数极客首页

掌握数据化运营的思维方式,看这文章就够了

“数据驱动决策”,是在网站分析APP分析运营中常见的一句话,为了不让这句话成为空话,在本章的最后,作者将自己的经验提炼为以下15种思想武器,不求你当下就能掌握,但希望你能不断参悟并修正。

1.信度与效度思维

在指标构建的内容中已经对指标的信度和效度做了阐述。这部分也许是最难理解的,但也最重要。没有这个思维,决策者很有可能在数据中迷失,如下图所示。

度与效度思维信度与效度的概念最早来源于调查分析,但现在可以引申到数据分析工作的各个方面。所谓信度,是指一个数据或指标自身的可靠程度,包括准确性和稳定性。取数逻辑是否正确?有没有计算错误?这属于准确性;每次计算的算法是否稳定?口径是否一致?以相同的方法计算不同的对象时,准确性是否有波动?这是稳定性。做到以上两个方面,就是一个好的数据或指标了吗?其实还不够,还有一个更重要的因素,就是效度!所谓效度,是指一个数据或指标的生成,需贴合它所要衡量的事物,即指标的变化能够代表该事物的变化。只有在信度和效度上都达标,才是一个有价值的数据指标。举个例子:要衡量身体的肥胖情况,选择穿衣的号码作为指标,一方面,相同的衣服尺码对应的实际衣服大小是不同的,会有美版、韩版等因素,使得准确性很差;另一方面,一会儿穿这个牌子的衣服,一会儿穿那个牌子的衣服,使得该衡量方式形成的结果很不稳定。所以,衣服尺码这个指标的信度不够。尺码大小并不能准确反映肥胖情况,因此效度也不足。体脂率才是信度和效度都比较达标的肥胖衡量指标。在我们的现实工作中,许多人会想当然地拿了指标就用,这是非常值得警惕的。你要剁骨头却拿了把手术刀,是不是很可悲?信度和效度的本质,其实属于数据质量的问题,这是一切分析的基石,再怎么重视都不过分!

2.平衡思维

说到天平读者都不陌生,平衡的思维相信也都能很快理解。简单来说,在数据分析的过程中,需要经常寻找事情间的平衡关系,且平衡关系往往是关乎企业运转的大问题,如市场的供需关系,薪资与效率关系,工作时长与错误率的关系等。平衡思维的关键点在于寻找能展示出平衡状态的指标。也就是下图所示的框,要通过这个准确的量化指标观察天平的倾斜程度。怎么找这个指标呢?一般先找双向型的问题,即“高也不是低也不是”的问题,然后量化为指标,最后计算成某个比率,长期跟踪后观察它的信度和效度。

平衡思维举个电商的例子,在电商的用户行为分析中,用户每次访问的深度就是一个“高不成低不就”的问题。若用户访问深度过深,每次都要浏览很多个页面,说明他在这里没有遇到想要的产品,或者页面没有促使他快速购买,这不是一家电商公司想看到的情况;若用户每次访问都很浅,看一两个页面就走掉了,说明你的产品展示、内容引导很有问题。那么,访问深度多少是合适的呢?这就是数据分析人员需要研究的问题——在多深的访问深度时,用户形成购买的概率最大。

3.分类思维

客户分群、产品归类、市场分级、绩效评价等许多事情都需要有分类的思维。主管拍脑袋也可以分类,通过机器学习算法也可以分类,到底分类思维怎么应用呢?关键点在于,分类后的事物需要在核心关键指标上能拉开距离!也就是说,分类后的结果必须是显著的。如下图所示,横轴和纵轴往往是你运营中关注的核心指标(当然不限于二维),而你能看到分类后的对象分布不是随机的,而是有显著的集群的倾向。

分类思维举个例子,假设上图所示反映了某个消费者分群的结果,横轴代表购买频率,纵轴代表客单价,那么图中右上角的这群人,就是明显的“金牌客户”。右下角这个象限的人群,就是“屌丝”群体,他们“频繁地买便宜货”。左上角的人群是精英阶层,他们“选购好商品”。左下角的人群可以归结为长尾客户,不需要我们花精力去维护,让他们自然生长,转变为其他三个象限的人群后,我们再施以针对性的策略。

4.矩阵思维

如下图所示,矩阵思维是分类思维的延伸,它不再局限于用量化指标进行分类。许多时候,我们没有数据作支持,只能通过经验做主观的推断,可以把某些重要因素组合成矩阵,大致定义出好坏的方向,然后进行分析。

