數據分析如何評估

① 案例分享：如何通過數據分析進行活動效果評估

作者介紹

@郝笑笑 微信號：hao-xiao-xiao。

目前在互聯網公司擔任數據分析師，並負責DAU流量的增長策略與數據監控。

希望可以和各位一起交流學習。

1    導語

相信對於很多剛入門的分析師小白來說，評估活動效果、洞察業務機會，是所有工作中最可以體現價值感的事情，但也可能是令我們最頭疼的事情。本文作者基於自身的實際工作經歷，結合一個真實的運營活動，對活動評估中可以復用的數據分析「套路」進行總結和整理，希望能夠給初接觸數據分析的同學帶來幫助。

一般來說，互聯網公司的運營活動按照目的可以分為3種：拉新、促活、品牌宣傳，盡管每種活動關注的核心績效指標完全不同，但是分析的思路還是可以套路化的。接下來，本文將以某次促活活動為案例，分享下如何對一場活動的效果進行量化評估。

2    活動背景

伴隨著移動互聯網用戶的增速越來越趨於飽和，用戶增長的破局方法不得不從拉新獲客轉換為如何促活存量用戶。

通過第三方廣告媒體app（比如微信、抖音等）投放針對老用戶的素材對用戶促活，已經成為很多公司用來提升存量老用戶活躍度的有效方法（後續會統稱為「渠道拉活」）

某公司的市場投放部門也開始投入預算試水「渠道拉活」這一項目，在項目啟動一段時間後，已經回收累積了大量的用戶數據，但是：

渠道拉活對於DAU的帶動貢獻究竟有多大？

是否值得持續投入更多的資源？

活動情況的ROI如何？是否符合預期？

活動是否存在改進空間？

這些領導和業務方非常關注的問題，需要分析師基於數據給出公正和客觀的答復。

3    分析框架和指標體系

3.1 分析框架

活動整體增量效果評估 (包括短期效果分析、長期效果分析)

ROI 核算（計算單用戶的拉新或者促活成本）

參活用戶質量評估

活動存在問題分析

3.2指標體系

3.21  流量規模

數據指標：

DAU

參與活動的用戶數（舉例：渠道拉活成功召回的用戶數）

通過活動首次調起app的uv（舉例：通過渠道拉活首次調起app的uv）

通過活動首次調起app的uv佔day的比例（舉例：通過渠道拉活首次調起uv的dau佔比）

可解決的問題：

通過對比事先制定好的活動KPI指標，評估目標完成率；

與其他活動對比，評估促活的核心指標（通常是DAU）是否達到預期；

評估渠道拉活能夠召回的用戶量級有多大；

評估對DAU的凈增量貢獻有多大；

3.22用戶質量、用戶畫像

數據指標：

留存率（次日回訪率、7日回訪率、30日回訪率）

日均使用時長

核心功能滲透率

核心功能人均PV

人群畫像（性別、城市、消費能力）

可解決的問題：

評估渠道召回用戶的質量

監測是否存在刷量作弊渠道

3.23用戶行為

數據指標：

站外轉化漏斗（舉例：廣告曝光-廣告點擊-成功調起app-deeplink抵達特定頁面）

站內核心行為的轉化漏斗（舉例：活動頁-列表頁-詳情頁）

可解決的問題：

評估用戶從站外渠道到抵達App的路徑是否順暢，發現產品bug或者可以改善的機會點

評估活動的站內承接策略是否合理

4    分析過程

4.1活動效果評估以及活動ROI分析

在量化DAU (或者活躍天數) 貢獻時，需要減去用戶的自然活躍量，即計算「凈增量」貢獻。該貢獻可以分為當日貢獻和長期貢獻。

當日貢獻是指：當日的召回用戶對於當日DAU的增量貢獻

長期貢獻是指：由於召回用戶的後續迴流，在後續特定時間范圍還會持續貢獻的用戶天數增量。比如，活動後的50個參與用戶，在後續30天內人均活躍天數比活動前提高10天，那麼促活的增量貢獻就是1500天。

不得不承認，AB實驗最擅長處理歸因和量化的問題。它的思想是，將流量隨機分為數量均勻和特徵均勻的兩組（即對照組和實驗組），實驗組用戶只有在產品策略上與對照組不同，因此我們可以認為兩組用戶在同一時間維度上的指標差異，可以完全歸因於策略上的差異。

