Profesor: Qiu Yue

1. ¿Qué es el análisis de datos y por qué es necesario el análisis de datos?

Obtener información y conocimiento mediante la clasificación y procesamiento de datos, para comprender la supervivencia de los productos, descubrir oportunidades potenciales, orientar y respaldar las decisiones de productos y operaciones y verificar los efectos de las estrategias.
Los datos son el evangelio de los gerentes de productos de Internet, y también son un elemento central que cambia la naturaleza del trabajo de los gerentes de productos de Internet y los gerentes de productos de software tradicionales / gerentes de productos de consumo. En tiempo real, precisa, perfecta, estructurada
Utilice datos en lugar de intuición: evite perspectivas estrechas de toma de decisiones y evite decisiones infundadas. Toma decisiones más amplias y sólidas
La disputa entre la posición y la lógica es interminable, y el chat de datos y lógica es mortal.

2. Varias historias relacionadas con el análisis de datos

Elimine las funciones que tienen un impacto en la tasa de conversión del usuario en media hora;
41 colores azules de Google y 200 millones de dólares en ingresos
¿Puede el color de los botones también marcar una diferencia en los ingresos?

3. Herramientas comunes para el análisis de datos

GoogleAnalytics / MixPanel / Crecimiento de IO / Datos de sensores / 友盟
Mini programa: Asistente de datos de mini programa / Aladdin
Tableau / Excel / Python / Hojas de cálculo de Google / SQL
R / MatLab…

Nueva comprensión de Excel: algunas palabras clave: fórmulas de Excel, tablas dinámicas, VBA, Google Script, Python Excel

4. El proceso de ejecución del análisis de datos

Planificación de datos (establecimiento de objetivos)
Incrustación / grabación de datos (soporte técnico y realización)
Recopilación y disposición de datos (datos brutos -> datos estructurados)
Estadísticas y análisis de datos (a partir de datos -> información / conocimiento)
Conclusión o acción (información -> decisión / acción)

5. Planificación de datos -> establecer objetivos

Reflejar el funcionamiento del producto / función ☞ Seleccionar indicadores clave y vigilarlos todos los días
Busque cuellos de botella en el proceso u oportunidades de nuevos productos
☞ Ruta de comportamiento, embudo de flujo
Brindar apoyo a la toma de decisiones operativas y de productos
☞ realizar pruebas A / B
☞ establecer el valor estratégico del nivel del agua (cuando la noche doble de las once sea una gran promoción, se emitirá un sobre rojo grande para facilitar la transacción. usuario designado en base a los datos)
Proporcionar seguimiento de efectos sobre estrategias específicas de operación de productos

4.1 Cómo elegir indicadores clave

Tenga cuidado con los indicadores de vanidad (como la promoción de una gran V)
¿Está relacionado con el valor de las partes interesadas? (Los gerentes de producto miran la frecuencia de uso de la función, los inversores o los jefes miran a GMV)
¿Un mejor número significa un mejor producto? (Aparece una interfaz más para una determinada función para aumentar el PV)
¿Puedes comunicarte? (Siga los cambios en los indicadores)
¿Encontrar el problema antes o después? (Si la frecuencia de las pruebas de los usuarios disminuye, significa que el producto ha comenzado a ir cuesta abajo)
¿Hay alguna información? ¿Puedes hacer palanca? (Por ejemplo, haga que los usuarios regresen y atraiga a los usuarios con artículos de alta calidad)

5. Punto de enterramiento de datos

En términos generales, cuando se trata de incrustación de datos, se refiere a la recopilación de datos de comportamiento;
Es esencialmente una solicitud de registro con varias pistas y no tiene estado;
Requisitos de enterramiento de datos, en lugar de describir el plan de enterramiento, es mejor decirle a BI o al ingeniero lo que quiere hacer;
La mayoría de los requisitos de enterramiento de datos se basan en eventos (las visitas a la página también se consideran eventos), solo enumere la lista de tiempo deseada y la clasificación;
Es difícil enterrar todos los puntos a la vez, comenzar con cosas pequeñas, como un botón, y luego estudiar gradualmente la historia más grande;
Si la empresa tiene puntos de enterramiento completos y procedimientos y especificaciones de recopilación de datos, lo anterior no se contará.

