兩個案例，聊聊產品經理如何設計資料分析方案

兩個案例：廁紙使用情況摸底和銷售分析；4個步驟：確定大小維度、分析指標，然後添刪改查；簡單聊聊如何設計資料分析。

最近工作中，做了一些資料分析相關的工作，結合幾次經驗說說作為一個low逼的產品經理，怎樣設計資料分析方案。

一、資料分析的用途

目前，我能想到的用途有：摸底調研，產品優化。換句話說就是了解過去，放眼未來。

二 、設計資料分析方案的方法

在明確資料分析目的的前提下，我會按照『四步走』的思路設計資料分析的方案。

即確定三大維度、大維度拆解成小維度，小維度的分析指標，添刪改查。

確定三大維度：任何資料分析問題我都會先拆解成三個大維度：物，人，物+人，拿資訊流來說，物就是資訊，人就是分析物件（使用者/作者等），物+人就是資訊和物件之間發生的交互。大維度拆解成小維度：結合目標，分別從物，人，物+人的角度去看，你想瞭解哪些情況。還說資訊流，物的角度比如：資訊的品質分佈，時效性分佈，來源評估等，人的角度比如有：有多少使用者，使用者的活躍情況，使用者的統計特性分佈，用戶什麼時候來（來不是看，來了不一定看，看即點擊，是和資訊發生了交互）等；物加人的角度比如：不同類別的用戶愛看什麼類別的資訊，用戶在某類資訊下的轉化和核心資料表現等。小維度的分析指標：要想得到這個維度下的結論，你需要看哪些統計指標；添刪改查：根據你的目標，結合實際資源，對上述的維度和指標進行篩選，修改，補充。三、舉例說明舉例1：

對公司廁所的使用情況進行摸底

1.確定三個大維度：馬桶，職員（還有清潔工，維修工和訪客，主要使用的是職員），馬桶+職員

2. 大維度拆解成小維度：

馬桶：馬桶的數量及樓層分佈；馬桶的使用壽命分佈；馬桶常見故障問題。職員：職員的統計特徵。馬桶+職員：職員每天使用馬桶的流量分佈；員工單次使用馬桶的時間分佈。

3. 小維度的指標：

馬桶的數量及其分佈：樓層、男馬桶數量、女馬桶數量；馬桶使用壽命分佈：馬桶使用壽命，樓層，男馬桶數量、女馬桶數量；馬桶常見故障分佈：故障原因，男馬桶故障次數，女馬桶故障次數。職員的統計特徵：職員id，職員年齡，職員性別，職員平均在公司時間（工作日）；職員每天使用馬桶的流量分佈：日期，時間段（每隔15min？），男馬桶使用個數，女馬桶使用個數；員工單次使用馬桶的時間分佈：職員id，職員年齡，職員性別，日期，職員單次使用時間，使用時間長度。

4. 添刪改查

針對上述的分析，對資料進行一些修正，例如，上述的分析中男馬桶和女馬桶的類型是不一樣的（捂臉，別問我怎麼知道），是否有必要進行細化。還有上述只給出了統計指標，但並沒有給出統計方法和統計時間等。

舉例2：

我在社區門口開了個小賣部，想分析一下近一個月內各商品的銷售情況，以決定明天的進貨量（假設我每個月進一次貨）。

1.確定三個大維度：這裡也就是商品，顧客，商品+顧客。

2.大維度拆解成小維度

A.商品：

一個月內商品的周轉情況(進了多少貨，賣出了多少)；一個月內，不同商品的盈利情況；此外，我還想從局部看下每天的盈利分佈是怎樣的。（總體+局部）

B.顧客：

顧客的人口統計特徵分佈（顧客都是些什麼人）；單顧客創造的營業額、利潤分佈（顧客花多少錢，我能賺多少）；單天客流量及存取時間段的分佈（大家都什麼時候來）；

C.商品+顧客：

不同屬性的使用者，購買每類產品（零食，生鮮，日用品等）的轉化，購買數量及分佈（不同類別的人都最愛買什麼）;不同（統計特徵）屬性的使用者，不同商品類別帶來的營業額、利潤及其分佈（不同類別的人都愛買什麼，哪類人可以給我帶來最高利潤）；利潤最高的用戶，不同類別下購買時段的分佈（利潤最高的用戶，都是什麼時候來買東西）。利潤最高的用戶，購買商品的分佈（利潤最高的用戶，都愛買什麼）。

3. 小維度的指標

A.商品：

a&b的統計指標：商品ID，商品名稱，商品單價，商品大小（特大/大/中/小四檔），總進貨量，總銷售量，總營業額，總成本，總淨利潤；統計時間：近一個月，按月統計。c的統計指標：商品ID，商品名（篩選後），日期，銷售量，營業額，淨利潤；統計時間：近一個月，按天統計。

B.顧客：

a&b的統計指標：顧客ID，性別，年齡，身份，月訪問次數，月購買次數，月營業額，月利潤；統計時間，近一個月，按月統計。c的統計指標：顧客ID，日期，存取時間段，訪問次數；統計時間，近一周，按天統計。

