一 分析方法的概念
1 分析方法是什么
分析方法是用于指导分析的工具,借助分析方法可以将零散的想法整理成有条理的分析思路。
通过这个分析思路,进一步明确分析目标、要分析哪些问题以及要用哪些分析方法去具体分析这些问题。
分析方法就好比盖房子在盖房子前的设计图,用来指导盖房子的思路。
数据分析的技术工具如excel/sql/python等好比盖房子中的挖土机等工具。
在设计图的指导下才能明确怎样使用挖土机来把房子盖好,
同样在分析方法的指导下才能清楚怎样使用excel等工具去分析数据以及解决业务问题。
2 分析方法的作用
- 面对问题或杂乱数据时找到分析思路
- 应对面试中的业务问题
二 分析方法的类型
常用的分析方法有8个,可以根据不同的业务场景和分析目的来选择对应的分析方法。
1 逻辑树分析方法
- 分析目的——将复杂问题变简单
- 案例——费米问题
1.1 逻辑树分析方法的概念
逻辑树分析方法是将复杂的问题拆解为若干个子问题并向下逐步拆解的分析方法。
当遇到复杂问题不知道怎样去解决时,可以将该问题一步一步拆解为一个可以解决的子问题。
当每一个子问题得到解决,这个复杂的问题也解决掉了。
1.2 逻辑树分析方法的应用
1)制作年度计划
用逻辑树分析法把年度计划这个复杂问题拆解成一个一个的子问题。
即可以把年度计划拆解为技能更新、观影、健身、旅行四个子问题。
2)费米问题
解决“费米问题”的办法是使用逻辑树分析方法。
即将复杂的问题拆解为一个个小问题,从而在没有思路的问题中形成清晰的思路。
- 通过“费米问题”可以判断是否具有逻辑思维能力
- 练习“费米问题”可以改善逻辑思维能力
i)芝加哥有多少调音师
钢琴调音师数量=全部钢琴调音师1年的总工作时间/ 一位调音师每年的平均工作时间
所以可以把这个问题拆解为2个子问题——
①全部钢琴调音师1年的总工作时间
将“全部钢琴调音师1年的总工作时间”进一步拆解为3个子问题——
a.芝加哥有多少架钢琴(未知进一步拆解)
对芝加哥的钢琴数量做进一步拆解——
芝加哥的钢琴数量=芝加哥的人口数量*拥有钢琴的人所占比例
- 芝加哥的人口数量——约为250万
由网站数据可知芝加哥人口数量大致为250万。
- 拥有钢琴的人所占比例——未知但猜测为2%
拥有钢琴的人所占比例未知,所以进行合理推测——
1)钢琴对普通家庭来说较贵,且钢琴占地较大不方便放在家里,所以猜测家庭拥有钢琴的比例为1%。(1%通常表示概率最低)2)有些机构或音乐学院拥有的钢琴数量比家庭多一点,所以猜测所有拥有钢琴的人占比比1%大一点,大概是2%左右。
由以上数据,可以算出芝加哥大约有5万架钢琴。
b.钢琴每年要调几次音
钢琴调音师属于稀缺行业,人员较少且钢琴不需要频繁调音,所以估计调音频率为一年一次。
c.调一次音需要多长时间
猜测为两个小时。
②一位钢琴调音师每年的平均工作时间
推测一位钢琴调音师每年的平均工作时间为1600小时。
1)美国每年有两个星期是假期,一年大概有50个星期。一周工作5天,按每天8小时的工作时间来算。将三者相乘,可以算出一位调音师每年工作时间是2000个小时。
2)但是钢琴调音师也要在路上花时间的,需要减去大概20%的时间,所以调音师每年大概工作1600个小时(2000小时-2000小时*20%)。
汇总以上4个子问题可以得到芝加哥大约有63位调音师。
1)全部钢琴调音师1年的总工作时间是3个子问题的数字相乘,即5万架钢琴每年需要调一次音,每次调音需要两小时,共10万小时,调音师每年工作1600小时。
2)再用全部钢琴调音师1年的总工作时间除以一位调音师每年工作时间,得到62.5。
3)四舍五入后可以预测芝加哥大概有63位调音师。
ii)某胡同口的煎饼摊一年能卖出多少个煎饼