6. Recopilación y cotejo de datos

Organizar los datos heterogéneos originales en datos estructurados que se pueden filtrar / declarar / procesar;
La mayor parte del trabajo aquí lo realizan ingenieros de datos / herramientas de datos, y el gerente de producto no participa mucho en este paso;

6.1 ¿Cómo recopilar datos de la competencia? ¿Cómo recopilar datos de la industria?

Utilice QuestMobile
ID de usuario registrado
Descripción del trabajo
Los empleados de la competencia vienen a la entrevista

reporte:

7. Estadísticas y análisis de datos

Indicador: El valor de medición de una determinada cosa, como el número de usuarios, el número de visitas, la duración de la visita, la tasa de conversión, etc., suele estar directamente relacionado con el objetivo intermedio o final de un negocio específico.
Dimensiones: Diferentes formas de subdividir indicadores. Por ejemplo, el número de usuarios se puede dividir en nuevos usuarios, antiguos usuarios, usuarios de Android, usuarios de iOS, usuarios de pago, usuarios gratuitos, etc. Los diferentes métodos de subdivisión representan diferentes ángulos de análisis.

8. Conclusión o acción

El análisis de datos debe apuntar a un objetivo, información / conocimiento / decisión / principio;
[Target] es el punto de partida y el punto final del análisis de datos;
Externo: informes de datos, conocimientos de datos, conclusiones de estrategia empresarial;
Internamente: conocimiento de la industria, experiencia y principios para hacer las cosas;

9. Ideas y marco de análisis de datos

La preferencia se basa en usuarios y comportamientos: quiénes son los usuarios, de dónde vienen y adónde van;
Flujo favorecido: costo de flujo, eficiencia de realización, sostenibilidad;
Prefiere vender bienes: flujo, conversión, beneficio bruto;
Favorecer a Saas: clasificación, retención y activación de clientes, escala de ingresos y eficiencia;
Productos basados en plataforma: el juego de beneficios de cada rol, tasa de monetización;

10. Objeto de análisis de datos

Datos de atributos de usuario: un conjunto de retratos;
Datos de comportamiento del usuario: un mapa;
Datos comerciales: un montón de iconos;
Datos financieros: dinero;
Datos de la industria: algunas cifras;
Datos macro

11. Indicadores e interpretaciones comunes del análisis de datos

Datos de atributos de usuario-parámetros técnicos, ubicación geográfica, edad, sexo, región ...
Datos de comportamiento del usuario: PV, UV, (PV / UV), VV, UPV, DAU, MAU, (DAU / MAU), WAU, AAC, MAC, WAC, CTR, retención, fuente, duración del acceso ...
Datos comerciales (relacionados con usted) como: número de cursos, número de campos de entrenamiento, número de pedidos, número de publicaciones, número de paquetes ...
Datos financieros-GMV, ARPU, LTV, precio unitario del cliente, tipo de recompra, tipo de conversión, Take Rate ...
Datos de la industria-TAM, CAC, TAC ...
Escala de tiempo de la industria de datos macro, participación del PIB.

GMV incluye datos sobre pedidos realizados pero no pagados, y también se contabilizan los pedidos realizados pero devueltos. Práctica de la industria.

12. Indicadores e interpretaciones comunes del análisis de datos

Lo más importante es tener su propia definición de indicador, no un [indicador de vanidad] para toda la industria.
Todos los indicadores deben formar un [panorama general de los datos] en su mente para conocer la relación entre ellos;
Deje que los datos sean su propio lenguaje, use los datos para reconstruir la intuición en lugar de las emociones y los gustos y disgustos para construir la intuición;

13. Tareas que no son tarea

Informe financiero de PDD , que compara a JD y Ali, centrándose en AAC, MAC, MAU, GMV, Take Rate.
Agente de vista de informe financiero, sec -> https://en.wikipedia.org/wiki/US_Securities_and_Exchange_Commission
https://sec.report/

Campamento de capacitación para gerentes de productos de Geek University: resumen de la lección 16 de análisis de datos