核心分析方法 -- 三板斧

分别是:

• 趋势分析
• 对比分析
• 细分分析

趋势分析

• 同比: 上个周期同期比较, 比如本周三和上周周三比较
• 环比: 相邻期比较, 比如上月和上上月比较
• 定基比: 以指定的重要数据点作为基线, 和后续期进行对比

主要目的是给出 "增长率"

在这里有一些趋势线绘制方法:

• 指数趋势线
• 对数趋势线
• 线性趋势线

趋势线有大的突变时, 需要进行平滑以便把握数据趋势:

• 移动均值法: 逐项推移取平均值(比如 5 日, 10 日移动均值法)
• 加权移动均值法: 对每期数据添加权重, 近期权重比往期高, 注重近期趋势.

对比分析

变化趋势中可能会发现问题, 但趋势分析只是自身序列上的变化趋势, 在给数据设置合理的比较环境后, 可以对数据进行更有效洞察.

• 简单合并比较: 比如对几个商品的转化率进行拉通比较, 比较时可以加入数据标准化方法.
• 比较实验:
  • 基于时间序列的组内比较: 有前测和后测阶段, 且要注意
    • 数据本身可能存在的自然增长或下降趋势
    • 规避节假日或外部事件的影响
    • 规避特殊营销推广带来的影响
    • 规避内部其他可能影响结果的因素
  • 基于对照实验的组间比较, 但要注意
    • 两组样本特征必须相似, 可比较(抽样规范性)
    • 实验组和对照组之间只存在唯一的实验"刺激"所导致的差异

一个 A/B Test 比较实验方案示例

• 实验目的: 优化转化, 提升购买转化率
• 抽样分组: 随机抽样 1000 名用户, 分成两组, 每组 500 人, A 组使用原方案, B 组使用改进方案
• 实验过程: APP 内购买限制弹窗外观进行优化形成方案 B, 方案 A 为原外观, 通过随机分发给两组用户, 观察用户的购买率变化.
• 数据分析需求: 比较两组用户的最终购买率
  • 基于时间序列组内: 指定国家地区老版本老弹窗和新版本老弹窗的购买率差异
  • 基于对照实验组间: 指定国家地区新版本老弹窗和新版本新弹窗的购买率差异
  • 基于对照实验组间: 不同国家地区新版本新弹窗的购买率差异, 确认不同国家地区使用有不同的优化
  • 需要使用统计学方法进行假设检验, 设置 95% 置信区间, 对于百分比可以使用卡方检验, 对其它对比数据可以使用 T 检验. 只有有明确的统计学上的显著性差异, 才能确定优化是有效的.
  • 针对抽样数据, 特别是小样本的测试数据, 必须对比较结果进行统计检验, 只有具备统计学意义的结果(显著性差异)才能有效推到到总体数据表现, 否则容易被数据表明现象所误导.

一个 KPI 仪表盘方案

• 用户数
• 唯一用户访问数
• 新用户比例
• 网站转化率(不同产品)
• 销售额(不同产品)

主要目的: 这些是网站优化的总体目标, 我们的所有做法的目的都是为了优化总体目标

目标达成度: 目标达成天数除以总天数.

细分分析

细分是基于指标和维度的:

• 指标: 用户某行为的量化表示
  • 基本指标: 比如之前说的访问次数, 浏览量这些可以直接通过原始数据累计得到的
  • 复合指标: 通过基本指标计算得到的. 比如访问深度, 跳出率等
• 维度: 表示指标的属性视图
  • 大维度: 时间维度, 系统维度, 地理维度等.
  • 大维度又可再分成小维度, 比如地理维度可以分为国家, 语言, 城市等.

趋势和对比都是在描述网站整体情况的轮廓, 针对可能的问题, 能够发现但无法找到原因. 而通过细分分析可以明确问题所在并找到原因.

细分分析就是指标和维度互相组合, 同一指标在不同维度会展现不同属性. 实践中的深度细分就是对一个指标的多维度, 多个指标的多维度进行分析, 从而寻找到想要的数据证据.

常用细分方法:

• 标记用户群细分:
  • 用户群不需要太复杂的细分, 否则反而是负担, 主要按:
    • 通过访问特定页面的用户进行分类
    • 通过点击特定链接进行分类

需要注意: 三板斧并非独立, 往往都是互相结合, 即不同细分的趋势分析, 不同细分的对比分析, 不同对比的趋势分析