极简数据分析法：3个步骤 3个模型

数据分析不应该只属于技术流派，而是一种思维习惯，用来辅助我们梳理业务流程，找到优化方向。能达成目的的数据分析才是真正的数据分析。

数据分析很简单。

技术流的老司机，左手SQL右手BI，溜的飞起。其实SQL、Python是数据挖掘；PPT、BI是数据展示。

学会了当然很棒，不会也没关系。

数据分析不是技术流，是一种思维习惯；能帮你梳理业务，找到方向，达成目的数据分析，才是真的数据分析。

而建立这种思维习惯，你只需要记住3个步骤，掌握3个模型。

这就是极简数据分析法。

建议收藏以便翻阅，也可以分享给想要提升数据分析能力的朋友和运营萌新。

❶

3个步骤

这三个步骤是：确定目标、列出公式、确认元素。

我们以某互联网金融公司A为例。

假设A公司正准备上市，当前核心目标为利润。

针对利润，我们列出公式。上面公式中，利润拆解成了 付费用户数、投资金额、投资时长、对应利率 四个元素。

其中对应利率取决于资产端，跟用户侧关系不大。

因此，如果我想提升核心KPI—利润，就要尽可能的提升付费用户、投资金额和投资时长。

恭喜你，已经找到了发力点。

注意，核心目标会随着业务发展不断变化，比如用户运营，App初期看重新增，中期看重转化，后期看重留存。

如果仍然难以确定，看看你的核心KPI。

❷

3个模型

确认需要提升的元素后，问题来了：

• 如何提升每个元素的量级？

• 怎样制定策略，分配资源？

• 如何验证策略是否有效？

你需要掌握3个模型：

A. 漏斗模型

适用范围：需要多个步骤达成的元素。比如投资用户数。

达到投资用户的状态，需要多个步骤。每个步骤都存在转化率，放在一起就成了层层缩减的漏斗。

漏斗模型作用：提升量级。通过提升转化率，提升单个元素量级。

有了漏斗模型，就可以分析每层漏斗衰减的原因。有些原因显而易见，有些需要做A/B测试。你可以逐层提升转化；也可以改变用户路径，减少漏斗层级。

比如，支持H5内投资的理财产品漏斗，要比下载App投资的漏斗少2个层级，转化率要高很多。

盈利还是亏损，有时只取决于一个漏斗。

注意，优化漏斗是个长期过程，需要每天关注。

B. 多维坐标

适用范围：具有多重属性的单个元素。

比如，本文公式中的投资用户，就有投资金额和投资时长两个属性。可以将其作为横纵坐标轴，把所有投资用户分成四组。

电商品类运营有个经典坐标，按流水和利润划分品类。

用户运营也有个经典坐标，叫RFM坐标。

• R=最近一次行为（Recency）

• F=行为频率（Frequency）

• M=行为量级（Monetary）

这里的行为指和你的核心目标密切相关的行为。比如在本文的金融产品中，就是投资。

• R代表可触达，毕竟6个月没来投资的用户，说不定都卸载了，甚至已经忘了你这个App；

• F代表忠实度，高频次的使用App，虽然ta可能每次只投几块钱的活期；

• M代表价值，比如累计投了50万，这可是个高净值用户。

多维坐标作用：精细化运营。

通过多维坐标将用户分组，对不同组用户采取对应的运营措施。

首先，一定有一个象限是好的。

比如下面的坐标图，高金额、高时长的A象限，就是好的。

A象限的用户，是核心用户（俗称爸爸），公司的现金牛，你的重点运营对象。