互金产品的数据分析：巧借模型，对症下药

2. 用户是否会重复使用？

衡量指标：重复使用比例。即：第N天的继续使用新功能的用户数/第一天使用新功能的用户数。

（以上部分内容引用于“艺林小宇”专栏文章）

模型三，漏斗模型，针对运营活动层面：

活动是运营人员的日常工作，如果把一个活动比作一个项目，一个再复杂的项目都可以通过WBS：工作分解结构（Work Breakdown Structure）进行拆解。

同理，一个再复杂的活动也可以拆分成多个步骤去分析，这里常用的分析方法就是进行漏斗模型分析，分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间。比如，下面的例子是分析从用户进入某个活动页面到最终产生投资行为的变化趋势。

最后，我们从这个漏斗中去分析，每个环节的转化率有没有达到预期。如果没有，就要反思活动流程中还有哪些可以优化的环节，比如文案是否足够吸引、步骤是否足够精简、体验是否足够流畅。

数据会说谎

数据会说谎这种说法相信大家都听过，其实数据本身是不会说谎的，是收集、分析数据的方法会说谎。数据分析过程中，如果结合其它维度再次做分析，有时候是会得出完全不一样的结论。

举个例子，一个用户运营团队要做用户喜爱度调研，于是给所有每天使用他们产品的用户致电访问，最后调研结果显示，他们的产品用户喜爱度接近100%，他们信心满满，觉得产品太完美了。可是，不喜欢谁会天天使用你们的产品？（这个例子类似“幸存者偏差”陷阱）

互金产品里一样也会出现数据说谎情况，举个典型的例子，A渠道投资转化率为60%，B渠道投资转化率为40%，从以上数据分析，A渠道的用户质量明显比B好。

可是，如果结合不同的维度，结论有可能是B渠道的用户质量是比A渠道的更好。比如结合金额留存率这个维度，A渠道用户的金额留存率是10%，B渠道用户的金额留存率是50%。这说明A渠道用户的“羊毛”属性明显更重，用户都是投完一笔拿完首投奖励就走，相比B渠道的用户能在首投后留下来继续投资，所以B渠道用户的整体质量是更高的。这种情况下，我们就得到了和之前截然相反的结论了。

因此，产品运营人员做数据分析时，一定要尽可能把各种干扰因素考虑进去。一个错误的数据分析结论比不做任何分析都还要遭，毕竟掉进坑里后，还要花费力气跑出来，这里面的时间成本、机会成本实在太高。

结语

在互联网这个信息洪流中，不少人幻想着能抓住一些一夜爆红的秘籍，各种含金量不高的营销类、学习类账号（人人都是产品经理当然除外）也喜欢分享以下类型文章，如《如何制作刷爆朋友圈的某某H5》、《四个方法教你打造爆款》、《写出10万+文案的七个细节》等等。很多互联网运营者热衷于学习研究上述各种“看得见”的道和术，但对许多“看不见”的体系内容缺乏足够的关注。数据运营分析，就是“看不见”内容中的重中之重。

看数据、找原因、想对策，基本上就是一个运营人员每天的日常工作。除了“想对策”这步，需要结合运营人员对业务、对用户、对产品的熟知和了解（通常也是由运营总监做出决策）。其余两步，懂得“看数据、找原因”，就是一个合格运营人员的必备技能，而且这项技能越娴熟，越懂得用数据指导运营工作，运营人员的阶位就越高。

最后，希望大家都能成为运营大神。

 

本文由 @绰号甄嬛的男人 原创发布。未经许可，禁止转载。

题图来自PEXELS，基于CC0协议