矩阵思维我们在上文中提到的“重要—紧急矩阵”,就是矩阵思维的一个例子。

5.管道/漏斗思维

这种思维方式已经比较普及了,注册转化、购买流程、销售管道、浏览路径等,很多分析场景中都能找到这种思维的影子,如下图所示。

漏斗思维作者认为看上去越是普世、越是容易理解的模型,它的应用越得谨慎和小心。在漏斗思维中,我们尤其要注意漏斗的长度。漏斗从哪里开始到哪里结束?以作者的经验,漏斗的环节不该超过5个,且漏斗中各环节的百分比数值、量级不要超过100倍(漏斗第一个环节从100%开始,到最后一个环节的转化率数值不要低于1%)。若超过了这两个数值标准,建议分为多个漏斗进行观察。当然,这两个是经验数值,仅为读者提供一个参考。理由是什么呢?超过5个环节,往往会出现多个重点环节,那么在一个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大,数值间变化的实际意义很难被察觉,容易遗漏信息。例如,漏斗的第一个环节到第二个环节的转化率从60%变到50%,让你感觉是天大的事情,而漏斗最后环节的转化率发生0.1%的变动,你却不以为然,其实往往是漏斗最后这0.1%的变动非常致命。

6.相关思维

如下图所示,我们观察指标,不仅要看单个指标的变化,还需要观察指标间的相互关系。有正相关关系(实线)和负相关关系(虚线)。最好能时常计算指标间的相关系数,定期观察变化。

相关思维现在很多企业管理层,面对的问题并不是没有数据,而是数据太多,有用的数据太少。相关思维的一个应用,就是帮助我们找到最重要的数据,排除过多杂乱数据的干扰。如何执行呢?可以计算能收集到的多个指标间的相互关系,挑出与其他指标相关系数都相对较高的数据指标,分析它的产生逻辑、对应的问题,并评估信度和效度,若都满足标准,这个指标就能定位为核心指标。建议读者养成一个习惯,经常计算指标间的相关系数,仔细思考相关系数背后的逻辑,或许能给你带来惊喜!另外,“没有相关关系”,也会成为惊喜的来源。在第5章中,我们会针对相关系数模型做详细的讨论,你会更多地体会相关思维的好处。

7.远近度思维

在与许多处在管理层的朋友交流后,发现他们往往手握众多数据和报表,注意力却非常跳跃和分散。这当然不是好现象,但如何避免呢?一是通过相关思维,找到最核心的问题和指标;二是建立远进度的思维方式,如下图所示。

远近度思维确定好核心问题后,分析其他业务问题与该核心问题的远近程度,由近及远,有计划地分配自己的精力。例如,近期你的核心任务是提高客服人员的服务质量,那么客服人员的话术、客户评价通道、客服系统的响应速度等就是靠得最近的子问题,需要重点关注,而客户的问询习惯、客户的购买周期等就是相对远的问题,暂时先放一放。除了事务的远近度,还需要思考人事的远近度。与核心业务指标关系近的人,需要重点关注,多检查他们的工作方式和工作效率,多与他们沟通,保持信息的同步。

8.逻辑树思维

如下图所示,树状图相信大家见过许多回了。一般说明逻辑树的分叉时,都会提到“分解”和“汇总”的概念。这里把它变一变,使其更贴近数据分析,称为“下钻”和“上卷”。当然,这两个词不是作者发明的,早已有之。

逻辑树思维下钻和上卷并不是局限于一个维度的,往往是多维组合的节点进行分叉。逻辑树引申到算法领域就是决策树。有个关键点是何时做出决策(判断)。当进行分叉时,往往会选择差别最大的一个维度进行拆分,若差别不够大,则这个枝芽就不再细分。能够产生显著差别的节点会被保留,并继续细分,直到分不出差别为止。经过这个过程,我们就能找出影响指标变化的因素。举个川术公司的例子:作为川术公司的CEO,你发现全国客户数量下降了,你从地区和客户年龄层级两个维度先进行观察,发现各个年龄段的客户都在下降,而地区间有的下降有的升高,说明按地区进行分支能够获得更多信息,我们就按地区来拆分第一个逻辑树节点。拆分到大区后,发现各省间的差别是显著的,那就继续拆分到城市,最终发现是浙江省杭州市的大量客户(涵盖各个年龄段),被竞争对手的一波推广活动转化走了。就此,通过三个层级的逻辑树找到了问题所在。

9.时间序列思维

很多问题,我们找不到横向对比的方法和对象,那么,和历史上的状况比,就将变得非常重要。其实很多时候,作者更愿意用时间维度的对比来分析问题。这种方式容易排除一些外在干扰,尤其适合创新型的分析对象(没有参照物),比如一个新行业的公司,或者一款全新的产品。时间序列的思维有三个关键点:一是距今越近的时间点,越要重视(在下图中用颜色的深浅度表示,越近期发生的事,越有可能再次发生);二是要做同比(用箭头指示,指标往往存在某些周期性,需要在周期中的同一阶段进行对比才有意义);三是异常值出现时,必须重视(比如出现了历史最低值或历史最高值,建议在时间序列作图时,添加平均值线和平均值加减一倍或两倍标准差线,便于观察异常值)。

时间序列思维时间序列思维有一个子概念不得不提,就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。衡量清楚生命周期,就能方便地确定一些“阈值”问题,使产品和运营的节奏更明确。

