数据分析实战:如果我为共享单车类产品做数据分析
很多人都在问:如何提高数据分析能力?笔者认为一方面要掌握基本的分析框架和分析思路,另一方面就要不断实践。一种很好的实践方式就是:分析行业内典型产品的设计、运营思路,假设自己就是该公司的数据产品经理,你会如何对其进行分析。
前一阵在“在行”上就遇到一个案例,学员想了解共享单车类产品的数据分析思路,本文就针对这个案例整理一二,供读者参考。如果读者中有摩拜或ofo的同学,麻烦帮我参谋下思路是否靠谱哈。
步骤一:明确用户是谁
以摩拜为例,其产品可能的目标用户有2类:用车方、维护方。用车方就是车辆使用者,维护方则是车辆提供者。用车方的诉求是随时随地有车骑,且付费后骑行体验要良好。维护方的诉求则是以最少的车辆服务最多的用车方,并从用车中得到收益。
步骤二:明确用户使用场景
从维护方角度看,其简单场景如下图:
从用车方角度看,其场景如下图:
明确使用场景、使用流程的原因在于:第一,我们的数据都来源于这些场景中;第二,我们需要通过分析这些数据,让用户每一步过程都顺利进行,避免流失;第三,还要让企业利益最大化,从而进一步让利用户。
步骤三:明确分析目标
经过人群定义和流程梳理,针对共享单车,我们可简单将分析目标定义为:
提高成功骑行次数——用户利益最大化
提高毛收入——企业利益最大化
步骤四:拆解目标
数据分析的思路就是将目标层层拆解,从每个子指标中发现问题。基于以上目标,可拆解为:
成功骑行次数 = app启动次数 x 每启动扫码开锁率 x 成功开锁率 x 成功结束率
成功骑行次数 = 每人每日行程次数 x 人数
毛收入 = 充值收入 – 投入成本 = ((每充值金额 – 欠费金额) x 充值次数) – ((每车成本 + 维护费用) x 车辆数量 )
注:以上拆解因人而异,因经验而异,从不同角度可得出不同公式,具体要根据实际运营目标进行调整。
步骤五:明确数据观察者角色
拆解出的子指标,需要呈献给不同角色的人群查看,以此来进行不同维度的分析,因此在分析前也要明确这些角色,例如:
决策层:关注核心指标、交易指标、时段趋势
维护组:关注车辆状态、位置、轨迹、故障率、用户反馈
运营组:关注骑行次数、充值情况、押金情况、欠费情况、信用积分
产品组:关注骑行流程、交互路径、用户反馈
开发组:关注请求失败率、App崩溃数
步骤六:明确数据度量
依据不同角色,可将拆解出的子指标进一步汇总整合,组成不同的统计度量值。这一过程中有一点要注意:每产出一份度量值,都要给出目的。也就是说看这个度量值能得出什么结论。没有结论的数值是没有意义的。如下所示:
核心数据
评估推广效果——注册用户数
评估活跃程度——启动次数、活跃用户数
评估业务健康程度——成功骑行次数、每启动骑行率(用车密度)
评估现金流健康程度——总入账、总出账、充值金额、欠费金额、车辆总成本
评估车辆健康程度——车辆总数量、故障车数量
运营数据
评估推广效果——注册用户数、下载点击数
评估活动运营效果——充值用户数、邀请注册用户数、成功骑行次数、积分增长/消耗量
评估用户质量——行程次数排行、骑行距离排行、信用积分排行、充值排行、欠费人数、认证人数
维护数据
车辆使用总览——车辆总数+车辆位置实时呈现——未使用/使用中/故障中/预约中
评估车辆使用率——使用车辆数/总车辆数
评估车辆故障率——故障车辆数/总车辆数
评估车辆闲置率——连续N日未使用车辆数/总车辆数,以及闲置车辆位置
产品数据
评估需求满足程度/车辆调度效果——每启动骑行率
评估产品使用情况——成功骑行次数、异常骑行次数、平均骑行里程、平均骑行时长、日骑行频率、启动次数、平均骑行天数、预约操作成功率
评估产品操作效果——充值路径、注册路径
评估产品使用异常情况——平均每次开锁成功率
评估用户骑行习惯——骑行轨迹聚合,为调度路线做参考
评估用户满意度——用户反馈好评数/用户反馈数
财务数据
用户金额:充值流水、充值次数、充值金额、充押金金额、余额不足金额、押金退款金额
维修金额:车辆生产成本、车辆维修成本
注:以上数据仅为举例,要根据实际需求调整。
步骤七:明确数据维度
有了度量值,就要思考可以通过哪些维度查看这些值,也就是要定义数据维度。常见的维度包括:
按时间:小时、日、周、月、季度、年度……
按地区:按省、按市、按区……
按渠道:邀请注册、扫码注册、广告点击注册……
按类型:已认证/未认证、已充值/未充值……
按位置:GPS地图定位
以上维度也要再根据需求不断调整、扩展、优化。
总结
以上七步进行完毕,一个基本的共享单车数据分析框架就搭建完毕了。作为数据产品经理,一方面可基于此设计统计系统功能;另一方面可依此对不同人群定期产出数据分析报告了。但以上步骤只是完成了冰山一角,如何在观察数据后,对数据的变化合理归因,并对产品、运营策略的优化提出改进意见,才是真正需要深入研究的!
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14