Jtti1.14

别急着分析,先缩小问题范围

上一篇我们提到了如何描述现在的具体问题,接下去便是找到这些出现问题的原因;本文作者用缩小问题范围的方法去找到根本原因,进行分析,这样会更加的精确;我们一起来看一下。
别急着分析,先缩小问题范围

分析原因在我看来分成两个步骤。

  • 第一个步骤,缩小问题范围。问题集中在集中表现在哪个方面?
  • 第二个步骤,找到根本原因。问题究竟是什么原因导致的?.

这样说大家可能不好理解,我举一个例子。

某天,小明觉得肚子痛,医生首先要确定的是,肚子痛到底集中在哪个部位?

医生通过检查之后发现小明肚子痛实际上是胃痛,这个过程就把疼的范围从肚子缩小到了胃——这就是缩小范围。

但只知道这一步还不够,第二步医生需要解决的事情是为什么会胃痛?到底是胃溃疡,胃炎,还是其他什么什么疾病?这一步是找到根本原因。

只有完成第二步的分析完成了才能够对症下药,所以在找出原因的过程,我们需要完成上述的两个步骤。

今天呢,我先聊一下第一个步骤—— 缩小问题范围。

一、为什么要缩小问题范围

为什么我们首先要缩小问题范围,还不是直接解决问题呢?

如果你的领导布置任务的时候说:我们一要加强渠道推广,二要优化用户体验,三要加强团队建设,四要做好售后服务。

你会是什么感觉?

我们会觉得基本上这些话跟废话没有区别,这样的要求更像是一种口号,它并不能落地。

好在是商业问题是存在二八现象的。

80%的收入由20%的用户产生;尤其是游戏业务,当付费金额下降的时候,处理好高价值用户,要比整体的付费提升更加精准有效。

由于二八定律的存在,所以我们只要解决这20%,我们就能解决大部分的问题。

而且企业的资源是有限的,这个资源包括人力、资金、时间等等。

企业同时要解决问题非常的多,像上面的例子中,渠道推广、用户体验、团队建设、售后服务等都是需要解决的问题。

但解决了其中一个,就没有精力解决另一个;所以,由于资源的限制,我们需要将问题集中在。最能产生效益的事情上。

由于二八定律的存在,和资源的限制;我们集中资源做一件事,解决大部分问题——这种做法最高效的。

二、如何缩小问题范围

那么,我们究竟如何将问题缩小到一个更小的范围呢?

简单地说就是细分+对比。

如何细分?

1. 指标的组成成分的拆分

一个复杂指标无法直接影响。

专题类分析要解决的指标往往是结果指标,比如说我要解决销售额的问题。

那你不可能说销售额太低了,我们要把它做高。

这样的分析结果对于业务方来说完全是废话,销售额这个东西的决决定因素太复杂了,正是不知道该怎么做搞才找到分析师的啊。

业务方想知道的是,要做高销售额,现在最优先要解决的具体问题是什么?

所以我们要将销售额拆分成我们业务方能够理解并且能够影响的指标。

比如:

销售额=用户量×转化率×客单价

这是经典的销售额拆分方法,提高细分的指标,相比提升销售额这种复杂的指标要更容易落地。

比如最后分析发现是用户量下降导致的销售额下降,那么提升用户量,我们可以通过拉新、促活、召回;这些都有很成熟的方案,很容易落地。

拆分成不同的指标的好处也可以让业务方的分工更加明确;有些人负责提高转化率,有些人负责提高客单价。

如果每个人的最终目标都是为了提升销售额,那么就有点吃大锅饭的感觉;最后数据有提升也说不清楚,到底是你带来的,还是我带来的。

所以必须先把结果指标,拆分成可落地的细分指标。

2. 维度的拆分

第二种拆分方法是给指标加上维度,拆分不同维度下指标的表现情况。

还是以销售额举例子,我们可以将销售额这一个指标拆成不同的维度。

最常见的,并且往往第一步要做的拆分方法是以时间为维度进行拆分,比如不同日期的销售额的变化情况。

时间维度的拆分,不管对于数据异动类的分析,还是现状优化类的分析都是非常有用的。

比如异动类的分析,我们通过时间维度,可以找出数据异动究竟是突发的,还是持续性的。

如果是突发的,那么有可能是数据本身的异常、或者说出现了比较大的业务动作。

而持续性的数据变化,那么往往是业务问题,比如行业问题、竞品的影响、产品功能体验不佳等——这又可以缩小我们的问题范围。

对于现状优化类的分析,我们按照时间去拆分;往往有一些时段会高一些,有一些时段低一些;那么我们能不能看一下高的时段,他为什么高,低的时间段为什么低;从而总结出好的经验。

