美國前郵政部長，美國百貨商店之父，約翰·華納梅克(John Wanamaker)感嘆到：「我在廣告上的投資有一半是無用的，但是問題是我不知道是哪一半」。這種類似的感嘆現(xiàn)在也經(jīng)常發(fā)生在我們身邊。

[[316863]]

小 A 同學(xué)：在項目結(jié)束后，拿到了項目數(shù)據(jù)，看看自己的方案是否有帶來數(shù)據(jù)上的增長，但面對一堆 Excel 表里一堆密密麻麻的數(shù)字，卻不知從何下手……

小 B 同學(xué)：拿到了自己花大精力投入的項目數(shù)據(jù)，滿懷期待地想來驗證自己在項目中推動落地的好幾個方案，還把項目過往數(shù)據(jù)也找來進行對比，一頓操作之后，看到整體數(shù)據(jù)上漲了，但因為影響因素特別多，具體是哪些方案產(chǎn)生了作用卻無從知曉……

我們更常遇到的情況是不知道該如何去運用數(shù)據(jù)，讓數(shù)據(jù)帶來實際上的作用。本文將圍繞實際的數(shù)據(jù)分析步驟，更細(xì)化地來講講具體是如何進行下去的。

數(shù)據(jù)分析6步曲

數(shù)據(jù)分析主要分為 6 大步驟：構(gòu)建 X 問題 – 提出假設(shè) & 選擇指標(biāo) – 數(shù)據(jù)采集與整理 – 數(shù)據(jù)分析 – 數(shù)據(jù)呈現(xiàn) – 提出后續(xù)建議。下文將圍繞這 6 步詳細(xì)講解每一步具體是如何做的。

1. 構(gòu)建X問題

從本質(zhì)上來說，數(shù)據(jù)分析的最終目的在于解決問題。帶著不同的出發(fā)點得到的數(shù)據(jù)結(jié)果可能會很不一樣。所以，一切分析的開始必須要先識別要解決的重要問題是什么，以及這個問題為什么是最重要的。這兩個問題將引導(dǎo)我們進入構(gòu)建問題的過程，也就是明確數(shù)據(jù)分析的目的。

從哪入手

有預(yù)判類的分析，可以從已有的策略方案出發(fā)，尋找相應(yīng)定量衡量方法。例如，嘗試通過強化某促銷 A 頁面利益點等相關(guān)信息，從而促進用戶購買，此案例則可以直接預(yù)設(shè) X 問題為：「強化利益信息是否可以提升轉(zhuǎn)化率」。

而無預(yù)判類(發(fā)現(xiàn)問題或機會)的分析，構(gòu)建問題的起點往往是業(yè)務(wù)角度的商業(yè)目標(biāo)，通過指標(biāo)拆解、經(jīng)驗判斷、橫向?qū)Ρ取⑦壿嬐茖?dǎo)等方式來尋找有效的實現(xiàn)方式。例如，某電商促銷頁面 B 的核心目標(biāo)是「提升 GMV(銷售額)」，而 GMV=流量×轉(zhuǎn)化率×客單價，就可以圍繞提升轉(zhuǎn)化率、客單價等指標(biāo)出發(fā)去尋找解決方案。

判斷是否重要

有預(yù)判類的問題，可以直接尋找指標(biāo)評估驗證結(jié)果可靠與否即可。

無預(yù)判類(發(fā)現(xiàn)問題或機會)的則可以通過評估該問題解決后，能夠?qū)ψ钪匾纳虡I(yè)目標(biāo)帶來的增益會有多大。例如，上述提升 GMV 的案例中，通過橫向?qū)Ρ认嗤愴撁娴臄?shù)據(jù)，發(fā)現(xiàn)此頁面的轉(zhuǎn)化率為 1.8%，明顯低于同類頁面 4.7% 的轉(zhuǎn)化率，而流量和客單價與同類頁面基本持平，故判斷轉(zhuǎn)化率極有可能是「提升 GMV(銷售額)」的關(guān)鍵點，所以可定義「提升轉(zhuǎn)化率的關(guān)鍵因素是什么」為此頁面數(shù)據(jù)分析的重要問題。

定義X問題

可以根據(jù)不同的類型用一個問句來表達，如何/哪種/是否/原因是什么等。根據(jù)經(jīng)驗，細(xì)化之后的常見問題有以下幾類，每類都可以用一個 X 問題來描述。