一年卖的煎饼数量=1天卖出的煎饼数量 * 365天
①1天卖出的煎饼数量
1天卖出的煎饼数量=1天的工作时间 / 做一个煎饼的平均时间
将“1天卖出的煎饼数量”进一步拆解为两个子问题——
a.做一个煎饼的平均时间是多少
根据常识猜测1分钟做一个煎饼。
b.1天的工作时间是多少
根据常识猜测1天的工作时间大约为7个小时。
煎饼是一种季节性商品,通常用户仅在早餐、中午、晚上时间购买。
每天的早高峰6:00-9:00。中午12:00-1:00。晚高峰6:00-:900。
这样一天大概工作时间是7个小时。
带入拆解公式——
1天卖出的煎饼数量=1天的工作时间(7小时) / 做一个煎饼的平均时间(1分钟)=420个煎饼
一年卖的煎饼数量=1天卖出的煎饼数量(420) * 365天=15万张煎饼
iii)估算煎饼摊卖煎饼的年收入
每年的收入=1年卖出的煎饼个数*煎饼单价
由上一个案例已经计算出1年卖出的煎饼个数,带入煎饼的单价即可。
iv)用多少个乒乓球能装满这间屋子
房间体积=1个乒乓球的体积 * 乒乓球个数,即乒乓球个数=房间体积 / 1个乒乓球的体积
所以将这个问题拆解为两个子问题——
①房间体积
房间体积=房子的长宽高
②1个乒乓球的体积
一个乒乓球的直径大概是x厘米,就能得出一个乒乓球的大概体积=(4/3)πr^3。
v)深圳有多少产品经理
深圳的产品经理数量=深圳的互联网公司数量*公司人员总数中产品经理的比例
所以将这个问题拆解为两个子问题——
①深圳有多少家互联网公司
可以按人员总数进行分层,招聘网站可以查到公司数量和公司规模。
②公司人员总数中产品经理的比例
vi)北京有多少台特斯拉
北京的特斯拉数量=北京市汽车数量*特斯拉占比
所以将问题拆解为两个子问题——
①北京市汽车数量
北京市汽车数量可以在网站查到。假设北京汽车数量为600万。
②特斯拉占比
特斯拉在全部汽车中的占比可以在有汽车经过的地方采样估算。
如记录经过的100辆车中有10辆为特斯拉,则特斯拉占比为10%。
汇总以上两个子问题可知,北京市特斯拉的数量=北京市汽车数量*特斯拉占比≈68辆
1.3 注意事项
1)逻辑树分析方法在解决业务问题时不是单独存在的
逻辑树分析方法会经常融合在其他分析方法里面辅助解决问题。
在后面讲到其他分析方法时,会看到里面的图使用了逻辑树的拆解图将一个复杂问题拆解成一个个子问题。
2 PEST分析方法
- 分析目的——行业分析
- 案例——中国少儿编程行业研究
2.1 PEST分析方法的概念
PEST分析方法是指通过政治(Politics)、经济(Economy)、社会(Society)以及技术(Technology)4个因素对企业的外部环境/宏观环境进行分析。
1)政治环境(Political Factors)
i)内容
政治环境主要包括政治制度与体制,政府的政策及法律等。
ii)构成指标
构成政治环境的关键指标包括政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、专利数量及政府补贴水平等。
iii)分析思路
- 相关法律有哪些以及对公司有什么影响
- 投资政策有哪些以及对公司有什么影响
- 最新的税收政策是什么以及对公司有什么影响
2)经济环境(Economic Factors)
i)内容
经济环境主要指一个国家的国民收入及企业业务服务地区消费者的收入水平等。经济环境影响企业未来市场的大小。
ii)构成指标
构成经济环境的关键指标包括GDP、利率水平、通货膨胀率、失业率、居民可支配收入、汇率及消费价格指数等。
3)社会文化环境(Social and cultural Factors)
i)内容
社会文化环境主要包括一个国家或地区的人口和文化背景。
