数据分析:如何深挖原因,推动业务
Jason 数据分析不是个事儿

1 表面原因的局限



表面原因不能解决所有问题


数据分析的工作大部分的分析其实都是在找表面原因。

 

  • 用户数下跌了:A渠道新用户下跌

  • 转化率提升了:落地页转化率上升

  • 留存率下降了:C地区用户留存率下降


 

找表面原因其实就是通过指标体系的各种维度、子指标对问题进行拆解,得出一些初步的数据结论。

 

对于成熟的业务线来说,这种分析足够了。业务方拿到分析结论,自己稍加分析就知道后续该做什么。比如渠道人数下降了,对应的动作要么就是增加投放资源,要么就是优化投放的内容,提高拉新效果。

image.png

但是这是一般情况,有的时候我们就算给出了上面这些结论,领导也不满意。因为在具体执行的时候,还是不知道该做什么。

image.png

第一性原理是指当你遇到一个问题,问题背后一定有其原因,这个原因的背后还有原因,就这样一步一步向前推演,直至找到问题最本质的原因。然后,从这个本质原因开始,重新向后推演,直到找到解决问题的方法。

image.png

用户需求是商业的第一性原理




我们回到刚才的案例来看一下。


如果日活用户下降了,原因是什么?

之前我们给出的答案是因为留存率下降了,于是针对这个原因,我们给出了类似签到活动、push等业务动作。


如果根据第一性原理的思维模式,我们还要继续思考,留存率下降的原因又是什么呢?以及这个原因背后的原因又是什么。


商业问题,追溯到最本质的根源,一定是用户需求。

image.png

我们的业务动作只是刚好符合用户的需求,于是这些业务动作让用户需求更好地驱动商业模式运转起来。



所以用户的需求才是整个商业运转的第一性原理。

 

3 用户需求


用户需求是不断变化的



那知道了用户需求是商业模式的第一性原理,so what?


第一性原理如果保持不变,那么基于推导出的结论和模式就是稳定的。就比如机器解决的是确定性的问题,所以机器的结构也是确定性的,如果一个齿轮松动了,加固下齿轮问题就解决了。

 

但第一性原理如果变了,后面所有基于这个原理的逻辑就全都不适应了。而商业解决的就是这样的非确定性的持续变化的问题。


用户需求是不断变化的,随着时间和外部环境的变化,用户的需求也会随之变化,而且商业模式本身也会影响需求的变化。就好像标题党看多了,用户对这种激发好奇心的手段也就麻木了,用户就会想要看更多有价值的信息。


用户需求一旦发生变化,那么会导致原有商业模式和需求之间不再匹配,于是运转出现问题。这个时候,你再用机器的那套思路,哪个坏了修哪个,强行提高某个指标来解决问题的做法,是不解决根本问题的。只有调整业务的运转模式,让业务模式重新符合用户需求,才是真正有效的策略。

 

用户需求也有稳定的一面



既然如此,那么找表面原因的分析方法不是很不靠谱?


也并不完全是。虽然用户需求是持续变化的,但是也有相对稳定的时期,所以商业模式在一段时间内还是可以很好地满足用户需求。


就好像小孩子的身高不停地在长,但是一件衣服还是可以穿很久。对单个用户来说,需求变化相对较快,比如一个宝妈对尿布的需求集中在孩子两岁以内,但是对于整个的用户群体来说,总有一部分人。他的孩子在两岁以内,所以这一个市场总体上可以保持稳定。


所以需求依然有相对稳定的时期,这个阶段只做好原有商业模式的维护,是依然有效的。

 

 

用户需求的细分



说起需求变化,我们不着急到底如何应对。我们先来聊一聊,到底什么是用户需求。

 

中文对于名词解释非常不擅长,我们还是用英文解释一下。用户需求有两个层次,一个是want,一个是need。

 

用户说我需要某功能,这是want;用户说我使用这个功能做什么,这是need。很简单的一个例子:搜索网站是want,快速地找到信息是need。

image.png

want是need的解决方案。用户想要快速找到信息这个需求是need,满足这个need有很多种方案,不同的方案就是不同的want,其中搜索网站就是现有技术条件下最优秀的解决方案。


 

搞清了need和want,一个商业问题的基本上可以归结为两类:要么是没有满足用户真实需求(need),要么是解决方案不够好(want)。

 

4 如何深挖原因,推动业务






落实到具体的业务分析上,用户需求的问题影响了业务管理的三个层面:

image.png

我们一个个来看:


 

战略层问题



要解决用户需求是什么,是商业的战略级问题。


只有明确要解决的用户需求是什么,并且这个需求有商业价值,那么后续的所有业务动作、组织调整等才有意义。如果没有找准用户的需求,那么后续的所有业务动作都是没有意义的。

 

一般正常的创业流程,是先预判一个用户需求,然后通过MVP(最小可行化产品)的形式验证PMF(产品与市场匹配),在PMF验证完毕后,继续扩大资源投入。


现在很多的创业想法,都是从一个公众号或小程序开始,这种产品形式相比APP成本要低得多。一旦公众号或小程序验证成功,再进入APP开发和大规模的宣传推广,这种模式的创业风险就比较小。

 

所以如果你要解决的是战略层的商业问题,那么数据分析能发挥的作用比较有限。因为用户需求是很难通过理性分析找到,我们能做的,就是建立高效的数据反馈机制,让公司的试错迭代效率更高。相同时间内测试的产品版本越多,找到靠谱的用户需求的几率也就越大。

 