10.队列分析思维

随着数据运算能力的提高,队列分析(Cohort Analysis)的方式逐渐崭露头脚,如下图所示。作者的理解是按一定的规则,在某些维度上将观察对象切片,组成一个观察样本,然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析。

 队列分析思维举个川术公司的例子:该公司在5月17日举办了一次促销活动,将这一天来的新用户作为一个观察样本,观察他们之后每天的活跃情况。可以想象,若在5月17日、6月17日、7月17日都举办了活动,那么这三天来的新用户,在注册后一段时间的使用情况就像3条队伍一样向后延伸。

11.循环/闭环思维

如下图所示,循环/闭环的概念可以引申到很多场景中,例如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等。许多时候你会觉得这是一个不落地的概念,因为提的人很多,干出事情的很少。

闭环思维业务流程的闭环是管理者比较容易定义出来的,列出公司所有业务环节,梳理出业务流程,然后定义各个环节之间相互影响的指标,跟踪这些指标的变化,能从全局上把握公司的运行状况。例如,川术软件公司的典型业务流:推广行为(市场部)→流量进入主站(市场+产研)→注册流程(产研)→试用体验(产研+销售)→进入采购流程(销售部)→交易并部署(售后+产研)→使用、续约、推荐(售后+市场)→推广行为,一个闭环下来,各个衔接环节的指标,就值得关注了:广告点击率→注册流程进入率→注册转化率→试用率→销售管道各环节转化率→付款率→推荐率/续约率……这里会涉及漏斗思维,但千万不要用一个漏斗来衡量一个循环。不知你有没有发现,闭环思维,实际上提供了一种设计指标体系的方式。有了循环思维,你能比较快地建立有逻辑关系的指标体系。

12.测试/对比思维

如下图所示,a/b测试大家肯定不陌生。一是在条件允许的情况下,决策前尽量做对比测试;二是测试时,一定要注意参照组的选择,建议任何实验中都留有不进行任何变化的一组样本,作为最基本的参照。

测试思维现在很多公司都能支持灰度发布,数据获取也越来越方便。因此,在保证数据质量的前提下,希望大家多做实验,多去发现规律。在使用a/b测试方法时,在进行数据分析时千万不要忘记上文中所介绍的DID方法。

13.指数化思维

如下图所示,指数化思维是指将衡量一个问题的多个因素分别量化后,组合成一个综合指数(降维)来持续追踪。前文已经说过,许多管理者面临的问题是“数据太多,可用的太少”,这就需要“降维”,即把多个指标压缩为单个指标。

指数化思维指数化的好处非常明显,一是减少了指标,使得管理者精力更集中;二是指数化的指标往往提高了数据的信度和效度;三是指数能长期使用且便于理解。指数的设计是门大学问,这里简单提三个关键点:一是要遵循独立和穷尽(MECE)的原则;二是要注意各指标的单位,尽量做标准化来消除单位的影响;三是权重和要等于1。举个例子:在设计川术公司销售部门的指标体系时,目的是衡量销售部的绩效,确定了核心指标是销售额后,你将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标,且这5个指标涵盖了销售绩效的各个方面(穷尽)。你设计的销售绩效综合指数=0.4×订单数+0.2×客单价+0.2×线索转化率+0.1×成单周期+0.1×续约率,各指标都采用max-min的方法进行标准化。这样,作为销售总监,在时间仓促时,只需要盯住销售绩效综合指数这一个数字,就能知道各个销售团队或者销售员的表现,而不需要从多维度进行对比。

14.极端化思维

许多时候,我们总觉得想解答的问题受到各种因素的干扰,有正向的也有反向的,如下图所示。这时,建议大家启用极端化思维。一是把众多因素极端地缩减到1个或者2个;二是把这一两个因素的影响放到最大。例如,在思考竞争格局时,不妨将思考因素锁定为一个,并将它的影响设定为最大(如潜在进入者只有一家,它是全球最有钱的公司),然后想想我们自身的机会在哪里,该怎么做。

极端化思维在数据分析中,多因素影响的窘境是经常遇到的。往往一个指标的变动受到太多因素的影响,根本分解不出来。这时,就会假设指标只受到与它相关性最高的那一个因素的影响,同时维度上也只挑选一个维度,然后去探查原因。

15.反向思维

反向思维一般应用在历史数据回顾这样的场景中。在回顾历史数据的需求产生时,往往会先列出一堆当前看来非常正常的事情,然后一项项地将当前正常的事情所对应的反常情况罗列出来,最后到历史数据中寻找反常事件出现的时间或者维度,如下图所示。

反向思维在运营中,我们可以采用这种思维方式观察数据,或者不自觉地采用这种思维方式观察数据。我们将自己认知的正常的数据表现(大部分情况下出现的)进行详细的罗列,然后列出它们所对应的反常情况。在追踪数据时,我们的注意力就着重放在这些反常情况上。反常情况一旦出现,我们就需要定位问题。作者:胡晨川; 本文接自《数据化运营速成手册》4.6章节,获作者与出版社授权转载。

发表评论

评论已关闭。

相关文章