ii)构成指标
构成社会文化环境的关键指标包括人口规模、年龄结构、人口地域分布、收入分布、购买习惯、教育水平及宗教信仰等。
iii)分析思路
- 某个国家的人口地域是怎样分布的
- 不同阶层人的购买习惯是什么
4)技术环境(Technological Factors)
i)内容
技术环境是指外部技术发展对公司的影响,包括与企业市场有关的发展变化。
ii)构成指标
构成技术环境的关键指标包括新技术的发明及进展、技术更新速度、技术传播速度、国家重点支持项目、国家投入的研发费用、专利个数等。
iii)分析思路
- 科技是否为消费者和企业提供了更多的创新产品与服务
- 科技是如何改变分销渠道的——如线上教育、微信公众号等
行业分析报告——
艾瑞研究-艾瑞网:http://report.iresearch.cn
Talkingdata:http://mi.talkingdata.com
199IT互联网数据中心:http://www.199it.com
DataEye(游戏行业):https://www.dataeye.com
电影电视行业报告:http://www.entgroup.cn/report/f
旅游行业报告:http://www.dotour.cn
艾瑞指数(包括了移动App TOP 1000 月度活跃和日活跃等指数):
http://data.iresearch.com.cn/iRIndex.shtml
3 多维度拆解分析方法
- 分析目的——从多个角度考虑问题
3.1 多维度拆解分析方法的概念
即通过对概念进行多维度拆解来分析, 通过不同的维度/角度洞察数据产生波动的原因。
拆解即做加法。如 A=维度1+维度2+维度3+…。
比如我们可以把用户拆解成:用户=老用户(维度1)+新用户(维度2),从而可以看到老用户和新用户分别的数据表现是什么。
3.2 多维度拆解分析方法的使用
多维度拆解通常从指标构成和业务流程两个维度来拆解。
1)拆解单一指标
即从指标的构成来拆解,分析单一指标的构成。
如单一指标为用户,可将用户拆解为新用户及老用户。
2)拆解业务流程
如不同渠道的用户付费率。
3.3 多维度拆解分析方法的应用案例
1)查看线上店铺推广活动后的推广效果
i)拆解单一指标(以指标构成拆解)
逻辑——
①找到问题的衡量指标
推广效果最直观的是看用户增长了多少,即推广效果的衡量指标为新增用户数量。
②对衡量指标做具体的定义
定义衡量指标新增用户——这里的新增用户是指看到推广渠道的广告后进入店铺的人数。
③按指标构成拆解单一指标
按指标构成拆解新增用户,从城市、性别、渠道三个维度对衡量指标新增用户进行拆解,列出不同维度下新增用户的数量。
- 按照城市细分
比如一线、二线、三线及以下…不同城市的新增用户数量情况。
- 按性别细分
即男性用户、女性用户分别是多少。
- 按照渠道细分
比如微信公众号、百度、头条哪个渠道的用户来源多。
ii)拆解业务流程
在已拆解单一指标新增用户的基础上,通过拆解业务流程来更具体的分析所研究的问题涉及到的环节以及重要的影响因素。
以推广后用户的购买流程为例,分析哪个渠道的用户质量更高。
用户购买的业务流程可以分为四步——
①看到渠道的广告
②被广告吸引进入店铺
③在店铺选择感兴趣的商品
④选择好商品最终决定购买
由各渠道的最终购买人数确定为用户质量更高的渠道。
2)小红书关于用户留存率的案例
小红书的分析团队在研究不同用户群留存率时发现,来自信息流等渠道的用户留存率很低,大多是看过一篇笔记就离开了,且其共同特性是低龄。
分析步骤:
i)确定所研究的问题
逻辑——
信息流渠道用户留存率较低→渠道用户均为低龄用户→为什么低龄用户留存较差
所以研究问题为 为什么低龄用户留存较差?
