数据运营出现异常,如何进行分析?

假设你在面试数据运营或者数据产品经理,面试官可能会问你:如果某个数据指标异常了,你会怎么分析?比如转化率低了?

数据出现异常,如何进行分析?

试想下你是否也遇到过类似问题?当时你是怎么回答的?大多数面试者可能会一上来就说分析这个数据、那个数据,然而我会认为,更合适的做法应该是:先把背景问清楚,再思考解决方案。

任何一个数据都是有来源的,任何一个指标的变化都是相对的,不同变化带来的结果也是不同的,因此如果要分析,就先要搞清楚三点:定义、参照物、影响。

1、定义

也就是说先明确指标的统计口径。如果是转化率,那分子是什么、分母是什么,分别在触发什么条件的情况下分子、分母会加1,会在哪些页面下会触发,这样的触发说明了什么问题。比如同样是转化率,有的是信息流平均每用户每刷新点击转化,分子是点击文章次数,分母是信息流请求次数,转化率高说明用户对我们推荐的文章感兴趣。再比如商品详情页的转化率,那其实应再拆分成详情页到支付收银台的转化率,和从收银台到完成支付的转化率,其分子是点击到下一个页面的次数/人数,分母是来到这个页面的次数/人数等等。总之就是说清楚到底是什么“转化率”。

2、参照物

变化这个词是相对的,因此说变化前要先明确参照物,可分横向和纵向对比,纵向是和当前指标的历史比,横向可以是看竞品的数据,可以是同一页面其他位置的操作行为对比,不同参照物的变化得出结论肯定是不同的。如果在时间维度对比,就要去看公司内部是否有做过什么运营活动,产品上是否做过功能迭代等等;如果和竞品对比,则要看竞品是否有什么行动,促销或刷量都会带来数据的波动。另外在对比时还要注意是突然变化了还是缓慢变化。

3、影响

也就是说,明确要分析的指标变化,会带来什么影响。比如是会直接影响业务还是间接,是由于某个主指标变化带来的还是个独立指标,影响范围有多大等等。明确指标影响的目的是确认其和哪些业务有关联,判断我们要分析到什么程度才能将影响降到最低或者消除影响。

确认了以上三个前提后,我们才应该进入真正的分析阶段。具体思路可以怎么开展呢?

1、确认业务模型

所谓业务模型,就是产生这条数据的过程,需要识别实体和流程,也就是讲清楚谁在什么时间什么地方做了什么为什么做做了多少?比如我们要分析电商页面的购买转化率,我们会想到这里面涉及到用户、页面、商品之间的交互和跳转,那他们之间的关系需要梳理出来。这一步主要是做一个分析的框架,知道从哪些方向考虑问题。

2、拆解维度,进行细分

这一步的目的是从数据层面去看原因,方法就是做钻取,把分析维度拆解到足够细、足够多。比如:

用户维度:是新用户还是老用户、是iOS还是Android、是河北的还是山东的……
页面:UI布局如何,有几个功能按钮,完成操作需要经过哪些流程……
商品:价格、展示信息的丰富度、相比竞品是不是必须要买、有没有替代品……

这个里面有n多维度去看,是否能命中原因,取决于分析师的数据敏感度和经验,如果穷尽了所有维度还是找不到原因,建议跟业务或者产品或者用户聊一下,也许能发现一些新思路。当然在分析前聊清楚效率会更高。

3、找到原因,验证结论

完成分析后你可能会猜测一些影响因素,然后把这些原因和提出数据问题的业务人员确认,给出改进建议,进行运营端或产品端调整,再跟进结果,确认分析思路是否正确。确认后,还要记得把这个原因加入你的知识库,后面遇到类似问题可以优先考虑,提高效率。

最后再总结一句,改变了现状的分析才是有意义的分析,能不能给出有效建议是一个数据人业务能力的体现,希望大家都能在这条路上有所成就,加油!

本文由用户@Bunny发布于新媒体运营,未经许可,禁止转载。

题图来自Unsplash,基于CC0协议。

本文由 新媒体运营 作者:Bunny 发表,其版权均为 新媒体运营 所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持。如需转载,请注明文章来源。
2

发表评论