3种常用数据分析方法

今天老李就给大家分享3种常用的数据分析方法,让你快速明白这些方法在解决实际工作问题中有什么用?怎么用?

1、漏斗分析法

有什么用?

漏斗分析法能够反映用户行为状态,以及从起点到终点各阶段用户的转化率情况,是一种重要且工作中常用的分析模型。通过漏斗分析模型可以分析多种业务场景下转化和流失的情况,不仅找出产品潜在问题的位置,还可以定位每个环节流失用户,进而定向营销促进转化

怎么用?

漏斗分析模型目前广泛应用于网站和APP的用户行为分析中,例如流量监控、SEO优化、产品营销等日常数据的数据分析工作中。

详解3种常用数据分析方法

例如用FineBI为某电商平台制作的转化分析报告,这里面就运用了漏斗分析法。因为对于电商平台来说,目的就是让用户下单并成功支付,而最终的交易成功率是取决于整个流程中每一步的用户转化率。

所以,如果想要提高交易成功率,我们就需要通过漏斗模型一步一步地进行监测。如上图所示,我们可以监控用户在流程中各个层级上的行为路径,寻找每个层级的可优化点。对没有按照流程操作的用户,可以去绘制他们的转化路径,找到可提升用户体验,缩短路径的空间,最终提升整体转化率。

2、ABC分析法

有什么用?

ABC分析法其实很好理解,就是把产品或业务分为A、B、C三个类别。

A类:数量占比少,价值占比大(占80%)

B类:没有A类物品那么重要,介于 A、C 之间(占10%)

C类:数量占比大,但价值占比很小(占10%)

详解3种常用数据分析方法

核心思想就是少数项目贡献了大部分价值以此来分清业务的重点和非重点,从而让企业对产品实现差异化管理,把最大的精力放到价值最大的业务/产品上

怎么用?

举个实际场景的例子:以商场销售额为例,在知道各类商品销售额的基础上,①先求出总销售额 ②再求累计总销售额(第二列) ③求累计销售额占比(第三列)

最后将品牌商品按销售量(第一列)降序排列,依次分成销售额占比为 80% ,10%,10% 对应A 类,B 类,C 类三类品牌,用柱形条展示出来。

详解3种常用数据分析方法

据图可知,在累计占比80%警戒线下,图中红框中的品牌即为A类品牌;在累计占比90%警戒线下,黄框中为B类品牌;在累计占比90%警戒线上,绿框中为C类品牌。

详解3种常用数据分析方法

3、KANO模型分析法

有什么用?

在实际工作中,常常会碰到客户提出一大堆需求,什么都想要,但开发产品的资源和人力都是有限的,那怎么才能捞出真正的用户需求?给真正重要的需求高优先级?

KANO模型分析法就是用来解决此类问题的,它可以对用户需求进行系统分类和优先排序,将需求分成4个象限,而这4个象限对应了4种需求类型,它们的优先级排序为:必备型需求>期望型需求>兴奋型需求>无差异需求。

详解3种常用数据分析方法

必备型需求(必须有):即常说的痛点。对于用户而言,这些需求是必须满足的,若不提供这个需求,用户满意度则会大幅度降低。这类是核心需求,也是产品必做功能。

期望型需求(应该有):提供此需求,用户满意度会提升;不提供此需求,用户满意度会降低。通常作为竞品之间比较的重点。

兴奋型需求(可以有):惊喜型产品功能,超出用户预期,往往能带来较高的忠诚度。不提供也不会降低用户满意度。

无差异需求(可有可无):用户根本不在意的需求,对用户体验毫无影响。尽量规避做此类型功能。

怎么用?

通过满意系数和不满意系数,来对功能进行象限的分类,而满意系数和不满意系数的数据,一般是来源于调研问卷。

详解3种常用数据分析方法

调研后再对数据进行清洗、处理,设置横向警戒线和纵向警戒线,作为象限图的横轴和纵轴,警戒线的数值分别为满意系数平均值和不满意系数平均值。

最后,通过象限图找出优先级最高的功能,有了数据支撑,就避免出现因纠结要增加哪个功能而争得不可开交的局面,提升了工作效率。

作者:数据分析不是个事儿

链接:https://www.jianshu.com/p/6826172476dd

去年今日运营文章

  1. 2020:  会员体系设计不是堆砌权益(0)
  2. 2020:  RFM模型-客户关系管理(0)
  3. 2020:  增长模型全解(0)
  4. 2019:  用户运营:RFM分层实战演练(0)
  5. 2019:  互联网六大盈利模式全解析(0)

本文转载于数据分析不是个事儿,本文观点不代表爱运营立场,转载请联系原出处。如内容、图片有任何版权问题,请联系爱运营处理。

发表评论

登录后才能评论