数据分析(2):多维度拆解法

我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

上一篇咱们讲了什么是 对比分析法 ,相信大多数朋友已经对什么是对比分析有了一个清晰的概念,这一篇咱们就来说说多维度拆解法,多维度拆解法是数据分析里最重要的一种分析方法。下面菜菜将从两个方面及一个案例来讲一下如何进行多维度拆解。

数据分析(2):多维度拆解法

一、什么是多维度折解法

说到多维度拆解法,那我们首先要理解两个关键词:维度和拆解,下面咱举个栗子:这马上过年了,相信大部分朋友已经在回家的路上了,有的甚至在家葛优躺好几天了。回到家了七大姑八大姨最喜欢问你什么呀?

七大姑八大姨:听你妈说你还没对象呢,给你介绍一个吧,我这儿有个特别优秀的,第一,他个子高,第二,家庭条件很好,第三,长的特别的帅。

数据分析(2):多维度拆解法

那在这个例子里,拆解维度就是把优秀拆分成三个维度即个子高、家庭条件很好、长的特别帅。在数据分析中,咱们也是这样通过不同的维度去观察同一组数据,从而洞查数据异动背后的原因。

二、多维度拆解的适用场景有哪些?

第一,对单一指标的构成或比例进行拆解分析时

这种场景呢往往适用于像分栏目的播放量和新老用户比例这种情况。

第二,对业务流程进行拆解分析时

  1. 一般适用于从不同渠道浏览到添加购物车到购买的这种全局的转化流程。
  2. 像有些跨区域的产品,不同的区域活动的效果自然不同,这时候我们就可以从不同省份或城市的活动情况来进行分析。

第三,对需要还原行为发生的场景时进行拆解分析

像这种场景呢,比较适用于一些直播类的产品,比如你是某直播类产品的产品经理或运营,你需要去观察打赏主播的等级、性别、来自哪个频道进行多维度的拆解。

还有一种情况是,你需要看一下用户在进行一系列操作时,他的网络情况是怎么样的,他是在WIFI下使用的还是在4G的环境下使用。

下面我们引用一个案例来讲解一下多维度拆解法。首先呢,我们来看看第一种场景:

1. 对单一指标的构成或比例进行拆解分析

举个栗子:你是某少儿语言培训类产品的产品经理,入职没几天,你们就对某一课程做了一波推广活动,老板想看看推广的数据怎么样,那你如何查看呢?

那首先我们从【进入网站事件】进行分析:

第一个维度:从用户性别进行拆分,由下图可以看出,进入网站的用户61%都是女性,这时候你知道了,原来相比孩子的父亲,母亲更关注少儿语言的培训,这也跟少儿大部分由母亲带有关。

数据分析(2):多维度拆解法

第二个维度:从操作系统进行拆分,可以看出大部分用户来自iOS用户,据相关数据统计,女性用户更喜欢用苹果设备,这个是不是与前面的性别分析不谋而和了。

第三个维度:按渠道来源进行拆分,由下图可以看出42%的用户来自于订阅号,这个原因是什么呢?仔细一想,哦~原来是我们在活动开始前做了一场公开课,并在订阅号上做了相关推送。

第四个维度:从城市等级这个维度进行拆分,这个符合我们产品目前的定位,咱们的产品定位是中等偏高收入的人群,这类用户主要集中在一线城市。

第五个维度:从进入网站这个事件按新老用户进行拆分,由下图可以发现,咱每天的DAU在过去的一周内没有发生什么波动,但是按新老用户拆分后发现,随着这一波的推广,咱们的新增用户数一直在涨的,但是DAU却没有啥变化,这是因为老用户一直在往下跌,这一涨一跌交集之后,DAU的趋势没有啥变化,这背后反映的情况是:咱引入了大量的新用户,但是没有成功的留住他们。

大家可以看到,通过对【进入网站】这个单一行为事件进行分析,能分析出来很多有用的信息。其实数据分析的本质是: 用不同的视角去拆分和观察同一个数据指标。

在拆解维度上我们不仅能对单一事件进行拆解,还可以对业务流程进行拆解,下面我们来讲讲第二种拆解方法。

2. 对业务流程进行拆解分析时

刚刚上面说了,你的少儿语言培训类产品做了一波推广,推广之后,你的【注册】、【下单】、【支付】的这个流程的数据是下图这样的,当然,如果只看这个流程,你除了知道整体的转化率和每一步的转化率以外,其他的数据就无从得知了。核心的原因是你不知道这个数据的构成是啥样的。

那么接下来我们用多维度拆解的方法,对这个业务流程进行拆解。

首先呢,咱们从渠道来源进行拆解分析,由下图可以看出,百度来的流量虽然不少,但是下单和支付的转化率相比其他渠道还是挺低的。那像这种情况咱们可以加大其他渠道的广告投放力度,减少百度的投放力度。

其次,咱们再从城市这个维度进行拆解分析,由次可以看出,在郑州这座城市用户下单的意愿不强烈,这表明咱的这个课程可能不适合二级城市(新一级城市)的用户。

最后呢,咱们从操作系统拆解分析,由下图可以发现,iOS用户不仅支付能力比较强,也跟我们的产品大部分是女性用户有关。

基于以上拆解的案例可以看出,多维度拆解法的运作原理非常简单: 指标或者是业务流程按照多维度拆分,来观察数据的变动,从而找出问题的原因。

好啦,多维度拆解法我们已经讲完了,相信通过菜菜以上的讲解,你对多维度拆解法一定有了一个清晰的认知。

以下是本文重要信息的思维导图:

下篇呢,咱们的文章是:数据涨跌异动该怎么处理?感谢您的关注。

 

本文作者:菜菜,公众号:菜菜唠产品(caicailaochanpin),欢迎关注~

本文由 @菜菜 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于CC0协议。

本文被转载1次

首发媒体 人人都是产品经理 | 转发媒体

随意打赏

提交建议
微信扫一扫,分享给好友吧。