然而，該廣告拉活項目無法設計對應的AB實驗，但我們可以基於AB測試的思想，構造與實驗組「相似」的用戶群體作為對照組。具體過程如下：

將拉活渠道喚起app的用戶作為實驗組，未曾被拉活召回的存量用戶作為對照組；

選取可能影響用戶未來活躍度的特徵（比如機型、新增渠道、歷史活躍度、…），基於「特徵相同」的原則，對兩組用戶劃分為 N 對實驗組和對照組。注意盡量將特徵通過區間離散化，避免劃分出的某一組落入的樣本數過少，導致兩組樣本的指標差異不可信，比如特徵「新增日期間隔」可以離散化為：7天內、8-14天、14天以上；

計算 N 對實驗組和對照組的每一組的指標差異值，以及實驗組的總指標差異（等於每一組指標差異*人群佔比的相乘結果求和）

通過以上方法，可以計算出拉活對於當日DAU的貢獻、以及拉活對於未來30天DAU的總增量貢獻。

實際上，對於拉活對DAU的單次短期貢獻，有更為簡便的方法，即基於「首次歸因」的思想，通過「拉活首次調起app的uv」進行量化評估，即如果用戶多次啟動過app，那麼只有當通過促活廣告首次調起app了，才會計入到促活廣告的功勞。

值得一提的是，「首次歸因」的方法也可以應用至「產品新上線功能評估」的效果量化中，通常我們可以將「啟動app後首次訪問該功能的用戶量」作為該功能對dau的貢獻量。

對於活動成本的核算，我們可以通過 「總成本消耗量 / 總DAU增量」，計算每個DAU增量的成本，以評估ROI是否符合預期。

4.2用戶行為分析、和用戶質量評估

可以以「大盤未參活用戶」、「同期同類活動」、「往期同類活動」分別作為對比基準，基於用戶行為漏斗、留存率、核心行為pv、人均使用時長等指標，識別本次促活策略是否有薅羊毛或者作弊嚴重的渠道，並評估活動拉來的用戶質量好壞。但這里不作為本次分享重點，因此不再展開贅述。

5    結語

作為數據分析師，實際工作中遇到的促活策略往往是五花八門，但是活動效果好壞的評估過程依然是有章可循的。最後，簡單總結下本文對於後續活動評估的可復用之處：

如何構建活動評估的指標體系；

如何量化歸因活動的短期貢獻（即「首次歸因」法）；   

如何在無法開展AB測試的情況下，通過構造對照組的方式，快速地量化評估長期的增量貢獻；

1、回「數據產品」，獲取<大廠數據產品面試題>

2、回「數據中台」，獲取<大廠數據中台資料>

3、回「商業分析」，獲取<大廠商業分析面試題>；

4、回「交個朋友」，進交流群，認識更多的數據小夥伴。

② 數據分析的方法有哪些

數據分析是指通過統計分析方法對收集到的數據進行分析，將數據加以匯總、理解並消化，通過數據分析可以幫助人們作出判斷，根據分析結果採取恰當的對策，常用的數據分析方法如下：

將收集到的數據通過加工、整理和分析的過程，使其轉化為信息，通常來說，數據分析常用的方法有列表法和作圖法，所謂列表法，就是將數據按一定規律用列表方式表達出來，是記錄和處理數據最常用的一種方法；

表格設計應清楚表明對應關系，簡潔明了，有利於發現要相關量之間的關系，並且在標題欄中還要註明各個量的名稱、符號、數量級和單位等；

而作圖法則能夠醒目地表達各個物理量間的變化關系，從圖線上可以簡便求出實驗需要的某些結果，一些復雜的函數關系也可以通過一定的變化用圖形來表現。

想要了解更多關於數據分析的問題，可以咨詢一下CDA認證中心。CDA行業標准由國際范圍數據領域的行業專家、學者及知名企業共同制定並每年修訂更新，確保了標準的公立性、權威性、前沿性。通過CDA認證考試者可獲得CDA中英文認證證書。

③ 怎樣對數據進行分析

數據分析方法：

1、對比分析法

對比分析法是通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。常見的對比有橫向對比和縱向對比。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2、分組分析法

分組分析法是根據數據的性質、特徵，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。

所謂屬性指標代表的是事物的性質、特徵等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3、預測分析法

預測分析法主要基於當前的數據，對未來的數據變化趨勢進行判斷和預測。

預測分析一般分為兩種：一種是基於時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4、漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注於某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。

比如，對於信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡，最後用戶激活並使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。

使用漏斗分析法，能使業務方關注各個環節的轉化率，並加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，採取適當的措施來提升業務指標。

5、AB測試分析法

AB測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。

例如，對於某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最後根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