ii)多维度拆解分析
从指标构成、业务流程拆解出三个分析的维度,来查找问题产生的原因。
①分析维度1
不同的低龄用户表现是否有差异——
a.按指标构成将单一指标低龄用户拆解为小学、初中及高中用户。
b.按业务流程拆解为三步:
- 新用户下载小红书app
- 用户看到app首页
- 用户留下来继续使用小红书或者直接流失
由拆解的业务流程衍生出其他两个分析维度。
②分析维度2
新用户来小红书想要看到什么内容——
用户在下载app并注册后,希望找到自己需要的东西,如果找不到即用户大概率会流失。
③分析维度3
推荐的内容是否是用户想看的——
小红书首页推荐内容是系统自动生成的。新用户注册时会选择自己一些自己的兴趣点,然后系统会根据用户勾选的兴趣选项推送相关内容。
推荐内容是否准确直接影响用户的体验。比如勾选兴趣选项时选择美妆但推荐内容为穿搭相关,用户可能会认为推荐内容与预期相差过大,平台没有其所需要的内容,于是导致用户流失。
4 对比分析方法
- 分析目的——做对比分析
4.1 对比分析方法的概念
在数据分析中,需要用到对比分析法来追踪业务是否有问题。
如微信公众号日活跃率为4%,想要判断该日活跃率是否存在问题,是偏高还偏低,即需要用到对比分析法来追踪业务是否有问题,以及问题的严重程度。
4.2 对比分析方法的使用
使用对比分析法需要明确对比对象以及如何比较。
1)对比对象
i)与自身比较
比如微信公众号本月平均每天新增100位关注,用户每天都在增长,是否不存在问题呢?这个时候可以与过去平均的每天新增人数对比,观察增长人数是上升还是下降了。经过统计得到过去每天的用户增长为200人。
由对比分析法可知,虽然最近的用户每天都在增长,但是平均每天比过去用户的增长少很多,这个时候需要找到问题产生的原因。
ii)与行业比较
遇到问题不清楚是自身原因还是行业趋势时,可以与行业值进行比较。
仍以自己的微信公众号日活率4%为例,想知道日活率是否有问题以及问题是否严重,这个时候可以与行业值进行对比。微信公众号的业内日活率为5%,而我的公众号日活率低于行业平均值,即是我自身存在问题,需要从自己这里找到原因从而提高日活率。
其他的例子如《2017年哔哩哔哩app研究报告》中,通过将哔哩哔哩app30天留存率(均值为59.9%),与移动视频渗透率top10app过去半年30日留存率(均值为56.7%)对比,凸显哔哩哔哩app
30天留存率优势。
2)如何比较
通常从三个维度来作比较——
i)数据整体的大小
即通过某些指标来衡量整体数据的大小。
常用的衡量整体数据大小的指标包括平均值、中位数或某个业务指标。
ii)数据整体的波动
即用变异系数来衡量整体数据的波动情况。
iii)趋势变化
趋势变化是从时间维度来看数据随着时间发生的变化。
常用的衡量趋势变化的工具包括时间折线图,环比和同比。
- 时间折线图
即横轴是时间,纵轴是数据绘制的折线图。
由时间折线图可以了解数据从过去到现在发生的变化,也可以通过过去的变化预测未来的动向。
- 环比
即与上一个时间段对比,用于观察短期的数据集。
例如本周和上周对比,本月和上月对比。比如2019年12月比2019年11月下降10%,即2019年12月环比=2019年12月数据/2019年11月数据=10%。
- 同比
即与去年的同一个时间段进行对比,用于观察长期的数据集。
比如2019年12月比2018年12月下降10%,即2019年12月同比=2019年12月数据/2018年12月数据=10%。
综上可知,
衡量整体大小——平均值、中位数;
衡量波动——变异系数;
衡量趋势变化——时间折线图、环比及同比。
4.3 注意事项
在进行比较时,需要比较对象的规模一致。
如比较同一品牌在不同区域的日销售额,由于不同区域的店铺数量不一致导致日销售额无法直接比较,需要用各区域每天的总销售额/区域店铺数量得到各区域每个店铺的日平均销售业绩后再进行比较。
5 假设检验分析方法
- 分析目的——解决业务问题、
5.1 假设检验分析方法的概念
假设检验分析方法即逻辑推理。
5.2 假设检验分析方法的使用
在数据分析中,经常会用到假设检验分析方法来找到问题发生的原因。
假设分析方法分为3步——
1)提出假设
根据要解决的问题,提出假设。
- 比如警察破案的时候根据问题“这个人是罪犯吗?”提出假设:假设这个人没有罪。
2)收集证据
通过收集证据来证明。
比如警察通过收集嫌疑犯的犯罪数据,来作为证据。
3)得出结论
这里的结论不是主观猜想出来的,而是依靠找到的证据去证明,从而得到的结论。
5.3 假设检验分析方法的案例
如果一个问题被发现是严重的,如何分析找到原因呢?
