業務人的資料分析指北，一文掌握！

數據分析那些事

Feb 21, 2023

雖然資料分析一直都被視為營運人的短板，但是作為一個營運，不會進行資料是不合格的營運。也有一些營運人，一聽見資料分析就頭疼，很害怕去分析各種各樣的資料，看見資料就頭疼。

其實，營運的資料分析也沒有那麼困難。瞭解了一些基礎的應用場景之後，自己也能很好地進行資料分析，而且學會了資料分析之後，對於未來營運的方向以及營運的改進點會有了更加明確的目標，不再單單靠感覺進行。

今天，就結合自己在實際工作中遇到的一些情景，來和大家聊聊，營運人在日常的工作中，如何去進行資料分析？

一、資料分析目的

1、原因分析：

透過以往的資料分析，發現數據中存在的問題，為未來最佳化提供資料基礎。比如，透過使用者註冊、登入、活躍等資料，可以看出使用者在哪個環節流失比較多，出現問題比較多，那麼後期在這個環節中，就可以多次進行試驗，提升單點的轉化率。利用漏斗分析、趨勢分析是主要的資料分析方法。

2、未來預測：

透過以往的資料分析，找到資料中的某種趨勢或者共性，從而更好地指導未來的營運動作。比如在公眾號營運中，透過以往對以往內容的關鍵詞進行分析，找出開啟率高、閱讀量高、轉發量高的內容，從而方便後期更好地進行選題和內容創作。

3、現狀分析：

資料是當下最好的體驗，及時瞭解當下的營運情況以及變化情況，更加趨向於短期的資料分析，如日報，週報，月報等資料分析，在某個時間節點裡，資料變動的原因分析。

對於營運來說，資料是營運結果的表現，透過對資料的分析，可以發現之前營運動作的優點和不足的地方，未來更好地去進行營運動作，也更好地知道未來營運重心該放在何處。

二、使用工具，明確分工

資料人員因為對業務不熟悉，每次有新的分析需求都要與他們反覆溝通，有時甚至要帶圖說話，期間消耗大量的時間成本，想想得不償失，不如拿到資料後自己做分析。

所以我認為合理的分工方式應該是資料部門負責提供清洗好的資料，營運人員直接拿資料做分析。

這點在FineBI上就做的很好，銜接了雙方的需求，資料準備自動化，由資料人員負責建立資料連線和資料集，營運人員直接取用準備好的資料，遇到沒有資料的情況再向資料部門提資料需求，管理資料是他們的本行，需求響應也就快。

三、確定思路，探索分析

這裡舉一個案例：某平臺型產品9月份發生客單價下降問題，分析其可能原因。

首先清楚這是典型的分析為什麼的問題，其二確定分析思路，根據歸納推理原理，從結論出發，進行拆解，客單價等於銷售總額/成交總筆數，影響銷售總額和成交總筆數不外乎服務提供者、使用者和產品三個維度，從這三個維度下提出假設（如圖），再透過資料逐一驗證，以下使用樣式資料，演示分析過程。

使用資料人員已經做好了的資料集，即客單價下降原因分析業務包裡新增好的資料庫表，進行取數分析。

從使用者登錄檔、使用者資訊表中獲取總註冊使用者數、9月新增註冊數和9月流失使用者數，使用指標卡元件計算出9月新增客戶數為26、流失客戶數為2，根據2019年新增註冊客戶數折線圖，可以看出9月新增客戶數在正常變化幅度內。

使用訂單明細表得到2019年訂單量/銷售額月份變化趨勢圖及9月流失客戶訂單明細表。

柱狀圖所示，9月訂單數和銷售額較8月有所上升，且在訂單記錄表中查詢2019年9月狀態為流失的客戶歷史交易記錄，評價該客戶流失對訂單轉化的影響作用，明細表顯示流失客戶的訂單記錄在較早月份，最近沒有接單記錄，說明新老客戶更替不是構成客單價下降的主要原因。

在訂單總筆數上升和銷售總額上漲的情況下，客單價下降極有可能是促銷活動或使用者來源渠道欠佳導致。

排除人為促銷活動因素，從使用者維度分析，包括實際付費使用者數、新增使用者的來源渠道及現有使用者的特徵畫像。

透過地圖元件發現，2019年5月到9月新增使用者中大部分來自於內陸省份和新使用者營銷渠道，接著用漏斗圖統計使用者從下載到下單的轉化情況，發現轉化率較高，更為異常的是訂單明細資料中顯示平均每個使用者只有一次下單記錄，然後篩選出9月下單使用者，與使用者畫像表建立關聯，透過制定一些判斷規則，得到使用者畫像標籤圖，發現使用者質量不優，且存在“羊毛黨”嫌疑。