图6-3PEST数据分析法包含的内容
那么,如何保证分析框架的体系化呢?以营销、管理等理论为指导,结合产品的实际业务情况,建立分析框架,这样才能确保数据分析维度的完整性、结论的有效性和正确性。主要的理论模型有以下几种。
1.PEST
主要用于行业分析。即政治、经济、社会文化、技术4个方面,如图6-3所示。
图6-3PEST数据分析法包含的内容
2.5W2H
5W2H,即何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much),应用相对广泛,可用于用户行为分析、业务问题专题分析、营销活动等。这对产品的决策和执行性的活动措施能起到非常大的帮助,也有助于弥补考虑问题时的疏漏(见图6-4)。
图6-45W2H用户行为分析
3.逻辑树
逻辑树又称问题树、演绎树、分解树,是将问题的所有子问题分层罗列出来,从最高层开始,逐步向下扩展。它可以帮助企业厘清产品思路,避免对产品进行重复和无关的思考。逻辑树的使用必须遵守以下三项原则,如图6-5所示。
图6-5使用逻辑树分析需遵守的三项原则
4.4P
即产品、价格、渠道、促销,主要用于产品整体经营情况分析(见图6-6)。
图6-64P分析法部分关注的重点
5.用户使用行为
即用户为获取、使用产品或服务而采取的各种行动。用户对产品先有一个认知与熟悉的过程,然后才会试用,再决定是否购买,最后成为忠实用户。用户使用行为的完整过程为:可以通过用户行为理论,梳理产品分析的各关键指标之间的逻辑关系,构建符合实际业务的产品分析指标体系(见图6-7)。
图6-7用户使用行为
6.2.4数据展现
完成数据分析之后,下一步动作就是如何将分析得到的产品数据展现出来。数据展现是一个非常关键的步骤,展现得当,企业才能快速得到准确的信息。一般来说,数据展现采取的都是可视化的方式。
数据可视化和信息可视化是可视化的两种方式。数据可视化是把数据库中的每个数据项目作为单个图文元素来表示。大量的数据集构成图像,同时把数据的各个属性值以多维数据的方式展现出来,这样企业就可以从不同的维度观察产品数据,从而对数据进行更深入的观察和分析。信息可视化则是把数据资料以视觉化的方式展现出来,是一种将数据与设计结合起来的图片,有利于企业向用户进行简短而有效的信息传播。
1.数据可视化的图表类型
数据可视化有很多既定的图表类型,每种类型都有不同的使用场景,也有不同的优劣势。
(1)柱状图。适合场景:二维数据集,每个数据值包括X和Y两个值,但只有一个维度需要比较。优势:可利用柱状的优势,反映数据差异,辨识度高。劣势:只适用于中小规模的数据集(见图6-8)。
图6-8柱形图
(2)折线图。适合场景:二维大数据集,尤其是趋势比单个数据点更重要的情况,同时适合多个二维数据集的比较。优势:容易反映出数据变化的趋势(见图6-9)。
图6-9折线图
(3)饼图。适合场景:简单的占比图,一般用于不要求数据精度的情况。劣势:一般情况下避免使用,因为视觉不明显(见图6-10)。
图6-10饼图
(4)雷达图。适合场景:多维数据集(4维以上),且每个维度必须可以排序。劣势:用户不熟悉雷达图,解读有困难,使用时需加以说明。局限是数据点最多有6个,否则无法辨别,因此适用场景有限(见图6-11)。
图6-11雷达图
2.数据可视化制作需注意的点
(1)饼图顺序不当。最好将份额大的部分放在12点钟方向,顺时针放置第二大份额的部分,以此类推。
(2)在线状图中使用虚线。虚线会让人分心,用实线搭配合适的颜色更容易区分。
(3)数据被遮盖。设计时确保数据不会丢失或覆盖。可以在面积图中使用透明效果来确保用户可以看到全部数据。
(4)耗费用户更多精力。通过辅助的图形元素可以让数据更易于理解,比如在散点图中增加趋势线。
(5)柱状过宽或过窄。调研数据显示,柱子的间隔最好调整为1/2。
(6)数据对比困难。选择合适的图表,让数据对比更加明显。
(7)错误呈现数据。确保数据呈现准确。例如,气泡图的面积大小应与数值一致。
(8)不要过分设计。标明数据即可,避免使用与主要数据不相关的颜色,干扰视觉。
6.3数据驱动精细化运营
前文说过,数据是驱动产品精细化运营必不可少的部分。那么,如何利用数据驱动精细化运营呢?这才是关键性的问题。其实在数据的内容控制上有4个关键点,只要把握住这4个关键点,就可以掌握数据驱动产品精细化运营的技巧。这4个关键点分别是属性的定义、地域的特点、运营的内容和行为的记录。
案例
电商,数据驱动出行市场精细化运营
某电商在针对出行行业做精细化运营时,就通过数据搭建了一个模型。这个模型的数据包括用户画像、关联分析和实时监控(见图6-12)。
1.用户画像
车企的用户画像是怎样的呢?年龄层次:30~35岁,需养家。这类用户对于实用型产品的需求大于消费型产品,比如座
下一篇:但这些渠道需要大量的资金投入