? ? ? ?多數的初創型企業在數據運營過程中，相對應APP的數據分析需要考核哪些因素？在數據監控過程中，需要選取哪些數據指標等問題往往找不到重心！對于初創型企業，哪些數據是需要重點監控的問題，我們通過初創期O2O商家平臺產品數據監測問答來解釋解釋:?? ? ? ?初創期O2O商家平臺問答如下： ? ?問： 創業公司的O2O項目，一款集合商家的平臺型產品，哪些數據比較重要，必須在第一版本就開始監控分析?哪些數據比較次要，可以放到后期版本再說?雖然有第三方(比如友盟)，監控的數據很全，但我不是很清楚輕重緩急，望各位多多指教?！ 〈穑骸 偤贸弥@個案例，總結一下自己在數據分析上的一些心得?? ? ? ?數據指標為目標服務 先丟出一個觀點：“數據指標為目標服務” 從這個觀點可以得到幾條推論： 推論一：清楚目標是最關鍵的一步，如何清楚并設立目標是需要解決的第一個問題?！ ⊥普摱航鈽嬆繕?，即可得到對應的數據指標?！ 耐普撘怀霭l，我們首先要解決的問題是找到最高優先級的目標，設立準確的目標。一個產品的目標受什么影響?? ? ? ? 產品的生命周期; 產品的類型; 產品的商業模式(推廣、盈利等); 面對的用戶群體; 公司的目標;? ? ? ? 市場競爭環境等等 ? ? ? ? 從問題的描述來看，我們可以得到這個產品的當前特征。? ? ? ? 產品的生命周期：初生期-摸索; 產品的類型：O2O電商平臺類; 產品的商業模式：推廣以線上和線下地推為主;針對商家抽傭為主要的盈利模式; 產品定位與用戶群體：假設該產品針對白領提供高端餐飲服務的平臺，有toB商家端和toC用戶端;為便于分析，假設題主負責的是toc端產品?！ ≡偌僭O以下兩點： 1、市場競爭環境：市場競爭激烈，有相同競品，但還沒有出現巨頭，但同行已出現領先者; 2、公司的目標：2年內不考慮盈利?！ 』谝陨隙喾N影響因素，可以得到當前最高優先級的目標：快速增長用戶，覆蓋市場?? ? ?關鍵數據指標? ? ?圍繞這個目標，現在開始通過多種因素解構目標，獲得關鍵數據指標?！ ?、初生期的產品： 關鍵點：用戶的反饋，滿足需求，提升用戶滿意度 關注數據指標：用戶的留存、活躍、反饋、用戶畫像(忠實用戶、流失用戶、一般用戶)的特點與需求分析; 2、O2O 電商平臺類： 關鍵點：產品類型決定了產品的重點服務對象，O2O電商是線下業務很重的產品。在產品的初期階段，首先要服務好商家，積累商家資源，商家有單子才愿意持續在上面提供更多服務;然后是C端引流，增加C端用戶量 關注數據指標：商家用戶的訂單量、接單率、客單價、哪些商家訂單量最高、哪種類型的商家最受歡迎?！ ?、產品的定位與用戶群體 關鍵點：從產品的定位上可以知道主要針對的白領用戶，提供高端餐飲服務。這決定了產品的架構、設計，全都是針對白領的高端服務，用戶類型當中尤其關注白領用戶 關注數據指標：白領用戶的行為特征：喜歡的商品類型、客單價，不同忠誠度的用戶特征?！ ?、市場競爭環境 關鍵點：由于市場有存在領頭者，已經有借鑒對象，意味著已經有可參考的數據指標借鑒，受此影響試錯的成本相對降低?！ ￡P注數據指標：借鑒競爭對手的數據標準。(日活，次日留存、客單價、月訂單量、覆蓋商家數量)等?
? ? ? ?數據指標服務于產品的目標
沒有目標，制定的產品的數據指標不會合理。而這個產品目前最重要的目標是服務好用戶，快速增長用戶。所以對于用戶的數據分析是最重要的?！ 』谀繕?、起點、途徑的思路，我們再轉移視角，看一下常常用來當作數據分析中的案例電商購買流程的漏斗模型，常規電商的用戶購買邏輯是這樣的： “ 商品列表瀏覽 → 商品詳情查看 → 確認訂單 → 支付 → 結束 ” 假設在產品初期，沒多少用戶量。我們觀測到整個流程當中的關鍵轉化率數據：列表轉詳情頁(80%)，詳情轉訂單(70%)，訂單轉支付(20%)。但這個時候，我們的關鍵目標并不在于購買流程的轉化率，而是增加大量商家、有更多的商品可選擇，所以我們不會把時間浪費到這上面的頁面的轉化，因為產品初期用戶量很小，還有很多環節需要做事情，但訂購流程至少已經跑通了。? 假設在產品中期，有一定用戶量。我們觀測到整個流程當中的關鍵轉化率數據：列表轉詳情頁(80%)，詳情轉訂單(70%)，訂單轉支付(20%)。這個時候的關鍵問題并不在前面階段的轉化率，而是訂單轉支付的環節轉化率偏低，那我們的此時重點目標會先提升訂單轉支付的轉化率。這時候會專門研究訂單頁的相關數據指標(頁面瀏覽時間、用戶操作行為)等等。? 再假設處于產品成熟期，我們觀測到整個流程當中的關鍵轉化數據:列表轉詳情頁(80%)，詳情轉訂單(70%)，訂單轉支付(20%)，這些數據經多位前任產品經理調到了較成熟狀態。這個時候我們會更詳細關注每個階段的詳細數據，不斷的做小更改，做測試、優化。這時候某個流程上能提升1%，將給公司帶來的巨大效益。? 確立了以上的基礎思路后，再來想如何提升數據分析的能力和敏感度。每天第一件事看數據，跟數據打交道，關注異常，才能掌握數據的敏感度。常講深挖數據，背后是一個人深度思考的能力，我發現這件事說簡單也復雜，流程是：遇到異常數據、問為什么、假設、推演、細分數據。至于細分數據，就是圍繞不同的維度來觀測數據，比如不同忠誠度的用戶的分析，比如基于購買流程的維度分析，窮盡各種細粒度的維度可以得到不同的數據結果。?