除了时间,我们还可以按其他维度,比如按照品类区分,看一下不同品类销售额的差别;也可以按照用户类型区分,新用户老用户,或者高价值低价值,各自的销售额有没有变化。

这里的维度可以自由发挥,但是没有业务逻辑的拆分是很难得出结论的。

什么是业务逻辑?

如果我们从时间维度发现,销售额是突然下降的,那么我们会怀疑是不是数据出问题了。

这类数据问题,可能是产品问题导致的,比如某个按钮的跳转失灵了;或者数据传输的问题,某个服务器的日志丢了。

有了这样的业务假设,我们通过APP版本、服务器地址等的维度拆分可以排查出来。

但如果数据是持续性下降的呢?这种一般都是由于业务出现了问题。

这种情况下如果你还按照APP版本、机型去拆分,基本都是做无用功,会得出一些不痛不痒的数据结果。

我们的判断是业务出了问题,那么就要按照业务问题去拆分,可以从外部到内部,先看看行业整体情况,再看内部的问题。

要做拆分找原因,必须要有业务假设;不要觉得维度拆得多就一定找的到答案,很可能只是做无用功+把问题搞复杂。

3. 流程上的拆分,漏斗

如果要指标是一个固定的流程产生的,那么我们可以用流程的拆分,最常见的就是漏斗分析;比如说我们要拆分销售额,并且发现是转化率有问题,那么我们可以继续将转化率继续拆分。

常见的,比如说用户的购买转化,需要先看到商品,然后在商品页做一定的停留,在点击购买,在支付最后支付成功。

这条链路,如果说我们发现用户在商品页的流失很高,那么也就是说明用户在商品页上存在了问题;至于为什么在商品也流失率很高,这是后续要解决的事,分析原因的第一步到这也就基本完成了。

4. 这三种方式并没有一个固定的公式

比如说在游戏的付费分析当中,如果发现付费的金额下降了,那么我们进行分析。

可以先按照组成指标拆分,人数、转化率、客单价三个指标,前两个没什么变化,客单价下降比较多。

那么我们可以继续将客单价的分布画出来,发现rmb玩家的金额在下降,那么可以基本锁定问题。

换一种思路,如果该公司日常就有将用户按照付费价值分类的做法,那么分析也可以从维度拆分。

将付费金额拆分成,普通用户付费金额+rmb玩家付费金额;这一步会找出rmb玩家付费金额的问题;再对rmb玩家付费金额做指标拆分,看看到底是人少了,还是客单价低了。

这两种方式最终得出的结论都是一样的。

5. 分析原因的核心就是拆解,但最大的问题是拆解什么

分析原因说起来很简单,通过拆分+对比就可以缩小问题范围,但拆分的最大问题在于到底按什么维度去拆。

记住一点,拆分一定要带业务逻辑。

即使是对问题完全没有头绪,只能拆分多种维度先对问题一次摸底的情况下,也要列出每个维度能验证的东西;比如我们为什么要按照时间去拆分,因为按照时间去拆分可以初步判断问题的性质。

如果是流量分析,我们可以对渠道进行拆分,因为渠道的质量不同,我们可以先对渠道分类再进行分析,结果更加精准;每一次维度的拆分一定是要解决一个问题,切忌不要盲目加维度拆解。

三、总结

本文讲了如何缩小问题的范围,当我们知道了销售额不高的原因主要是因为转化率不高之后,我们离最终优化改进已经很接近了。

我们还需要知道一件事是为什么不高;究竟是因为价格太高,还是因为产品吸引力不足?不知道这个根本原因,就无法进行下一步的优化。

下一篇会介绍如何找到根本原因,欢迎继续关注。

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。

给TA打赏
共{{data.count}}人
人已打赏
广告位招租919838898
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索