数据增长分析怎么做,详解2种常见的分析方法

数据增长分析怎么做,详解2种常见的分析方法,无论是产品功能还是运营策略,都需要通过数据来提供参考与指导。本文通过业务场景和案例呈现,详细拆解2种最常见的数据分析方法——对比分析法和控制变量分析法,让我们的数据分析少走弯路。

数据增长分析怎么做

第一种:对比分析法

“无对比,不分析”,对比分析法也叫对比法,是数据分析中最常见也是最基础的分析方法,

如果我们对数据的评估和汇报缺少了对比,就无法说明效果是好还是坏。

1. 绝对数对比 与 相对数对比

首先我们需要了解绝对数对比和相对数对比:

  • 在数据分析中,绝对数对比一般是指正数之间的对比,如支付人数、DAU、GMV等;
  • 而相对数对比一般是相对数之间的对比,如转化率、增长率、完成率等。

如下图登录用户量的对比就属于绝对数对比,用户留存率的对比则属于相对数对比。

数据增长分析怎么做

2. 环比分析

环比,表示连续2个统计周期内的量级变化比,例如连续两日、两周、两月的量级变化比,都可以称为环比。环比分析一般体现该时间段对比上个连续时间段的数据变化情况。

计算公式:环比增长率=(本期数-上期数)/上期数 × 100%

举个环比分析简单例子:我们在9月第三周针对50%的随机用户A群进行了活动营销激励,整体GMV环比第二周上升50%。

这里就是将第二周看做基准,默认第三周自然GMV为100万。通过活动营销激励后,第三周实际GMV为150万,对比第二周增长了50万,环比增长率为50%。

数据增长分析怎么做

这个例子来说,如果在正常情况下,环比分析给出的50%增长,可以证明活动带来了明显的GMV增长,效果好像不错,但是环比分析结果也会存在骗人的时候,我们继续往下看下面的例子:

看到活动效果良好,我们在9月第四周又取了剩下的随机用户群B进行了活动营销激励,GMV环比第三周反而下降了7%。同样的激励策略,不仅没有得到环比提升50%的数据效果重现,反而下降了7%。

数据增长分析怎么做

在这里就体现出了一个环比分析法的弊端无法消除周期波动变化的影响。

原因是我们的产品在节假日前期数据波动特别大,仅通过该环比数据没有办法客观的进行运营效果评估。如9月第四周是国庆前的最后一周,用户的交易数据会有明显的下降,营销动作是很难提升GMV超过上周(上期)的量级水平,如果通过仅仅通过环比给出的数据结果,一定是本期对比上期环比下降x%。

遇到这种周期波动特别大的分析场景,则需要加入同比分析法,与环比分析法共同进行分析。

3. 同比分析法

同比,表示本期与上年同期的量级变化比,例如本日、本周、本月内的量级变化对比去年同日、同周、同月的量级变比。

计算公式与环比增长率相同:

同比增长率=(本期数-上期数)/上期数 × 100%

同样国庆前做活动的例子,通过环比分析,因为节假日因素波动,没有办法得到真实的营销增长情况,那么通过环比+同比分析,就可以对比出9月第四周对比上年同期的增长情况:

  • 18年环比:18年9月第四周 环比 第三周,GMV下降20%;
  • 19年环比:而19年9月第四周 环比 第三周,GMV仅下降7%,下降幅度小于去年下降水平;
  • 19年同比:且19年9月第四周 同比 18年9月第四周,GMV上涨75%,而第三周的同比上涨仅为50%;

数据增长分析怎么做

综上的环比与同比分析,我们可以对19年9月第四周的运营策略做出真实评估:有效的带来GMV增长。

此外,我们还可以根据18年9月第四周的环比降幅,预估19年9月第四周的自然GMV,从而评估19年9月第四周的GMV增长量为20万:

  • 19年9月第四周GMV增长=实际GMV-自然GMV
  • 19年9月第四周GMV增长=实际GMV-19年第三周GMV*(1+19年9月第三周同比增长率)
  • 19年9月第四周GMV增长=140万-150万*(1-20%)= 20万

同比主要是为了消除可能存在的周期变动的影响,当连续两个周期波动特别大的时候,就不能只用环比去进行效果评估了,则需要将同比与环比放在一起进行分析。

那么同比和环比都用上了,就能保证数据结果的正确性吗?

不一定,接着上面的活动来说,我们预估2019年9月第四周的自然GMV,是默认2018年9月第四周是没有进行任何对GMV产生波动动作的自然环比下降,但如果2018年9月第四周有进行用户激励的运营动作,那真实的环比降幅可能就不止20%,甚至更高。

考虑到这种未知的干扰情况,影响我们对数据结果的评估与分析,我们就需要换一种能够减少未知干扰的分析方法——控制变量分析法。

第二种:控制变量分析法

1. 什么是控制变量法

控制变量法是在蒙特卡洛方法中用于减少方差的一种技术方法。该方法通过对已知量的了解来减少对未知量估计的误差。

控制变量法简单来讲,就是我们工作中最常见的A/B test。制定两种方案,将用户随机分成实验组与对照组,实验组用户进行产品功能或营销激励的单一变量干预,对照组不进行任何干预自然运行,一段时间后分别统计两组用户的数据表现,评估功能或激励效果。

A/B test 的优化内容主要有6个方向,可以根据不同的内容设计不同的优化方案,进行效果测试;

数据增长分析怎么做

2. 控制变量法分析过程

我们以发放6元无门槛红包激励用户下单为例,看下A/B test在营销中分析过程;

  1. 将目标用户群随机划分为实验组和对照组,每组各10万人,保证两组用户随机分布;
  2. 将实验组进行单一变量营销,如发放6元无门槛红包,对照组不进行营销,用于观测自然转化情况;
  3. 观察一段时间内的转化率及客单价数据,评估支付人数提升与GMV提升效果;

数据增长分析怎么做

提升支付人数:对实验组进行干预后提升了转化率,实际提升支付人数2000人。

GMV提升:将提升的支付人数结合客单价进行计算,统计最终的GMV提升40万。

3. 特别注意两点

通过ABtest只能减少未知情况带来的干扰,无法做到完全排除未知情况带来的干扰,所以在落地的过程中,仍有两点需要特别注意,不要被数据欺骗:

(1)实验组与对照组的用户群样本量太少

实验组和对照组的样本量不需要完全一致,但至少需要保障一定的量级,如果样本量级太小,很容易受到个体的影响,导致结果异常。

若想降低个体影响可以参考以下两种方案:

  • 扩大试验样本:提高实验组或对照组的用户群,降低个体影响;
  • 延长试验时间:将数据监控的时间延长,让数据结果尽可能的收敛;

(2)实验组和对照组的用户群没有做到绝对的随机

例如,产品或技术同学通过尾号单双来进行实验组和对照组的划分,进行产品新功能的实验。此时运营同学又针对尾号0和1的用户进行营销测试,最后肯定会导致双方的实验结果异常,得出错误的结论。

参考方法:不要通过简单规则分组,尽量通过随机数或者随机序列进行随机分组。

总结

通过对比分析法对数据进行环比、同比等多维度的评估,通过控制变量分析法减少未知干扰的误差,做到数据分析的相对科学,才能为业务提供正确的数据指导。

以上是最近学习工作中的一些案例和心得分享,希望能给你带来一些思路

创业项目、电商、短视频、自媒体等VIP教程,添加微信:1480998277  备注:学习

本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 2511786901@qq.com 举报,一经查实,本站将立刻删除。
如若转载,请注明出处:https://www.jiajia17.com/9716.html

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

My title