05
实战案例
2.整理在下降对应同一时间周期内的内外部发生的事件,寻找最有可能的原因所在:
06
延展
当boss问你最近一周成交订单量较上周有7%的下降时,
告诉boss:首先,我要确定这个5%的上跌是真的在跌,也许看似订单量绝对值是在跌,但实际拆分下来后,业务或许是在上升,这个5%的波动是由于用户结构上的变化带来的。
领导紧张了,问: 怎么会?
你一看,boss上套了: 是这样的。订单量=新用户订单+老用户订单。
你再接着跟boss说: 你看哈,假设我们正常情况下每天日活1000人,每天100单,其中新用户每天0.2单(一般拉新有羊毛可以撸),老用户每天0.08单。某天我们看订单量下降到95单了,很慌,因为我什么都没做啊,价格也没调,库存也没动,不过当我们拆分新老用户后,发现这一天拉新少了100人,老用户呢,从800个人变成1000个人。
这时候,你看了一眼,陷入深思的boss,然后继续说: 好!假定,新老用户每天贡献的订单量前后一样的话,我们发现确实减少的5%的订单,其实主要来自我们近期广告投放力减少,造成订单量贡献度较高的新用户减少了,因为拉新贵啊,一个APP激活,几十元,甚至几百元都可能,所以增长部降低了拉新的预算,并拿出拉新预算的一半尝试投放APP老用户拉活,因为成本低,转化效果稳定,虽然整体订单下降了5%,但其实是发现了一个,更高ROI的执行路径。
必须all in老用促活啊,这个是一个很好的优化点!!或许,应该让老板肯定这种策略,下面同学才敢甩开膀子执行。
首先,让负责用户增长的同学,把拉新的广告可以先停一停,拉新拉新,撸完就跑,得要留存啊。同时,也把这事儿,告诉产品和运营,出一套解决方案,一起想办法,看能不能在这个策略基础上,再提升下老用户的订单转化率,这是重中之重啊!
钱要花在刀刃上,再有钱的老板,广告烧起来也肉疼啊。
更多阅读