数据采集的三大要点
1、全面性
数据量足够具有分析价值、数据面足够支撑分析需求。
比如对于「查看商品详情」这一行为,需要采集用户触发时的环境信息、会话、以及背后的用户id,后需要统计这一行为在某一时段触发的人数、次数、人均次数、活跃比等。
2、多维性
数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型,从而满足不同的分析目标。
比如「查看商品详情」这一行为,通过埋点,我们才能知道用户查看的商品是什么、价格、类型、商品id等多个属性。从而知道用户看过哪些商品、什么类型的商品被查看的多、某一个商品被查看了多少次。而不仅仅是知道用户进入了商品详情页。
3、高效性
高效性包含技术执行的高效性、团队内部成员协同的高效性以及数据分析需求和目标实现的高效性。
基于以上三点,我们看如何让数据采集更准确、分析更有用以及团队内部更高效。
数据分析价值性和高效性
step1:明确数据驱动目标
数据采集切忌大而全,数据分析需求也是随着产品不断迭代的,明确长远和当前阶段的分析需求,让分析更有目的性,技术执行更高效。
场景举例:
小何是公司的产品经理,小张是技术,近两人都认识到了数据在产品运营和决策中的重要性,经过几个数据平台的调研,后,选择了二期模板,并且已经明确了当前阶段的数据需求…
小何:「小张忙吗,文档中那个,登录流程、注册转化、购买转化、分享转化等是长远需要关注的数据指标,务必埋上哦;对于发现功能呢,两个礼拜后我们会提交一个新版本,先不埋了啦,辛苦啦。」
小张:「小何,你真棒,一会儿我就给你埋好了呢!」
小何:「哦还有,注册那个页面我们有个推荐人选项,需要用户输入推荐人账号,采集的时候别采账号啊,我只想看注册用户是否有推荐人的分布,把那个属性处理成判断哦」
小张:「这简单。那今晚…」
看着小何转身要离开了,小张欲言又止,默默地继续敲代码了…
step2:按需采集数据
带着需求和分析目标去采数据,不仅避免了数据冗余带来的无从下手,也避免了全量采集之后却不知道要分析什么的尴尬。
图示为埋点范例:
图示文档可由数据分析需求人员整理,表格梳理让需求人员和技术人员协同更高效,也大大提升了后续的分析价值和效率
step3:多维交叉定位问题
对数据的应用可分为一般分析和探索性分析。一般分析包括对日常数据如新增、活跃、留存、核心漏斗的监测分析,也包括对各部门日常业务的数据监测。监测每日增长,分析异常情况,比如对注册失败、支付失败事件的监控和及时优化。
探索性分析是对数据的高级应用。对核心事件的相关性分析、挖掘产品改进关键点等,如促进用户购买的相关性分析、找到促进留存的Ahamoment等。
step4:优化产品、优化运营策略
基于数据反映的问题,做到实时监控和及时解决,基于分析得到的增长启发,去做A/B测试、灰度测试、去MVP实践。
step5:衡量
衡量是数据分析到实践的后一步,当然,也可能是步。有时候我们看似找到了增长点,但实验发现,事实并不如预期,不要灰心,不要丧气,更不要不吃饭,分析过程中对用户的理解、对业务的深度挖掘可能会让下一次优化产生累计价值。
数据分析思维
数据采集固然重要,数据分析的方法论也很重要,但不要迷信数据,因为更重要的,可能是人的创造力和想象力!数据分析也从来不是一劳永逸的,产品在不断迭代,业务在不断更新,从认知到决策,数据更多的是起到了辅助的作用,从梳理需求、到采集、到分析、到实践、再到衡量,它是始终循环在企业增长的整个过程中的。
后,那些改变世界的程序猿,他们始终希望能用自己的技术创造更多的价值,很多时候,他们要的可能是明确的数据需求、明确的分析目标,以及一套高效协同的方法,毕竟,谁都认为:能准确解决问题、能驱动业务增长,更!重!要!
数据分析思维的重要性其实是不言而喻的,有些公司有很多数据,但这些数据能干嘛,不知道。
有些公司没有数据,因为他们不知道数据能干嘛,也不知道怎么去采集。
韩重明拿电商举例子其实是很聪明的,我认为可能这也是一种本能,因为电商和游戏,这两个领域,对于数据的采集、分析、应用,都有很长时间的探索和积累。
但对于大多数其他领域的公司来说,有时候,碰到数据问题,是一脸懵的。
所以,在未来的互联网,对数据的了解越多、运用越熟练的人,就会越发的有价值。
从这个点上说,人人都需要掌握一些数据分析的思维,这样,你看到的世界会有很大的不同。