可以把问题严重拆解为3个子问题——
行业问题,产品问题,渠道问题
1)行业问题
行业问题是指——
①是否存在行业规律,如周末或节假日效应导致数据下降;
②是否存在行业整顿,如由于政策问题被整顿的游戏行业;
③竞争对手是否有促销活动等吸引到用户。
假设:这个问题不是行业问题导致的。
证据:这里可以用PEST分析方法来收集证据。经过调查发现,这些问题都没有。
结论:没有行业问题。
2)产品问题
产品问题是指——
①服务器是否崩溃;
②最近产品版本更新后新功能是否存在问题;
③产品版本是否存在bug;
④询问客服最近是否存在大量投诉以及投诉原因是什么。
假设:这个问题不是产品问题导致的。
证据:找相关部门了解情况从而排查该问题。
结论:没有产品问题。
3)渠道问题
假设:这个问题不是渠道问题导致的。
证据:
①利用多维度拆解分析方法将活跃用户数按渠道维度拆解,发现来自渠道B的活跃用户数出现了明显的下跌。
② 跟负责渠道推广的同事了解情况从而找到渠道B数据下跌的原因。如发现渠道B的投放活动在周六刚好结束,需要周一上班后才能开始新的投放。
结论:存在渠道问题。
5.4 注意事项
1)这里的结论不是主观猜想出来的,而是依靠找到的证据去证明得到的结论。
2)得出结论后需要继续分析过程。
要多问几个为什么,可能的原因是什么等等。然后用数据去验证可能的原因。
不断重复假设分析的这个过程,直到找到问题的根源。
3) 可以使用业务流程图、4P营销理论等来检查提出的假设是否有遗漏。
i)业务流程图
以公众号的业务流程为例。
公众号的业务流程可以分为——
- 新用户关注公众号
- 公众号欢迎内容
- 菜单栏
针对业务流程可以提出下列假设——
a.公众号欢迎内容
用户首次关注公众号时会发送欢迎信息给用户,此时可以假设发送内容不是用户喜欢看的。
b.菜单栏
用户点击公号菜单栏时,可以假设菜单栏内容不够吸引用户。
ii)4P营销理论
4P营销理论即构成营销组合的几十种要素可以分为4类:产品(product)、价格(price)、渠道(place)、促销(promotion)。
①产品(product):指企业提供给目标市场的有形与无形产品,包括产品的实体、品牌、包装、样式、服务、技术等。
假设产品不能满足用户需求。
②价格(price):指用户购买产品时的价格,包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等。
假设价格与竞争对手相比没有优势。
③渠道(place):是指产品从生产企业到消费用户所经历的销售路径。普通消费品会经过代理商、批发商、商场或零售店的环节。B2C模式中也有电话直销、网络直销、人员直销、专卖店直销等模式。
假设某个渠道的商品缺货。
④促销(promotion):是指企业利用各种方法来刺激用户消费,来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一,过节打折等。
假设促销活动没有效果。
4) 在开始分析之前,可以做一个图,将问题、假设、数据从上至下连起来从而理清思路。
6 AARRR漏斗模型分析方法
- 分析目的——用户行为分析/产品运营
6.1 AARRR漏斗模型分析方法的概念
AARRR模型是《增长黑客—如何低成本实现爆发式成长》一书中提出的业务增长模型,这个模型不仅适用于互联网行业,也可以应用到面向大众消费者的各个行业中,帮助业务实现成长。
App运营的分析方法——AARRR模型
6.2 AARRR模型的使用
AARRR模型对应产品运营的5个重要环节,分别是——
1)获取用户(Acquisition)
即用户如何找到产品。
该阶段需要关注的指标——
i)渠道曝光量
即有多少人看到产品推广的线索。
ii)渠道转换率
即有多少用户通过曝光转换为用户。
iii)日新增用户数
即每天新增用户是多少。
iv)日应用下载量
即每天有多少用户下载了产品。
v)获客成本(CAC)
即获取一个客户所花费的成本。