④ 怎樣對數據進行分析—數據分析的六大步驟

        時下的大數據時代與人工智慧熱潮，相信很多人都會對數據分析產生很多的興趣，其實數據分析師是Datician的一種，指的是不同行業中，專門從事行業數據收集，整理，分析，並依據數據做出行業研究、評估和預測的專業人員。

        很多人學習過數據分析的知識，但是當真正接觸到項目的時候卻不知道怎樣去分析了，導致這樣的原因主要是沒有屬於自己的分析框架，沒有一個合理的分析步驟。那麼數據分析的步驟是什麼呢？比較讓大眾認可的數據分析步驟分為

六大步驟。只有我們有合理的分析框架時，面對一個數據分析的項目就不會無從下手了。

        無論做什麼事情，首先我們做的時明確目的，數據分析也不例外。在我們進行一個數據分析的項目時，首先我們要思考一下為什麼要進展這個項目，進行數據分析要解決什麼問題，只有明確數據分析的目的，才不會走錯方向，否則得到的數據就沒有什麼指導意義。

        明確好數據分析目的，梳理分析思路，並搭建分析框架，把分析目的分解成若干不同的分析要點，即如何具體開展數據分析，需要從那幾個角度進行分析，採用哪些分析指標（各類分析指標需合理搭配使用）。同時，確保分析框架的體系化和邏輯化，確定分析對象、分析方法、分析周期及預算，保證數據分析的結果符合此次分析的目的。

        數據收集的按照確定的數據分析框架，收集相關數據的過程，它為數據分析提供了素材和依據。常見的數據收集方式主要有以下幾種

        一般地我們收集過來的數據都是雜亂無章的，沒有什麼規律可言的，所以就需要對採集到的數據進行加工處理，形成合適的數據樣式，保證數據的一致性和有效性。一般在工作中數據處理會佔用我們大部分的時間

        數據處理的基本目的是從大量的，雜亂無章的數據中抽取到對接下來數據分析有用的數據形式。常見的數據處理方式有 數據清洗、數據分組、數據檢索、數據抽取 等，使用的工具有 Excel、SQL、Python、R 語言等。

        對數據整理完畢之後，就需要對數據進行綜合的分析。數據分析方式主要是使用適當的分析方法和工具，對收集來的數據進行分析，提取有價值的信息，形成有效結論的過程。

        在確定數據分析思路的階段，就需要對公司業務、產品和分析工具、模型等都有一定的了解，這樣才能更好地駕馭數據，從容地進行分析和研究，常見的分析工具有 SPSS、SAS、Python、R語言 等，分析模型有 回歸、分類、聚類、關聯、預測 等。其實數據分析的重點不是採用什麼分析工具和模型而是找到合適的分析工具和模型，從中發現數據中含有的規律。

        通過對數據的收集、整理、分析之後，隱藏的數據內部的關系和規律就會逐漸浮現出來，那麼通過什麼方式展現出這些關系和規律，才能讓別人一目瞭然。一般情況下，是通過表格和圖形的方式來呈現出來。多數情況下，人們通常願意接受圖形這樣數據展現方式，因為它能更加有效、直觀地傳遞出數據所要表達的觀點。

        常用數據圖表 有餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點圖、雷達圖、矩陣圖 等圖形，在使用圖形展現的情況下需要注意一下幾點：

        當分析出來最終的結果之後，我們是知道這部分數據展現出來的意義，適用的場景。但是如果想讓更多人了解你分析出來的東西，讓你的分析成果為眾人所熟知，這時就需要一份完美的PPT報告，一個邏輯合理的故事。這樣的分析結果才是最完美的。

        一份好的數據分析報告，首先需要有一個好的分析框架，並且圖文並茂，層次清晰，能夠讓閱讀者一目瞭然。結構清晰、主次分明可以使閱讀者正確理解報告內容；圖文並茂，可以令數據更加生動活潑，提高視覺沖擊力，有助於閱讀者更形象，直觀地看清楚問題和結論，從而產生思考。

                                                           數據分析的四大誤區

1、分析目的不明確，不能為了分析而分析 。只有明確目的才能更好的分析

2、缺乏對行業、公司業務的認知，分析結果偏離實際 。數據必須和業務結合才有意義，清楚所在行業的整體結構，對行業的上游和下游的經營情況有大致的了解，在根據業務當前的需要，制定發展計劃，歸類出需要整理的數據，同時，熟悉業務才能看到數據背後隱藏的信息。