• 實驗驗證類，已經(jīng)有了假設(shè)和方案，待驗證效果，如 A\B\C 三種策略，哪種效果更有利于提升轉(zhuǎn)化率或策略 A 是否有助于提升轉(zhuǎn)化率;
• 尋找原因類，看到了某現(xiàn)象，希望尋找背后的原因，如導(dǎo)致跳失率急劇上升的原因是什么;
• 結(jié)果呈現(xiàn)類，不帶預(yù)判的呈現(xiàn)事實，如通過數(shù)據(jù)呈現(xiàn)項目 D 的轉(zhuǎn)化與售賣情況;
• 預(yù)測類，通過尋找事物發(fā)生的規(guī)律，來預(yù)測接下來可能發(fā)生的事件，如一年之中用戶購買美妝用品是否存在時間上的購買規(guī)律，美妝類目運營可依據(jù)此規(guī)律來制定年度活動計劃。

注意

問題的范圍不可過于寬泛。往往要得出一個可靠且明確的結(jié)論，會需要收集數(shù)據(jù)并將數(shù)據(jù)應(yīng)用到一個可檢驗的假設(shè)身上。如果問題太寬泛，數(shù)據(jù)收集就會變得非常困難。舉個反例：「項目 D 的數(shù)據(jù)效果是否有變好」，這個例子中，「是否有變好」可能的方向有拉新效果是否有變好/銷售是否有變好/跳失情況有變好等非常多種方向，每個方向都做探索將使你本次分析駛?cè)霟o邊大海迷失方向。但也不要過早地限制問題范圍，剛開始時，可以開放性地思考問題，在腦中形成一些可供選擇的方向。例如，「可能帶來 D 項目的銷售變好的可能情況是 1、2、3，通過初步數(shù)據(jù)來看 3 的可能性會更高一些」，然后就可以往 3 的方向深入分析下去了。

2. 提出假設(shè)，選擇指標(biāo)

在上一步中，我們已經(jīng)明確了 X 問題，即數(shù)據(jù)分析的目標(biāo)。接下來，我們將圍繞 X 問題，提出該問題的結(jié)論假設(shè)，并建立模型(選擇衡量指標(biāo))來驗證假設(shè)是否成立。

提出假設(shè)

針對有預(yù)設(shè)的問題，假設(shè)可以直接來源于問題，如方案 A 有助于提升轉(zhuǎn)化率。對于沒有實現(xiàn)預(yù)設(shè)的問題，則需要我們圍繞問題進行窮舉可能的假設(shè)，如頁面 E 的跳失率急劇下降，可能原因有：

• 流量來源的用戶質(zhì)量變差了;
• 流量入口放錯了信息，導(dǎo)致用戶進入后預(yù)期不符;
• 首屏商品選品問題;
• 首屏信息設(shè)計用戶無法理解/無吸引力;
• 頁面加載出現(xiàn)問題等。
• 根據(jù)假設(shè)，選擇衡量指標(biāo)

不同類型的假設(shè)，衡量方式會不一樣，有些假設(shè)可能還需要定性調(diào)研配合來驗證。在電商定量數(shù)據(jù)范圍來看，可以參考以下思路：

• 關(guān)于流量的假設(shè)，可選取流量相關(guān)的指標(biāo)如瀏覽 UV/PV、各渠道流量來源 UV/PV;
• 關(guān)于銷售類的假設(shè)，可選取訂單相關(guān)的指標(biāo)，如引入訂單金額、引入訂單數(shù)量、轉(zhuǎn)化率、UV 價值;
• 關(guān)于用戶行為的假設(shè)，可以選取頁面操作相關(guān)的指標(biāo)，如點擊 UV/PV、頁面點擊率、曝光點擊率、人均點擊次數(shù)、瀏覽深度等;
• 關(guān)于用戶人群的假設(shè)，可以選取用戶畫像數(shù)據(jù)，如性別、年齡、城市線級、新老用戶等，且可同時結(jié)合頁面操作數(shù)據(jù)進行細(xì)化人群行為分析。

3. 數(shù)據(jù)采集與整理

數(shù)據(jù)源分為定量數(shù)據(jù)和定性數(shù)據(jù)，定性數(shù)據(jù)更偏用研方法，本文將注重講定量數(shù)據(jù)的采集與整理。

數(shù)據(jù)采集

各平臺的原始數(shù)據(jù)正在進入指數(shù)級爆炸的階段，僅從電商平臺來看，各類數(shù)據(jù)指標(biāo)都非常的多而復(fù)雜。在采集之前的一個階段，必不可少的是與數(shù)據(jù)產(chǎn)品或開發(fā)人員明確：數(shù)據(jù)指標(biāo)的計算規(guī)則以及需要的數(shù)據(jù)指標(biāo)列表(包括對應(yīng)的時間段、平臺端)，防止等到要提數(shù)的時候結(jié)果發(fā)現(xiàn)沒有數(shù)據(jù)或者數(shù)據(jù)計算方式不合理。

