解读数据的三个层次.docxVIP

解读数据的三个层次 关于认知和解读数据，我其实也不是权威，只想借机让各个零碎的知识联结成网。互联网所有工作的本质都在于解决问题，归因、聚合、离散等等都是把一切问题变得有条理的手段，有条理是我们无限期待接近的目标。 01 解读数据的三个层次 面对相同的数据信息，不同的人因认知程度不同，可以洞察的信息会有很大差异，大致可分为三个层次： 感知：知道数据是多少 认知：知道数据的变化原因 底层：预测数据的变化趋势 这三个层次是循序渐进的，可以作为是否透彻洞察数据的一个标准。尤其是第三个层次，通过过去与现在洞察未来，并作出决策和判断。这其实是一个标准职业经理人需要具备的素质，这里吐个槽，哪怕在行业头部企业，这样的人也并不多见，这世上多的是南郭先生。 02 数据的三个大致分类 互联网公司每天会产生上千万上亿的数据，其实这些数据大致都可以分为三类： 用户数据（谁）——eg：用户画像、用户活跃、用户生命周期、用户价值 行为数据（做了什么）——eg：浏览、访问、停留时长、跳转、跳出 业务数据（结果如何）——eg：转化率、GMV、客单价、毛利率 业务数据往往是比较直观的，它直接对应你的OKR或者KPI，最重要的业务目标在增长黑客里也有一个说法叫「北极星指标」。它最大的特点在于可衡量、可拆解。 用户数据这里也不用多说，一个业务或者产品面对的目标用户，它的具体用户画像和特征，无论是用研调查还是技术算法，都会穷尽可能，让你感知和了解用户大盘。 行为数据这里稍后会展开，结合UJM+OSM聊一聊。 其实对于每一个数据字段，也可以进一步分类： 维度（Dimensions） 度量（Measures） 这里看英文可以更直观，在统计学中，单一数据字段可以被分为离散和连续。离散通常是维度，特征是有限数量的值，比如城市名称；连续通常是度量，特征是不可罗列，可能为任一数值，比如GMV。但维度和度量其实也并不是泾渭分明的，比如金额，可以做维度，也可以度量。但绝大多数情况下，可大致如此分类。 1. 行为数据UJM+OSM模型 UJM即User Journey Map，用户旅程地图；OSM即Objective-Strategy-Measurement，目标、策略和衡量；这两个模型在绘制产品和业务大图时常常会结合使用。插一句，这里其实就是我和老板相互画饼的日常，哈哈哈~ 这里简单绘制一个示意图大家感知一下即可： 2. 搭建数据指标体系的tips 1）明确核心指标 核心指标必须有业务可解释性，能够结合业务充分对数据进行解读 核心指标必须可拆解，进一步拆解为各个子目标 明确产品不同发展阶段下的不同核心指标：产品生长期、成熟期和衰退期，核心指标应随之发生改变 2）核心指标拆解 核心目标的拆解有多种方法，业内常用的比如加减乘除公式、二八法则、漏斗转化等。 在公式拆解这里有一个小tips： 宏观角度用乘法：例如规模=触达量级x渗透率x点击率 微观角度用加法：例如发送量=营销型+产品型=（个性化+品牌+活动）+（更新+迭代） 3）数据指标口径 由于互联网公司部门与部门间的沟通成本巨大，数据指标口径建议在统一达成共识后，数据口径、关键库表、SQL统一进行归档。 03 以流量数据为例进行解读 这里以常见的C端流量数据为例，进行一个初步的数据解读，也不枉上边讲了一堆方法论，也好有一点实操感。 1. 流量数据分类 日常流量运营里，可以用“4W1H”进行一个简单的流量数据划分。原则上画图会更清晰，但太麻烦了，就简单罗列一下： Where —— 营销场——渠道场景/流量位/资源位 Who —— 人——用户/人群网格化细分 What —— 产品供给——内容/创意/商品 How —— 分配策略/匹配策略 When —— 时机/事件/时间 2. 流量数据分析 关于流量数据分析，可以简单用一句话概括：流量从哪儿来？经过什么？产生了什么价值？如果波动，波动原因是什么？ 渠道分析——从哪儿来 转化分析——经过什么 价值分析——产生什么价值 波动分析——异常波动的关键因素 以上是整体的分析思路，具体的业务场景里，包括结构分析、趋势分析、对比分析等；一些思维方法包括网格化、象限法、漏斗法、公式结构等；常用的数据工具就更多了，Excel、SQL、Python、FBI看板等等。 总而言之，理清主要思路，具体用哪一种方式，从A到B有无数条路径，这个可以千人千面。 04 数据认知能力培养 关于这个part我也还在进行时。我的观点是无论解读数据的能力，还是关于数据认知的敏感，这都是一个任重而道远的过程，需要有长期主义的心态，保持持续学习的态度和热情。 保持数据洞察，其实可以随时随地进行练习。对待任何一个事物或者产品，保持结构化理性，充分吸收外部信息和整理内化信息。例如思考都可以从宏观、中观、微观角度去切入。 宏观：行业情现状和趋