為什么國產(chǎn)手游都有一個又臭又長的新手引導(dǎo)？因為運營部門的人通過分析用戶行為和轉(zhuǎn)化率發(fā)現(xiàn)，當(dāng)玩家需要靠自己去鉆研琢磨搞明白游戲應(yīng)該怎么玩的時候，一半以上的玩家都會罵罵咧咧卸載游戲，氪金玩家你想都不要想。
前段時間不是朋友圈學(xué)Python的廣告特別火嗎？仿佛掌握了Python就走上了職場巔峰。其實相當(dāng)一部分立志學(xué)Python的小白從剛開始信心百倍，到最后甚至一行代碼都沒有敲，一上手馬上被安裝環(huán)境就勸退了。用戶受眾大、流量應(yīng)邀而來，但卻因為沒有精心設(shè)計簡化上手的案例教學(xué)潛移默化，你讓他學(xué)Python？Python學(xué)了朋友圈才差不多。
而數(shù)據(jù)埋點和數(shù)據(jù)分析的意圖也在于，真正從考核標準和轉(zhuǎn)化率出發(fā)。拆解核心指標并跟蹤轉(zhuǎn)化，找出最重要的影響因素和改善舉措。這樣才能有基礎(chǔ)繪制清晰的用戶畫像和用戶軌跡以及后續(xù)增長和用戶激勵轉(zhuǎn)化等一系列操作；
杜邦分析法通常主要用于財務(wù)領(lǐng)域，是通過財務(wù)比率的關(guān)系來分析財務(wù)狀況，其核心要點是將一個大的問題拆分為更小粒度的指標，以此了解問題出在了哪兒，從而對癥下藥。最終解決問題；
以淘寶、京東等電商行業(yè)為例，GMV（網(wǎng)站成交金額）以前是考核業(yè)績最直觀的指標，當(dāng)GMV同比或環(huán)比出現(xiàn)下滑時候，就需要找到影響GMV的因素并逐一拆解分析。
需要細化分析，GMV下降如果是因下單用戶減少所造成的，那么是訪客數(shù)（流量）減少了，還是轉(zhuǎn)化率下降了呢？如果是訪客數(shù)減少了，那是因為自然流量減少了，還是因為營銷流量不足？
如果是自然流量下降的話，可能需要在用戶運營和產(chǎn)品運營端發(fā)力，如果是營銷流量不足，那么可以通過營銷活動或者站外引流的形式增加曝光量。
同樣，如果是轉(zhuǎn)化率的問題，那么需要對用戶進行細分，針對不同階段的用戶采取不同的運營策略，關(guān)于用戶的部分，這里不做贅述，有興趣的朋友可以關(guān)注后面的文章。
最后，如果是因為客單價不高，那么需要定位定價及促銷的方案優(yōu)化，例如識別具有GMV提升潛力的商品進行定價優(yōu)化，評估當(dāng)前促銷的ROI，針對選品、力度和促銷形式進行優(yōu)化。同時通過關(guān)聯(lián)商品的推薦或商品套裝促銷的形式，激發(fā)用戶購買多件商品，也可以有效提高客單價等一系列的改善手段。
而熱力圖分析法其無非是把各個業(yè)務(wù)線的同比數(shù)據(jù)放到一起進行比較，這樣通常能更為直觀地了解各個業(yè)務(wù)的狀況。其中關(guān)鍵點在于拆解核心指標并跟蹤轉(zhuǎn)化；
如上圖，我們構(gòu)建一張同比熱力圖大致需要三步：
按照杜邦分析法將核心問題進行拆解，這里仍以電商為例，我們將GMV拆成了流量、轉(zhuǎn)化率、商品均價和人均購買量，即GMV=流量*轉(zhuǎn)化率*商品均價*人均購買量；
計算每個業(yè)務(wù)各項指標的同比數(shù)據(jù)；
針對每一項指標，對比各業(yè)務(wù)的同比高低并設(shè)定顏色漸變的條件格式，以上圖中的轉(zhuǎn)化率同比為例，業(yè)務(wù)5轉(zhuǎn)化率同比最高，為深橙底色，業(yè)務(wù)3轉(zhuǎn)化率同比最低且為負值，因此設(shè)定為藍色底色加紅色字體。
而通過熱力圖的分析，我們很直觀的的初步定位轉(zhuǎn)化率的問題所在、綜合分析GMV等核心指標變動的原因。其次，可以通過縱向?qū)Ρ攘私鈽I(yè)務(wù)自身的同比趨勢，再次，可以通過橫向?qū)Ρ攘私庾陨碓谕悩I(yè)務(wù)中的位置。
所以，本次我們初步通過介紹杜邦分析法和熱力圖分析法來體會數(shù)據(jù)分析的作用。
聯(lián)系客服
