其实原始数据也是完全一样的

 百度处理     |      2021-10-28 15:46

  什么节点数据上升,什么节点数据下降,找出原因,形成经验,对运营人员的工作来说至关重要。

  · 通过规律反向进行数据预测。

  运营人员掌握了规律,就具备了做数据预测的基础。过往3年,国庆节期间,网站的流量都会有明显提升,那么运营人员要不要提前为每年国庆节做一些规划呢?

  · 学会对数据进行拆解。

  数据量越大、维度越多,数据越需要拆解,可以分为按照时间的拆解和按照相关性的拆解。运营人员懂得拆解数据,意味着有能力把控运营的节奏。这是需要每个从事运营工作的人注意的地方。

  运营数据分析的误区

  · 不要用单一类型的数据去评价全局。

  我们举个例子,见图6–2。

  图6–2 近三个月支付宝网站日平均访问人数Alexa排名走势

  资料来源:Alexa网站

  这是Alexa(一家专门发布网站世界排名的网站)统计的支付宝2014年4月~6月日平均访问人数的走势,我们可以通过这个数据认为支付宝的活跃用户在减少么?答案是不能。因为Alexa只统计Web端,支付宝移动端的活跃用户是否在增加呢?我们并不能从这个数据中得到答案。

  · 不要夸大偶然事件,认为带来必然结果。

  运营人员经常会发现一个活动上线之后,运营数据有很大的提升,但是,这有可能是一个偶然事件,如果你认为这样的活动形式必然对数据有所帮助,那么你需要更多的数据来佐证它,并且适时将这种活动转化为机制,如果它真的有效。

  如果你不能证明两者之间的必然性,那么就有理由怀疑,你的运营效果是其他渠道导致的。

  · 避免用结论推导原因。

  运营人员很容易犯的数据分析的错误是,发现数据增长了,然后寻找各种对数据增长可能有帮助的事件,并且将数据增长的原因归功于这些事件。

  运营人员发现数据增长,或者下降,希望找出原因,最好的方式是再现。

  · 避免唯数据论。

  数据既可以说明问题,也可能遮蔽视线。数据并不能解决所有问题,它给你的是一个参考,而不是一个结论。

  运营数据说谎的手法

  想要运营数据说谎,其实很简单,在此简单地举出几种。

  · 拉伸图表。

  图6–3 当日活跃用户数(人)

  图6–4 当日活跃用户数(人)

  上面两张图,其实源数据是完全一样的,但是相同的数据却带来了不同的感受。这就是拉伸图表所带来的结果。

  · 修改坐标轴数据。

  图6–5 当日活跃用户数(人)

  图6–6 当日活跃用户数(人)

  上面两幅图表,其实原始数据也是完全一样的,但是图6–6传递的用户波动的幅度比图6–5要小得多,这得益于图表制作者使用了“对数刻度”,从而让数据的波动没有体现得那么强烈。

  · 故意选择有利的样本。

  这种情况很常见。在运营过程中,运营人员会比其他人更了解自己的用户,那么就会出现下面这种情况:

  一个电商平台要做流失用户挽回活动,运营人员要针对流失用户进行选型。这次选型有两个选择:一是“半年内未购物”的用户,二是“半年内未购物但有登录”的用户。那么,针对哪个样本选型用户的流失挽回活动效果会更好?

  毫无疑问,答案是后者,因为第一个选型样本里包含了“有登录”和“无登录”两种类型。

  很显然,如果我们单单考虑挽回流失用户的难度,对半年都没有登录的用户进行挽回,比对半年内有过登录但是没有购物的用户要难得多。

  · 样本规模差异。

  在产品的运营上,我们经常需要做一些A/B测试来验证某个功能或者设计方案哪个更好,这个时候,最容易犯的错误,也是最容易带来数据说谎结果的情况,是样本规模有差异。比如,A类选型选择了100个用户,而B类选择了1 000个用户,不管我们最终选择绝对值,还是比例,其结果都会存在巨大的误差。

  这些数据分析的误区以及数据说谎的手段,希望引起大家警惕,不要为了指标而做指标,也不要为了汇报好看而去对数据做手脚。这样的做法会逐渐积累风险,最后一发而不可收拾。

  活动数据分析样例

  图6–7是几个活动参与用户数的数据样例,让我们试着分析一下发生了什么。

  活动1是一个参与用户数缓慢上升,到达峰值后回落的活动。

  活动2是一个参与用户数有明显波动,经历“高开——稳定——冲新高——回落”的活动。

  活动3是一个参与用户数高开低走的活动。

  活动4是一个参与用户数异常稳定的活动,高峰和低谷基本处于同一水平。

  通过第1个活动的数据,我们大概可以得出以下结论:

  · 该活动提前预热不够;

  · 该活动随着时间推移,效果有明显提升;

  · 该活动开始后没有进行过任何调整(包括宣传与奖励)。

  通过第2个活动的数据,我们大概可以得出以下结论:

  · 该活动的提前预热做得很好;

  · 该活动开始后进行过调整(宣传或者奖励);

  · 该活动的奖品发放控制可能有问题,后期力量不足。

  通过第3个活动的数据,我们大概可以得出以下结论:

  图6–7

  · 该活动提前预热做得很好;

  · 该活动没有进行过任何调整(包括宣传与奖励)。

  通过第4个活动的数据,我们大概可以得出以下结论:

  · 该活动宣传不足或