3、為了方法而方法，為了工具而工具 。只要能解決問題的方法和工具就是好的方法和工具

4、數據本身是客觀的，但被解讀出來的數據是主觀的 。同樣的數據由不同的人分析很可能得出完全相反的結論，所以一定不能提前帶著觀點去分析

⑤ 279 數據分析---在需求評估中的運用

第一部分   《 數據如何迭代商業模式 》課程要點

第二部分    練習題

劉老師提出了利用數據迭代商業模式的四階段：數據分析、數據挖掘、數據產品商業化、數據分享平台。請結合身邊實例分析其所處的階段及表現，然後分析其進入下一階段的可行性和路徑。

數據分析 --- 在需求評估中的運用

需求是可以無限增長的，但是公司的財力、物力、人力都是有限的，當有限的資源面對無限的需求時，就需要我們對需求和問題進行評估，評估出最迫切最適合的需求來實現。需求評估，是一個信息和分析的過程。在頭腦中的思考，有一點讓人覺得空洞，而通過數據把每一個需求轉化成實際的數值，讓每個需求的價值更加明確。

我們通過下面的步驟，運用「數值」，來進行數據的具體評估。

第一步，通過「數據假設」假設需求實現所帶來的價值

1. 收益：需求實現能帶來多少的收益。假設需求實現可以帶來多少用戶，多少訂單，多少傳播等，並根據歷史情況，轉化為實際的現金數值，例如帶來1個用戶可以為公司創造實際人民幣XX元。

2.成本：需求的實現需要多少的成本。假設需求實現需要投入多少人力成本，多少機器成本等開發資源，並根據現實情況，轉化為實際的現金數值，例如實現某個需求，需要投入幾個同學的多少工時，每個同學的平均工時工資是人民幣XX元。

3. 價值 = 收益的現金數值 -成本的現金數值。

第二步，通過「數據假設」假設需求不實現會帶來多少流失

流失：需求不實現帶來多少流失。假設需求不實現會產生多少損失，流失多少用戶，多少訂單等，並轉化為實際的現金價值，例如某需求不實現，會造成多少個用戶的流失，一個用戶的流失給公司帶來人民幣XX元的損失。

第三步，前兩步我們為每個需求都帶上了具體的價值和流失數據，藉助「四象限」劃分，就可以評估出每個需求的優先順序別程度

縱坐標-價值：需求實現帶來的具體經濟收益；

橫坐標-流失：需求不實現帶來了具體的損失；

分成四個象限：「高價值-高流失」；「低價值-高流失」；「高價值-低流失」；「低價值-低流失」。

需求評估四象限圖

通過象限法，對每個需求的優先順序就很清晰了，我們首先需要關注的是「高價值-高流失」和「低價值-高流失」兩個象限內的需求。因為負面影響總是最迫切需要解決的的，產品可以暫時沒有新價值的產出和提供，但是帶來高流失的漏洞和問題如果不解決對一個產品往往是致命的。例如如果「支付寶」存在「提現後余額並沒有減少可以重復發起提現的漏洞」，那對於支付寶來說足以致命。

次要的，我們可以關注「高價值低流失」這一象限的需求，這一類的需求是我們產品持續發展的主要需求，能為我們產品不斷的增加產品價值。

最後的，對於「低價值低流失」的需求可以暫時擱置，存放在需求池中，因為這一象限的需求對產品的影響很小。

回顧一個案例，在雙十一前1個月，客服同學向產品同學反饋，部分現有客戶和咨詢客戶（潛在客戶）提出了希望在雙十一前能提供「數據大屏」的功能，確定需求後，產品同學對這一需求進行了分析後，評估「簡易版數據大屏」實現的價值和流失。

第一步，實現該需求的價值是多少？

通過反饋「該需求」用戶占近段時間反饋用戶數里的比例為10%，推斷「該需求」上線後能帶來100+訂單（新訂單+續訂），平均客單價為400-500之間，帶來的直接收益=40000元。實現「該需求」最大的成本為人力資源成本，需要投入1個研發同學+1個測試同學兩周的時間。

假設平均工資為10000元，付出的成本大概為20000/20*10=10000元，該需求實現直接價值 = 40000-10000 = 30000元。

第二步，放棄該需求會有什麼流失？

通過反饋「該需求」的老用戶占近段時間反饋用戶數量的比例為10%，因為不涉及核心功能點，推斷放棄「該需求」只會使極小部分用戶放棄續訂轉投競品公司，預估導致流失的訂單在10以內，帶來的流失損失=4000元。

第三步，根據「象限法」可以評估該需求屬於「高價值低流失」象限

結合當前資源以及本迭代沒有「高流失」象限需要跟進的需求，產品同學決定講「該需求」列入本次迭代中，最終在11月前上線，會產品帶來了不錯的訂單數量，實現了客觀的經濟價值。

http://www.woshipm.com/data-analysis/3287037.html