降低获客成本的两种方式——语言(市场匹配)和渠道(产品匹配)
①语言(市场匹配)
即要怎么说才能够打动用户。
实际上需要一种抓住用户注意力的能力。现在用户关注一条网络信息的时间通常是8秒,如果不能在8秒内告诉用户你的产品对他有什么用,就相当于失去了一次获客的机会。
②渠道(产品匹配)
即产品投放在什么渠道才能进入用户的视线范围。
渠道可以分为三类
- 口碑渠道(适合病毒营销)
- 有机渠道(适合搜索引擎优化及内容营销)
- 付费渠道(展示位广告、搜索广告及信息流广告)
付费渠道的细分——
1)展示位广告
如网站或手机App的顶部广告位或App的开屏广告位(即用户打开App时展示的几秒钟广告)等。
这种类型的广告通常是按展示次数付费(CPM,Cost Per Mille),也就是有多少人看到了该广告。
2)搜索广告
比如搜索引擎(谷歌、百度等)的关键字搜索,电商搜索广告比如淘宝直通车等。
广告主为某一个搜索关键词出价,用户看到的搜索结果按广告主出价高低排名。
这种类型的广告是按点击次数付费(CPC,Cost Per Click),也就是有多少人点击了该广告。
3)信息流广告
如微博、今日头条、知乎、朋友圈(信息流)里的广告。
这种广告根据用户的兴趣推荐广告。
这种类型的广告是按点击次数付费(CPC)或者按投放的实际效果付费(CPA,Cost
Per Action)。
/
按投放的实际效果付费(CPA,Cost Per Action)包括——
①CPD(Cost Per Download):按 App 的下载数计费;
②CPI(Cost Per Install):按激活 App 的数量计费;
③CPS(Cost Per Sales):按完成购买的用户数或者销售额来计费。
选择投放产品的渠道时,需要清楚目标用户是谁以及目标用户在哪里。如一款为企业服务的软件,在娱乐网站打广告就非常不合适。
目前主流广告平台都支持这三种方式的付费:按展示次数付费(CPM)、按点击次数付费(CPC)和按投放的实际效果付费(CPA)。
广告主可以按自己的产品需求来灵活选择。
2)激活用户(Activation)
即用户的首次体验是怎样的。
激活用户阶段需要计算每个节点用户的流失率,从而相应地提高产品性能,改善用户体验。
该阶段需要关注的指标——
i)衡量App活跃程度的指标——
①日活跃用户数(日活)
即一天之内,登录或使用了某个产品的用户数。
比如一天内打开某个微信公众号的人数。类似的指标还有周活跃用户数及月活跃用户数等。
②活跃率(活跃用户占比)
某一时间段内活跃用户在总用户量的占比。
根据时间可分为日活跃率(DAU)、周活跃率(WAU)、月活跃率(MAU)等。
ii)衡量网页端活跃程度的指标——
①PV(PageView)
即页面浏览量,用户每打开一个网页可以看作一个PV,用户看了十个网页,则PV为10。
②UV(Unique Visitor)
即独立访客数,是一定时间内访问网页的人数。
在同一天内,不管用户访问了多少网页,他都只算一个独立访客。
确认用户是否为同一个人需要从技术上通过网页缓存cookie或者IP判断。如果这两者发生变化,则用户算作全新的访客。
3)提高留存(Retention)
即用户是否会留下来。
留存的核心是让用户形成使用产品的习惯。在这个阶段,需要明白习惯是如何形成的。
该阶段需要关注的指标——
i)次日留存率
次日留存率=(当天新增的用户中,在第2天使用过产品的用户数)/第一天新增总用户数
ii)第3日留存率
第3日留存率=(第一天新增用户中,在第3天使用过产品的用户数)/第一天新增总用户数
iii)第7日留存率
第7日留存率=(第一天新增的用户中,在第7天使用过产品的用户数)/第一天新增总用户数
iv)第30日留存率
第30日留存率=(第一天新增的用户中,在第30天使用过产品的用户数)/第一天新增总用户数
4)增加收入(Revenue)
即怎样才能提高变现收入。
