数据分析七武器(IV)：定位问题和机会点
本文非常适合不断增长的入门级和中级数据分析师队伍，特别适合产品经理、数据运营和其他相关角色。文章比较长，大家可以先看一下。
在这个公众号上，数据禅心团队将10多年的经验整理成书，并将更新已经发表在书籍中的系统数据分析技巧和思维方式的文章。有付费课程，但任何人都可以在这个公众号上免费学习，所以请关注“DataZen”，不要迷路。看完后，可以学以致用，点赞收藏。可以的话，请点赞是码字老师最大的支持~
本文转载自曾进知乎账号“港河沙'DataZen”。
曾进：首位CDAIII数据科学家，高级数据产品经理，业务分析总监，从事数据分析工作10余年。《数据分析实战-方法工具与可视化》 作者
本文向您展示如何利用数据发现问题、发现新的增长点。本文是《数据分析七武器》 系列中的第四篇文章。在这7种武器中，我们将介绍第5种、第6种和第7种武器。
前三个门户是：
【成长】数据分析的七大武器（一）：现状分析
【成长】数据分析的七大武器（二）：如何发现异常值
【成长】数据分析七大武器三：漏斗分析
本文长约5,000 字，阅读大约需要15 分钟。编码并不容易。我们需要您的鼓励、点赞、收藏、点赞~~
数据分析工具的三大方向和七大武器
利用数据来发现问题并发现重要突破是数据分析师职位的关键价值。数据分析师在识别问题或寻找重要节点时拥有“四大有力工具”：漏斗分析、树形分析、多维分析和幻数。
武器5漏斗分析【成长版】数据分析七种武器三：漏斗分析
武器6的树分析请参考本文的“树”（2字章节）：【成长版】数据分析的简单方法：1行+2字
武器7 多维分析7.1 天子分析在我们的生活中，如果我们听并相信，我们难免时不时会犯错误。，，古谚“三痴如诸葛亮”和西方思想家提出的“思维六顶帽子”，都强调在考虑问题时要参考多方面、多方面的信息，我教。对于数据分析师来说，在做出数据决策时只分析某一维度可能会产生偏差。多维分析是指通过同时比较两个或多个数据维度来更全面地定义和分割数据现象的方法。最常用的多维分析是二维“场”分析，它利用两个低相关性维度构建二维坐标系，将问题分为四个象限。如下所示
我们每天用于时间管理的“重要性-紧急度”矩阵实际上就是二维分析的一个例子。
还有一个在市场研究领域很重要的“因素重要性”推导模型，这也是二维分析的一个例子。
您还可以将2D 扩展到3D。常用的RFM模型使用三个维度来细分用户：
下表对每组RFM进行了详细说明，并给出了您可以根据您的实际业务情况实施的策略作为参考。
客户类型
上次消费（近期）
频率
消费金额（金额）
解释
战略
具有重要价值的用户
昂贵的
昂贵的
昂贵的
该用户群忠诚、活跃，对产品贡献度高，是公司的核心用户群。
我们将竭尽全力提供良好的服务。
留住用户很重要
低的
昂贵的
昂贵的
他曾经是公司的高贡献者和活跃用户，但最近他的交易活动减少，并且面临被取消的风险。
醒来
重点开发用户
昂贵的
低的
昂贵的
虽然他们近期表现活跃，贡献较高，但消费频率较低，消费习惯尚未形成。
重点应该放在识别上。释放你的潜力并养成消费习惯
留住用户很重要
低的
低的
昂贵的
虽然他是高价值用户，但没有历史记录，目前处于不活跃状态。属于潜在有价值的用户
保留回忆
普通价值用户
昂贵的
昂贵的
低的
过去和现在都积极活跃，但对利润的贡献较低
保持活跃并充分利用您的需求
普通开发用户
昂贵的
低的
低的
目前虽然活跃，但消费频率和金额较低。消费习惯尚未形成
养成消费习惯
通常留住用户
低的
昂贵的
低的
过去活跃的用户、当前不活跃且贡献度较低的用户
一般维持
一般用户留存率
低的
低的
低的
对公司价值低且可能离开的用户
暂时把它放在一边
7.2 指标分解指标分解方法是数据分析中常见但非常强大的工具。数据分析工具中指标的分解状态与杨过《神雕侠侣》使用的黑铁重剑——类似。通过指标解构定位问题的方法，实际上是金字塔原理的具体体现。这种方法实际上是对异常或关注的指标进行特定的分解并定位。这种方法对应于金字塔原理中的“自上而下”的金字塔。根据指标公式即可拆解。比如，如果你对一家公司的GMV有问题，你首先应该考虑根据GMV公式来拆解它。 GMV=ARPU*DAU。分解完成后，您可以确定您的GMV 问题是否是由于用户平均购买力下降（以ARPU 表示）或用户规模减少（以DAU 表示）造成的。如果您确定用户平均购买力下降是原因，您可以进一步分解ARPU值（ARPU=ARPPU * 购买率）。基于这个定位，我们进一步判断ARPU值的下降主要是由于单价下降还是购买率下降。你也可以把它分解到其他维度。基于其他维度的下线具体包括基于用户账号特征、人口统计维度、用户行为的下线。基于用户账户的特征是指可挖掘的用户账户（User Accounts）反映的一些信息。例如，您可以使用此维度来确定用户是新用户还是老用户，例如“自用户注册以来的天数”。另一个例子是移动操作系统平台（Android、IOS）。这也是分析用户帐户特征时非常重要的指标。基于人口方面的细分是指按照性别、年龄、地区、职业等方面对指标进行分析，找出表现不佳的指标子类别，导致总体指标数据下降。