这里用几个例子来说明,首先是数据一致性:根据每个变量的合理取值范围和相互关系,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据。例如,性别为男却有妇科的治疗记录。对于这类型数据,我们可以拿出数据源重新核实,有时需要直接删除掉。无效值:用户的身高为负数,两条完全重复的数据,这些都可以视为无效值。而缺失值就如字面意思,缺失的值,对于无效值或缺失值,我们可以对其进行估算或删除。
使用删除重复项来清洗数据 4.建立数据模型,数据分析 终于开始真正的数据分析了。是的,我并没有坑你,数据分析师每天要花80%以上的时间在收集和清洗出符合数据分析,数据分析过程主要是这样的。 观察数据,看看当前产品状态是怎么样的? 为什么会这样子?大环境发生了什么变化?我们做了什么动作? 判断接下来可能发生什么? 数据分析有以一些基础的分析方法,熟练使用这些数据分析方法,我们就能够通过研究数据,回答上面的问题了。 对比分析法 将两个或两个以上的数据进行比较,分析出他们的差异,从人揭示了这些数据所代表的事物发展规律。我们经常会听说横向对比和纵向对比,在同一挑时间条件下不同指标的比较,就是横向对比,如对比中美俄日各国的GDP。纵向比较则是对比同一条件下不同时期的数值,如我国每年的GDP对比。 在进行数据分析的时候,选择恰当的对比系尤为重要。 与目标对比、不同时间对比(环比、同比) 不同主体对比(如对比不同引流渠道的转化率) 业内对比(对比统一渠道不同产品的引流转化率) 运营动作前后对比(发放优惠券用户与未发放优惠券用户对比) 与平均水平或中位数进行对比(小学生最喜欢拿自己成绩和班里平均分比较了) 通过对比,我们才能判断指标背后反映的情况,判定产品当前的状态。 增长公式与加权分析法 前文我们提到,核心指标会有其对应的增长公式,而每一个对应的增长驱动力所占的权重又是不同的。此处介绍一下,如何确定权重的简单方法——目标矩阵法。目标优化矩阵的工作原理是把人脑的模糊思维,简化为计算机的0/1思维,最后得出量化结果。 目标矩阵主要是把决策因素放在一个矩阵内,让团队内经验较为丰富的同事来判定各因素的重要性。 接下来,我们举个例子,假设你的择偶标准有如下因素:有房有车、帅、高学历、人品好、时间长。我们建立以下矩阵:
用有房有车跟帅对比,有房有车更重要,输入1 用有房有车跟人品好对比,有房有车更重要,输入1 用有房有车跟人品好对比,有房有车没那么重要,输入0
有房有车对比完成后,依次对比其他项,填入合计:
对0分项进项修正,如给它加个0.5分 。并计算权重:
最后,计算合计/所有指标的总计*100%,计算出来的就是该项权重值。 矩阵分析法 矩阵关联分析法是一个形象生动又好用的分析方法,矩阵分析法把两个重要或以上的指标进行关联。矩阵分析法主要能够解决如何分配资源的决策问题,有针对性地确定公司在管理方面需要提升的重点。 矩阵分析法主要通过建立平面直角坐标系,两条坐标轴分别对应事物的两个属性的表现。 举个例子,我们运营经常使用到的几个与用户沟通的渠道为:短信、APPpush推送、电子邮件EDM、站内信、首页弹窗。假如目前由于开发资源有限,我们只能够先选择两个渠道进行对接,我们该怎么选呢?消息沟通有两个关键的要素,分别是成本和信息的触达率,用这两个参数建立坐标系。得到如下图坐标系,四个象限分别对应如下属性:
根据我们的分析,按照几个渠道的表现将它们放在上述象限表里面。 (责任编辑:admin) |