虽然不同产品的商业模式和变现方式不同,但是这些产品都需要重视夹点(pinch point),即损失潜在收益的地方。
对于电商企业来说,用户从挑选商品到完成购买之间是一个危险区,很多人中途会放弃购买。要评估这些常见夹点,分析用户在这些点放弃的原因。
该阶段需要关注的指标——
i)客单价
即每位用户平均购买商品的金额。
客单价=销售总额/顾客总数
ii)PUR(Pay Uers Rate)
即付费用户占比。
iii)ARPPU(Average Revenue Per Paying User)
即某段时间内,付费用户的平均收入(不包括未付费的用户)。
ARPPU=总收入/付费用户数
iv)生命周期价值(LTV,Life Time Value)
常用于游戏行业,即平均一个用户在首次登录游戏到最后一次登录游戏为止,为该游戏创造的收入总计。
v)复购率
即一定时间内,消费两次以上的用户数 / 总购买用户数。
比如有10个用户购买了产品,5个用户产生了重复购买,则重复购买率=5(重复购买用户数) / 10(总购买用户数)=50%。
vi)销售额
销售额=用户数x转化率x客单价x购买频率
其中购买频率是指消费者或用户在一定时期内购买某种或某类商品的次数。
5)推荐(Refer病毒式营销)
即用户是否会将产品推荐给其他人。
该阶段需要关注的指标——
i)转发率
即某功能中,转发用户数/看到该功能的用户数。
ii)转化率
具体计算方法与具体业务场景有关。
①淘宝转化率=某段时间内产生购买行为的客户人数/所有到达店铺的访客人数。
②广告转化率=点击广告进入推广网站的人数/看到广告的人数。
③K因子(K-factor)
即一个推荐产品的用户可以带来多少新用户,用于衡量推荐的效果。
K 因子= (每个用户向其他用户发出邀请的数量)x(用户收到邀请后转化为新用户的转化率)。
假设平均每个用户会向20个朋友发出邀请,而平均的转化率为10%,则K =20*10%=2。这个结果是较好的效果。
当K>1时,用户群会像滚雪球一样增大。
当K<1时,用户群到某个规模时会停止通过自传播增长。
美国作家马尔科姆·格拉德威尔在其著作《引爆点》(The Tipping Point)中用流行病类比流行,提出了这样一个观点,引爆一种流行病需要三个条件:
①传染物本身
指对自己的产品有足够的了解,即产品是否真正解决了用户的痛点。
如在从事写作的话,需要考虑文章能为用户带来哪些真正的价值。
若从事餐饮,需要考虑菜品是否真的为用户所喜欢。
②传染物发挥作用所需的环境
即找到产品的用户在哪里。
对应AARRR模型获取用户的环节,考虑使用产品的刚需用户经常在哪些环境(社区,大学等等渠道)中出现。
③人们传播传染物的行为 传染物本身
在对产品有了深刻洞察,并且找到目标人群后,需要考虑到用户会因为什么目的去分享产品,从而让更多的人看到产品。
这个条件对应的就是AARRR模型推荐/病毒式营销环节。
7 RFM模型分析方法
- 分析目的——用户价值分类
7.1 RFM模型分析方法的概念
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。
通过客户的近期购买行为、购买的总体频率以及消费金额三项指标来描述该客户的价值状况。
R——最近一次消费时间间隔(Recency),F——消费频率(Frequency),M——消费金额(Monetary)。通过这3个指标对用户分类。
比如我有一家店铺,小明是这家店铺的用户。现在是这个月的30号。
1)最近一次消费时间间隔(R)
即用户最近一次消费距离现在有多久。
小明最近1次在这家店铺买东西是这个月25号,上一次消费距离现在过去了5天,所以小明的最近一次消费时间间隔是5天。
2)消费频率(F)
即用户一段时间内消费了多少次。
如“一段时间”定义是最近一年,发现小明最近一年在店铺消费了3次。
3)消费金额(M)
即用户一段时间内的消费金额。
比如“一段时间”是最近30天,发现小明最近30天总共在店铺消费了1000元。
这3个指标业务不同,定义也不同,要根据业务来灵活定义。