例如，如果某一天。。应用用户的平均观看时间减少了20%，您可以关注男性用户观看时间减少还是女性用户观看时间减少。是年轻用户观看时间较少，还是年长用户观看时间较少？这是人口统计的瓦解。基于用户行为的拆除类似于基于人口统计方面的人口统计。例如，如果某个APP的ARPU值下降，是频繁用户的ARPU值的下降还是中度不频繁用户的ARPU值的下降对整体ARPU值下降的贡献更大？分析了。到底是新用户ARPU值下降，还是老用户ARPU值下降导致整体ARPU值下降呢？优秀的数据分析师在分解定位问题时，通常会使用多种分解方法，可以灵活组合技术。 “应用之美，在于凝聚人心。”案例分析：熊猫公司ARPU下降原因分析（想要数据集，请点赞、关注、私信）
熊猫商业产品经理诺亚在2020年9月初的月报中发现，8月份的ARPU较6月份有所下降。据他介绍，6月平均ARPU为16.7元，8月平均为14.9元。减少幅度达到10.8%。目前，分析师Jason想通过指标拆分的方法找到指标下降的原因。具体数据如图6-35所示，横轴为日期，纵轴为熊猫公司当日ARPU值（单位：元）。
熊猫ARPU趋势图
于是数据分析师Jason首先根据ARPU公式对公司的ARPU指标——进行了一级解构。因为GMV=ARPU X DAU=ARPPU=ARPPU。通过观察，我们发现2020年8月5日ARPPU下降，而8月5日之后付费率上升。但如图6-36和图6-37所示，ARPPU的下降幅度超过了付费率的上升幅度，图中横轴为日期，纵轴为ARPPU值（单位）。熊猫公司对应的日期。元）和汇率。
Panda的ARPPU趋势图
熊猫公司派息率趋势图
对比8月5日活动前后的数值，ARPPU从216.91元下降至177.03元（见上图）。削减率达到18.4%。数据分析师Jason 回忆道，8 月5 日开始大促销的是产品经理Noah。平台上大多数类别都有20% 的优惠券。因此，单价下降是因为发放优惠券将利润转移给用户。另一方面，虽然我们给用户提供了较大的折扣，但这实际上并没有带来足够的购买率提升，导致整体ARPU值下降。促销后购买率从促销前的7.6%提升至8.2%，但相对增幅仅为7.9%。营销成本远低于促销成本。
熊猫公司8月5日前后平均ARPPU对比
8月5日前后熊猫派息率平均对比
因此，在第一层分析中，分析师Jason得出的结论是，ARPU的下降主要是由于单价ARPPU的下降以及促销活动的利润让步导致的购买率增幅相对较小。但Jason认为仅靠这样的分析是不够的，他想继续调查到底是什么样的人对营销活动的认知度较低，导致了购买率的小幅上升。我是。于是他进行了第二级分解。第二层：按照其他维度解构。对于第二层分解，Jason根据自己对业务的了解和理解，选择了两个细分维度。一是新用户维度和老用户维度。另一个维度是手机系统的维度（Android系统、iOS系统）。新用户是指当天登录并注册的用户，老用户是指注册超过一天的用户。基于这两方面，Jason分别分析了Android新用户、Android老用户、iOS新用户、iOS用户的ARPPU和转化率数据。如图6-40所示。
付费率分为用户类型（新用户、老用户）和手机系统（Android、IOS）两个方面进行分析
在Android端，我们看到老用户的转化率从6.1%提升到了7.2%，提升了18%，但是新用户的转化率基本没有变化，只是从11.8%提升到12%，我做到了。经过进一步调查，我们发现Android新用户的优惠券使用率很低。这是因为许多Android新用户在使用优惠券时，并没有享受价格折扣，许多新用户在订购过程中放弃了购买。 Jason 是一名数据分析师，他向产品经理报告了这一行为，并要求他与开发工程师一起解决该错误。 IOS端，老用户的购买转化率从9.0%到9.3%并没有明显提升，且调查没有发现bug因素的影响，因此认为老IOS用户的敏感度较低。当前的优惠券形式；新用户购买转化率反而下降了，我们的研究表明，这是由于新IOS用户在使用优惠券支付时调用支付接口的失败率明显增加所致。经过第二层分解，情况变得更加清晰了。于是Jason整理了自己的分析结论，提出了一些个人建议，并画出了下面的结论图。
问题分解图
如上图所示，Jason认为Android新用户和IOS新用户转化率异常的问题很可能是由于网络问题造成的。因此，产品经理和开发工程师必须共同调查以发现并解决问题。那。另外，考虑到老IOS用户付费率没有明显提升的问题，可以通过用户画像区分营销敏感群体，进行差异化营销，提高营销力度，Jason认为公司可以提高回报率。投资。产品经理Naoh 非常同意Jason 的结论。我们立即开始改进营销工作并解决在线问题。
在这个公众号上，数据禅心团队将10多年的经验整理成书，并将更新已经发表在书籍中的系统数据分析技巧和思维方式的文章。有付费课程，但任何人都可以在这个公众号上免费学习，所以请关注“DataZen”，不要迷路。看完后，可以学以致用，点赞收藏。可以的话，请点赞是码字老师最大的支持~