C.顧客&商品：

a&b的統計指標：使用者屬性類別，商品類別，月訪問次數，月購買數量，月營業額，月利潤；統計時間：近一個月，按月統計。c的統計指標：使用者屬性類別，商品類別，日期，購買時間段，購買次數；統計時間，近一周，按天統計。d的統計指標：使用者屬性類別，商品類別，商品名稱，購買次數。統計時間，近一個月，按月統計。

4. 添刪改查

根據實際需求，投入產出比，優先順序等，對上述的維度進行篩選和修改；

根據業務需求，對上述維度進行補充。

例如：上述分析第三部分主要分析了高利潤用戶的特性和習慣，但對未購買的用戶，購買次數多但利潤不高的用戶分析較少。更好地滿足高利潤用戶的需求，轉化低（無）貢獻的用戶是兩種不同的思路。

總結

上述資料如果能夠結合模型和機器學習等智慧分析手段，可以分析出更多更有價值的內容。

例如不同商品間的關聯性（喜歡買A,B的人，都會喜歡買C），如不同類別用戶之間的特性，大量購買XXX保健品的使用者，一個月後都會大量購買嬰兒產品（XXX保健品為孕期的常用保健品），如時間和氣候對商品的影響，XXX季節，XXXX天氣下，XXX和XXX商品的銷量會激增。

題圖來自 Pexels ，基於 CC0 協議

本文由 @nangelC 原創發佈于人人都是產品經理。未經許可，禁止轉載

是否有必要進行細化。還有上述只給出了統計指標，但並沒有給出統計方法和統計時間等。

舉例2：

我在社區門口開了個小賣部，想分析一下近一個月內各商品的銷售情況，以決定明天的進貨量（假設我每個月進一次貨）。

1.確定三個大維度：這裡也就是商品，顧客，商品+顧客。

2.大維度拆解成小維度

A.商品：

一個月內商品的周轉情況(進了多少貨，賣出了多少)；一個月內，不同商品的盈利情況；此外，我還想從局部看下每天的盈利分佈是怎樣的。（總體+局部）

B.顧客：

顧客的人口統計特徵分佈（顧客都是些什麼人）；單顧客創造的營業額、利潤分佈（顧客花多少錢，我能賺多少）；單天客流量及存取時間段的分佈（大家都什麼時候來）；

C.商品+顧客：

不同屬性的使用者，購買每類產品（零食，生鮮，日用品等）的轉化，購買數量及分佈（不同類別的人都最愛買什麼）;不同（統計特徵）屬性的使用者，不同商品類別帶來的營業額、利潤及其分佈（不同類別的人都愛買什麼，哪類人可以給我帶來最高利潤）；利潤最高的用戶，不同類別下購買時段的分佈（利潤最高的用戶，都是什麼時候來買東西）。利潤最高的用戶，購買商品的分佈（利潤最高的用戶，都愛買什麼）。

3. 小維度的指標

A.商品：

a&b的統計指標：商品ID，商品名稱，商品單價，商品大小（特大/大/中/小四檔），總進貨量，總銷售量，總營業額，總成本，總淨利潤；統計時間：近一個月，按月統計。c的統計指標：商品ID，商品名（篩選後），日期，銷售量，營業額，淨利潤；統計時間：近一個月，按天統計。

B.顧客：

a&b的統計指標：顧客ID，性別，年齡，身份，月訪問次數，月購買次數，月營業額，月利潤；統計時間，近一個月，按月統計。c的統計指標：顧客ID，日期，存取時間段，訪問次數；統計時間，近一周，按天統計。

C.顧客&商品：

a&b的統計指標：使用者屬性類別，商品類別，月訪問次數，月購買數量，月營業額，月利潤；統計時間：近一個月，按月統計。c的統計指標：使用者屬性類別，商品類別，日期，購買時間段，購買次數；統計時間，近一周，按天統計。d的統計指標：使用者屬性類別，商品類別，商品名稱，購買次數。統計時間，近一個月，按月統計。

4. 添刪改查

根據實際需求，投入產出比，優先順序等，對上述的維度進行篩選和修改；

根據業務需求，對上述維度進行補充。

例如：上述分析第三部分主要分析了高利潤用戶的特性和習慣，但對未購買的用戶，購買次數多但利潤不高的用戶分析較少。更好地滿足高利潤用戶的需求，轉化低（無）貢獻的用戶是兩種不同的思路。

總結

上述資料如果能夠結合模型和機器學習等智慧分析手段，可以分析出更多更有價值的內容。

例如不同商品間的關聯性（喜歡買A,B的人，都會喜歡買C），如不同類別用戶之間的特性，大量購買XXX保健品的使用者，一個月後都會大量購買嬰兒產品（XXX保健品為孕期的常用保健品），如時間和氣候對商品的影響，XXX季節，XXXX天氣下，XXX和XXX商品的銷量會激增。

題圖來自 Pexels ，基於 CC0 協議

本文由 @nangelC 原創發佈于人人都是產品經理。未經許可，禁止轉載