- 最近一次消费时间间隔(R)——上一次消费离得越近,也就是R的值越小,用户价值越高。
- 消费频率(F)——购买频率越高,也就是F的值越大,用户价值越高。
- 消费金额(M)——消费金额越高,也就是M的值越大,用户价值越高。
把3个指标按价值从低到高排序,并把3个指标作为XYZ坐标轴,可以把空间分为8部分,即把用户分为下图中的8类。
把这个图中RFM3个值对应的价值高低,对应到下面这张表里就得到了用户分类的规则。
计算R、F、M值
计算R、F、M三个指标,需要数据的3个字段——
- 用户ID或者用户名称
- 消费时间
- 消费金额
2)给R、F、M按价值打分
注意这里是按指标的价值打分,不是按指标数值大小打分。
- 最近一次消费时间间隔(R)——上一次消费离得越近,也就是R的值越小,用户价值越高。
- 消费频率(F)——购买频率越高,也就是F的值越大,用户价值越高。
- 消费金额(M)——消费金额越高,也就是M的值越大,用户价值越高。
具体实际业务中,如何定义打分的范围,要根据具体的业务来灵活确定,没有统一的标准。
根据打分规则,把已计算的R、F、M值表格里的R值分类、F值分类、M值分类这3列填上对应的RFM值的打分值。
3)计算价值平均值
分别计算出R值打分、F值打分、M值打分这3列的平均值。
4)用户分类
i)判断R/F/M三个值较平均值的高低
在表格里增加3列,分别用于记录R、F、M3个值是高于平均值,还是低于平均值。
如果一行里的R值/F值/M值打分大于平均值,即在R值/F值/M值高低列里记录为“高”,否则记录为“低”。
ii)根据用户规则判断用户类别
然后与用户分类表格里定义的规则进行比较,可以判断用户的类别。
我们再回过头看前面这个分类图,你就会恍然大悟。在坐标轴的中心,可以理解为某个指标价值的平均值。
5)根据分类对客户进行精细化运营
用户分类后需要针对不同种类用户制定运营策略。这个具体公司业务不同,方法也不一样。
这里举例说明前4类用户。
i)重要价值用户,RFM三个值都很高,要提供vip服务。
ii)重要发展用户,消费频率低,但是其他两个值很高,需要想办法提高消费频率。
iii) 重要保持用户,最近消费距离现在时间较远,也就是F值低,但是消费频次和消费金额高。这种用户,是一段时间没来的忠实客户。应该主动和他保持联系,提高复购率。
iv) 重要挽留客户,最近消费时间距离现在较远、消费频率低,但消费金额高。这种用户,即将流失,要主动联系用户,调查清楚哪里出了问题,并想办法挽回。
通过RFM分析方法来分析用户,对用户进行精细化运营。不断将用户转化为重要价值用户。
2.3 注意事项
1)R、F、M指标的定义与业务有关,要根据具体业务灵活应用。
如利用RFM分析方法来管理人脉关系,针对不同的人,制定不同的联系决策。
1)最近一次消费时间间隔(R)可以定义为最近一次见面距离现在的时间。
2)消费频率(F)可以定义为最近1年见面的频率。
3)消费金额(M)可以定义为最近1年见面的深度。
按照这个定义,可以重点关注前3类人脉关系。
2)R、F、M按价值确定打分的规则和范围需要根据具体业务灵活调整
一般分为1-5分,也可以根据具体业务灵活来调整。
每个分数的范围需要根据具体业务来定范围的阈值。
同样的,FRM打分的规则可以与业务部门沟通,进行头脑风暴。或者使用聚类的方法对R、F、M的值进行分类,然后给每个类别打分。
8 杜邦分析方法
- 分析目的——财务分析
8.1 杜邦分析方法的概念
杜邦分析方法是将各种财务指标综合在一起来评价公司财务管理效果。
通常用于公司财务方面的分析,并从三个不同的角度来审视企业的财务状况——
1)销售净利率
即公司业务是否盈利。
2)总资产周转率
即公司资产使用效率怎样。
3)权益乘数
即公司债务负担是否存在风险。
其中净资产收益率=销售净利率X总资产周转率X权益乘数。
8.2 杜邦分析方法的使用
在实际分析中,杜邦分析方法采用金字塔形结构对各指标进行逐层分解 。