數(shù)據(jù)整理

數(shù)據(jù)整理的第一步是數(shù)據(jù)清洗，原始的數(shù)據(jù)表往往含有不少臟數(shù)據(jù)，如測試數(shù)據(jù)、異常值、空缺等等，直接用來計算分析可能會導(dǎo)致數(shù)據(jù)結(jié)論有偏差或無法計算。數(shù)據(jù)清洗就是要將原始數(shù)據(jù)表處理成可方便計算分析的干凈整潔的數(shù)據(jù)表。主要包括：

• 刪除重復(fù)數(shù)據(jù)，可通過 Excel 的 COUNTIF 函數(shù)或者篩選排序來進行操作;
• 檢查數(shù)據(jù)格式，原始數(shù)據(jù)里可能會有特殊格式如 N/A、####、性別為數(shù)值等情況，可根據(jù)實際情況判斷如何處理;
• 檢查異常數(shù)據(jù)，可以著重關(guān)注極小值和極大值，小數(shù)點，負(fù)數(shù)等，明顯不符合實際情況的，可以排查原因，選擇刪除或重新提取數(shù)據(jù);
• 處理缺失數(shù)據(jù)，這個最常見的情況，一般情況可接受的標(biāo)準(zhǔn)是缺失值在 10% 以下，超過就需要酌情看是否有辦法重新提取了;
• 檢查數(shù)據(jù)邏輯錯誤，可以抽樣選取數(shù)據(jù)進行計算檢查，如計算頁面點擊率=點擊 UV/頁面瀏覽 UV，假如算出頁面點擊率大于100%，就可能是有數(shù)據(jù)異常了，需要重新排查指標(biāo)統(tǒng)計方式是否正確等。

數(shù)據(jù)加工計算

數(shù)據(jù)整理好之后，可以進行初始的數(shù)據(jù)加工了。因為原始數(shù)據(jù)可能并不符合我們的分析需求，比如，我們想看的是某模塊的數(shù)據(jù)，但原始數(shù)據(jù)是拆成每一個點擊位的數(shù)據(jù)，我們就需要把每個點擊位的數(shù)據(jù)進行求和等操作，轉(zhuǎn)化成模塊數(shù)據(jù)。還有一些常見的情況是利用標(biāo)準(zhǔn)的行業(yè)計算公式，將某幾個指標(biāo)進行數(shù)理計算得到另一個指標(biāo)，如訂單 UV 價值=GMV/頁面 UV、訂單轉(zhuǎn)化率=引入訂單數(shù)/頁面 UV、人均點擊次數(shù)=點擊 PV/點擊 UV等，通過這一步的操作，我們將能初步看到要驗證假設(shè)需要的一些基本指標(biāo)的數(shù)據(jù)了。

4. 數(shù)據(jù)分析

數(shù)據(jù)整理完之后就到了真正的重頭戲——數(shù)據(jù)分析了，也是含金量最高的一步。做數(shù)據(jù)分析有一個非常基礎(chǔ)但又極其重要的思路，那就是對比，基本上 90% 以上的分析都離不開對比。沿著假設(shè)及衡量指標(biāo)的思路，我們有了一個假設(shè)「X 策略可以提升 A 頁面轉(zhuǎn)化率」，且定義了此假設(shè)的衡量指標(biāo)為「頁面轉(zhuǎn)化率」，當(dāng)我們拿到頁面轉(zhuǎn)化率指標(biāo)后，轉(zhuǎn)化率需要達到多少才算好呢?是否是因為 X 策略帶來的提升，還是可能是時間規(guī)律上的自然上漲?這時就可以通過對比來分析了。

• 縱比：在時間維度上，對比頁面 A 在使用 X 策略后，頁面轉(zhuǎn)化率是否提升了?
• 橫比：選取同時期的同類頁面-頁面 B，橫向?qū)Ρ壤享撁?A、新頁面 A、B 三個頁面的轉(zhuǎn)化率對比情況。
• 與經(jīng)驗值對比：可以拉取更長的時間段，看 A 頁面的轉(zhuǎn)化率變化規(guī)律，看使用 X 策略是否高于時間規(guī)律上的預(yù)期值;可以選取更多同類頁面，選取同時期的轉(zhuǎn)化率對比，看 A 的轉(zhuǎn)化率處于哪個位置?
• 與業(yè)務(wù)目標(biāo)對比：假如大的業(yè)務(wù)目標(biāo)其實是 GMV 為 2000w，在頁面瀏覽 UV 和 UV 價值穩(wěn)定的情況下，計算目標(biāo)轉(zhuǎn)化率=目標(biāo) GMV/頁面瀏覽 UV/UV 價值，然后對比目標(biāo)轉(zhuǎn)化和目前轉(zhuǎn)化的差距。

各個角度的對比都能幫助你更清晰地理解目前指標(biāo)的情況，然后就可以據(jù)此繼續(xù)做下一步計劃了。