Choi女士的精緻日記2019-10-24 22:24:24很多公司的招聘，都會明顯寫著需要有資料分析的能力，當然啦，大部分的求職者都很懂事，也會在自己的簡歷上加上“精通資料分析”等字樣。
一旦遇到一些有質量的面試官，問了幾個問題之後，大家會心一笑，基本就知道你資料能力的真偽了。事實上很多求職者，連最基本的概念，也沒有搞清楚。
這個時候，市面上的教育產品也很懂事，知道現在企業增長難，難於上青天，都在狠抓資料增長，所以出品了一套又一套，一堂又一堂的資料教學課程。
正所謂，磨刀不誤砍柴工，在你瞭解高階深入的資料課程之前，我覺得你很有必要先把以下這七個基本概念搞清楚。
畢竟有時候，越基礎的東西，越接近於事物的本質。
01
數字和陣列
看數字，看的是一個結果，這是一個滯後性的指標型別，任何一個時間點、一個時間段內發生事情的結果，都會有數字來展示。例如UV50000人、轉化率5%、介面報錯42次。
當你看到數字類的指標時，第一反應應該是這個事情無論如何，都已經發生了，結果是否滿足預期，高了還是低了？至於其他的拆解，和數字本身已經沒有任何關係了。
專案中的高層領導，一般只會看資料面板，因為那裡等於告訴你，這件事的結果是怎樣的。其餘的決策和思考，他自有分寸。
看陣列，看的是一個趨勢，單獨在表格裡看陣列，你對數字的波動的敏感度是不高的，甚至可以說是模糊不清的。陣列是由數字組成，雖然也是滯後性的指標型別，但是透過橫縱座標的陣列羅列，你能推斷出這件事大致的趨勢。
例如這是昨天A股的折線圖，這就是最經典的陣列，只不過在單個數值點上還賦予了他其他更豐富的意義：
02
維度拆分
當你看完數字得出結果並不理想，看完陣列發現已有明顯下跌趨勢，這個時候你就需要找出資料下跌的原因。
怎麼找？拆分維度。
維度可以理解為是每個資料乃至每個指標的影響因素，按應用版本來劃分，按作業系統來劃分，按訪問來源來劃分、按訪問地區來劃分、按瀏覽器來劃分、按使用者年齡來劃分等。
這些都是有可能影響資料異常的因素，在進行維度拆分之前，我們先要先把可能性低或者不存在的維度排除在外，然後再把剩下的維度逐一梳理。尤其需要注意極端情況下的維度拆分，最高點和最低點。
這個方法雖然笨，但勝在管用。
03
使用者分群
資料之所以會波動，是因為有人的存在，資料之所以有挖掘的必要，是因為人以群分。
經過上一步的維度拆分，我們大概能知道有些什麼原因令到資料產生波動，對於每種資料結果相反的兩類使用者群，都有必要為他們單獨建立一套畫像，抽離出來。
例如在一次投資流程的資料分析中，至少這麼幾類：
瀏覽了投資詳情頁的使用者／沒有瀏覽投資詳情頁的使用者；
瀏覽完有投資意願的使用者／瀏覽完沒有投資意願的使用者；
首次投資了大額資金的使用者／首次投資了小額資金的使用者；
二次還有投資的使用者／二次沒有投資的使用者；
……
有了這部分群體，可以再著重看使用者的行為資料：頁面停留時間、投資總時長等，這裡的行為資料主要以時間的維度為主，目的是觀察使用者的決策鏈長短受什麼影響。
最後，加上使用者的個人資訊資料綜合檢視，例如性別、地區、是否新手、賬戶餘額、有沒有優惠券等，整個使用者的形象分類就會躍然紙上。
而你這個時候只需要投其所好即可。
04
轉化漏斗
絕大部分的產品都是商業化的，即使沒有商業化的產品，也存在核心價值能否體現的問題，如何衡量當中這個流程？
用漏斗來分析轉化。
漏斗將會把使用者使用的路徑，用關鍵步驟串聯起來，然後設定一個使用的時間區間，最後觀察整個資料轉化。
漏斗轉化其實沒有什麼好說的，要注意兩個方面即可：
轉化步驟越小越好，越能說明本質問題；
轉化率最低的並不一定是最需要關注的，第1、2步的轉化最佳化遠比後面的重要；
05
使用者行為路徑
上面的四個指標，都屬於是一些結果型指標，但是在做資料分析的時候，結果型指標有時候是會說謊的，就像平均數一樣，並不能反映出平均水平。
有時候我們還需要藉助其他手段，來還原使用者的使用路徑，這些稱之為過程指標。
現在市面上例如神策、GrowingIO之類的，都能視覺化顯示出使用者的特定路徑，這個對大部分決策者來說，查詢不是件難事，難的是推敲出背後的使用者意願。
由於篇幅有限，就不在這裡展開了。
06
留存分析
說留存之前，我感覺有必要說一個被無數產品過的事實：無論在人口紅利期還是使用者增長瓶頸期，留住一個老使用者的成本，遠遠要低於獲得一個新使用者。
現在流量和渠道已不像以前那樣便宜了，新使用者的獲客成本往往高得嚇人，而且新使用者還伴隨著學習、轉化等不可逾越的流程，而老使用者則輕鬆很多。
而留存也分很多種，3日、7日、15日和30日的都有，目的是透過時間段不斷地拉長，我們能透過使用者行為的軌跡，發現出與使用者有關聯的方式和因素。
例如最著名的例子，LinkedIn在早期，透過大量的資料研究發現，如果新使用者進來後，有新增好友的行為，並且超過5個，他們的留存會遠遠比那些完全沒有新增過好友的使用者高。
為此，LinkedIn開展了一系列新增聯絡人的引導和最佳化，最終這也成為了LinkedIn留存新使用者最核心的手段。
這就是使用者的關鍵留存行為，也是我們務必要找到的。
07
A/B測試
所謂的AB測試，意思就是在相同變數的情況下，去對比兩個方案，哪個好一點？其中相同的變數也包括是時間、使用者群體等。
AB測試是檢驗產品迭代可行性最優的方式了，沒有之一，並且AB測試也是做增長專案的一把利器，這裡對於AB，我有幾點建議可以提及一下：
1、當你的產品要做AB測試時，務必把測試時間拉得儘可能長，最好能完整覆蓋使用者的一段使用週期，避免因為時間不夠，只是對比了部分樣本的波動就做出了草率的結論。
要知道準備一次AB測試，是要耗費比較多的人力物力的，所以儘可能要拿到正確的結果。
2、如果你所測試的產品流程或者功能，資料密度不高、資料量不大的情況下，就沒必要用AB測試了，因為就算你做完測試，結果還是很模糊的，還不如找個憑藉經驗去決策來得高效。
以上，就是關於資料分析一些最基礎的認識，這七個概念的組合，足以輔助市面上大多數產品型別的決策了。