当然,有些产品的诞生完全是因为老板的拍脑袋决策,结果产品出来以后,用户量和留存率惨不忍睹,但是前期投入又非常大,于是老板就让员工想办法提高各项指标。


但是对于这样的产品,你去分析如何优化现有产品是没有任何意义的,因为你根本不知道这个产品解决的是什么需求,或者你要解决的根本就是伪需求,所以方向选错了,一切努力都是白费。如果在这类公司,并且你无法改变公司的决策流程的话,建议还是早点换公司。

回到案例中的问题:产品的留存率不高。如果留存率非常低,那么用户可能根本就没有这样的需求。这种情况下,我们不需要分析如何提升留存率,而是应该是让产品经理重新思考用户需求是什么,重新设计产品。


 

战术层问题



找到了一个有商业价值的用户需求(need),还需要对应的产品提供解决方案。战术层问题就是解决方案还不够好,距离用户心目中期待的样子(want)还有些差距。

 

比如案例中留存率的问题,如果留存率不高,那么一定是我们的产品和用户心目中想要的东西还存在一定差距,或者和竞品存在差距。为了弥补现状和用户的want之间的差距,我们可以从“提升用户动机,降低用户门槛和提醒”三种方式提升用户留存率。

 

但是究竟采用哪一种方式呢?

如果你分析只深入到“留存率不高”这个结论的话,业务人员不知道更多信息,也只能选择做一些签到或者标题党的PUSH,因为这类业务动作是肯定有效的,只是未必是最佳的策略。所以为了让业务同学清楚提升留存率的关键点,我们就要针对这三种方式进行更细致的深挖,找出根本原因。

 

比如要找出如何提升用户动机,我们可以通过竞品分析、用户行为分析等找出一些线索。比如通过第三方数据平台,找出留存表现比较好的竞品,然后拆解竞品的功能模块,看一下我们和竞品的差距。或者通过行为分析,尤其是搜索关键词分析找出用户的未被解决的需求。现在每个APP内都会有搜索模块,用户的搜索关键字往往能反映出用户的真实需求。这种方法有时要比你通过客户调研获得的结果更加真实有效。

 

如果要降低用户的门槛,一般是降低使用门槛。因为有些用户由于不会使用产品,导致流失。解决了这部分用户的问题,自然就能提升留存率。那么针对这种情况,我们就需要做漏斗分析或者行为路径分析。漏斗分析最常用,可以很清晰地找出出现问题的环节。配合用户调研或者自身的使用体验,也能找出一些用户使用过程中可能存在门槛的地方。

 

提醒相对来说是最容易的,如果上述的动机和门槛都没有找到,那么就只有提醒一种办法了。针对提醒的分析已经非常具体,属于战斗层的问题。

 

通过上述分析,我们找出了一些提升用户动机和减低使用门槛的问题改进点,这种结论就要比单纯的“留存率不高”要更具体,业务同学也能清楚后续要做的工作。

 

战斗层问题



确定了业务动作的大致方向,接下去就剩下最后的执行问题了,这个我称作战斗层。

 

这一层我们要解决的问题是,什么类型的文案更合适,哪类渠道更好,落地页如何设计,push如果发送的话什么时候发?发什么?等等具体的问题。

 

这类问题的分析常见的是根据历史数据得出结论。

比如要做PUSH提醒,那么可以通过历史数据找出哪类标题的打开率更高。要做渠道投放,可以分析哪个渠道的ROI最高。等等。

 

不过历史数据的分析有个问题,就是这个结论未必反应用户需求。

 

比如push打开率高的一定是标题党,但是这种标题党未必是用户想要的。所以除了数据分析,还需要结合业务判断。国内以理性严谨著称的字节跳动,所有功能都要经过AB测试,但是张一鸣依然表示“AB测试只是工具,同理心才是基础。”

image.png

所以数据分析师还是需要学习一些基本的心理学。


比如有一个行为心理学的现象叫做“诱饵选项”,意思是说当人们对两个不相上下的选项进行选择时,因为第三个新选项(诱饵)的加入,会使某个旧选项显得更有吸引力。

比如下图,如果只有两种爆米花,一种3美元,一种7美元,由于价格和数量成正比,会有很多人选择价格更低的3美元。

而一旦加入了一个明显不划算的6.5美元选项后,就会有更多的人选择7美元的爆米花。

image.png

6.5美元的爆米花几乎没有人选择,但是它的作用就是为了提高7美元爆米花的销量。


 

所以如果产品中某一个功能的点击率非常低,能否说明这个功能就是不必要的?显然不是。数据还是有很多盲区,需要我们通过用户心理学更好地反应真实情况。

 

战斗层的分析需要和业务非常紧密地配合,而且解决的问题非常具体,所以做这类分析的分析师一般不属于独立的数据分析部门,而是归属于业务团队。甚至很多分析工作是由业务同学自己完成的。


这部分的工作,业务理解更加重要。其实哪怕没有数据的支持,一个深入理解用户心理和需求的业务同学也能设计出非常优秀的方案。

 

 

总结






找原因是一件很难的事,如果所有原因都能按照模板和套路分析出来,那么大公司就永远不会衰落了。好的数据分析师可以提升找到正确原因的几率,依靠的就是从用户需求出发的思考方式。


这还不够,数据分析需要一点“精神分裂”,找完原因,还要向业务同学提建议。这个时候,又得掌握站在业务同学的角度思考如何提出建议。


CIO之家 www.ciozj.com 公众号:imciow
关联的文档
也许您喜欢