제품 운영에 대한 데이터 분석이란 무엇입니까? 어떤 도구가 필요합니까?

제품 운영에 있어 데이터 분석에서 가장 중요한 것은 데이터 분석에 대한 사고력, 데이터 분석 방법을 터득하고 데이터 분석 도구를 사용할 수 있는 능력이다. 다음으로 이 세 가지 측면에 대해 설명하겠다. 당신에게 하나씩! 유용한 정보가 많기 때문에 먼저 읽어보는 것이 좋습니다. 제품 운영자로서 데이터 분석 사고를 고려해야 합니다. 데이터의 본질적인 가치는 무엇인가? 이 데이터에서 무엇을 배울 수 있나요? 우리에게 무엇을 하도록 인도해 주실 수 있나요? 엄청난 양의 데이터에 직면하여 많은 제품 운영자는 어떻게 준비하고, 어떻게 실행하고, 어떻게 결론을 도출해야 하는지 모릅니다. 다음은 데이터 분석을 수행할 때 고전적인 5단계 접근 방식을 소개합니다. 첫 번째 단계는 비즈니스 의미를 파헤치고 데이터 분석과 연관시키려는 비즈니스 시나리오의 배경, 전제 및 결과를 이해하는 것입니다. 두 번째 단계는 분석 계획, 장면 분할 방법, 추론 방법을 수립하는 것입니다. 세 번째 단계는 분석 계획에서 필요한 데이터를 분리하고 분석 자체를 실제로 구현하는 것입니다. 네 번째 단계는 데이터 결과로부터 비즈니스 인사이트를 판단하고 추출하는 것입니다. 다섯 번째 단계는 데이터 결과에서 얻은 통찰력을 바탕으로 비즈니스 의사결정을 내리는 것입니다. 예: 국내 인터넷 금융 관리 웹사이트의 경우 마케팅 부서에서는 웹페이지 트래픽을 유도하기 위해 Baidu 및 hao123에 광고를 계속했습니다. 최근 내부 동료들은 트래픽을 늘리기 위해 Shenma 모바일 검색 채널을 출시할 것을 제안했으며, 심층적인 광고를 위해 Kingsoft Network Alliance에 가입할지 여부도 평가해야 합니다. 이 다중 채널 제공 시나리오에서 심층적인 결정을 내리는 방법은 무엇입니까? 위의 비즈니스 데이터 분석 프로세스의 5가지 기본 단계에 따라 이 문제를 분석해 보겠습니다. 1단계: 비즈니스에 미치는 영향을 파악합니다. 먼저, 마케팅 부서가 최적화하려는 것이 무엇인지 이해하고 이를 북극성 지표로 활용하여 측정해야 합니다. 채널 효과 평가에서 가장 중요한 것은 비즈니스 전환입니다. P2P 웹사이트의 경우 '방문 사용자 수'보다 '투자 및 재무 관리'를 시작할지 여부가 훨씬 더 중요합니다. 따라서 Shenma 모바일 검색이든 Kingsoft 채널이든 데이터 수단을 통해 전환 효과를 측정하는 방법에 중점을 두고 있으며 전환 효과를 기반으로 다양한 채널의 운영 전략을 더욱 최적화할 수도 있습니다. 두 번째 단계는 분석 계획을 개발하는 것입니다. '투자 및 재무 관리'를 핵심 전환점으로 일정 예산을 할당해 트래픽 테스트를 실시하고, 등록 건수와 최종 전환 효과를 관찰 비교한다. 이 사람들이 반복적으로 금융 상품을 구매한 횟수를 계속 관찰하고 채널의 품질을 판단하려면 이를 기록해 두십시오. 세 번째 단계는 쿼리 데이터를 분할하는 것입니다. 분석 계획에서는 채널 트래픽을 비교해야 하기 때문에 심층 분석 및 구현을 위해서는 트래픽, 랜딩 페이지 체류 시간, 랜딩 페이지 이탈률, 웹 사이트 방문 심도, 주문 및 기타 유형의 데이터를 추적할 수 있는 다양한 채널이 필요합니다. 네 번째 단계는 비즈니스 통찰력을 개선하는 것입니다. 데이터 결과를 바탕으로 Shenma Mobile Search와 Kingsoft Network Alliance 출시 이후의 결과를 비교하고, 결과를 관찰하여 트래픽과 전환이라는 두 가지 핵심 KPI를 기반으로 비즈니스 시사점을 추론합니다. Shenma의 모바일 검색 결과가 좋지 않은 경우 해당 제품이 모바일 고객 그룹에 적합한지 여부를 고려하거나 랜딩 페이지의 성능을 주의 깊게 관찰하여 최적화할 수 있는 콘텐츠가 있는지 등을 살펴보고 비즈니스 통찰력을 찾을 수 있습니다. 다섯 번째 단계는 비즈니스 결정을 내리는 것입니다. 데이터 통찰력을 바탕으로 채널 의사 결정을 안내합니다. 예를 들어 Shenma 채널 출시를 중단하고 Kingsoft Network Alliance에 대한 평가를 계속 진행하거나 모바일 랜딩 페이지를 최적화하고 사용자 운영 전략을 변경하는 등의 작업을 수행합니다. 데이터 분석을 할 때마다 제품 운영은 이 5단계를 참조할 수 있습니다. 둘째, 데이터 분석 방법 여기서는 기본적으로 중급 제품 운영자에게 이 8가지 방법을 익히는 것으로 충분합니다. 우리는 전자상거래 웹사이트를 예로 들어 데이터 분석 제품인 GrowingIO를 사용하여 웹사이트에 데이터를 신속하게 수집하고 명확하며 시각적으로 표시한 다음 이러한 8가지 일반적인 데이터 분석 방법을 공유합니다. 1. 숫자와 추세 숫자와 추세를 보는 것은 데이터 정보를 표시하는 가장 기본적인 방법입니다. 데이터 분석에서는 직관적인 수치나 추세 차트를 통해 시장 동향, 주문 건수, 실적 완료 등을 빠르게 파악할 수 있어 데이터 정보를 직관적으로 흡수할 수 있어 의사결정의 정확성과 실시간성에 기여합니다. 전자상거래 웹사이트에서 트래픽은 매우 중요한 지표입니다. 위 사진에서는 웹사이트의 사용자 수(UV), 페이지 조회수(PV) 등의 지표를 통합 데이터 대시보드(Dashboard)에 모아 ​​실시간으로 업데이트했습니다. 이러한 데이터 대시보드를 통해 핵심 수치와 추세를 한눈에 확인할 수 있습니다. 2. 차원 분해 단일 숫자나 추세가 너무 거시적일 경우, 보다 정제된 데이터 통찰력을 얻기 위해 데이터를 다양한 차원으로 분해해야 합니다. 차원을 선택할 때 해당 차원이 분석 결과에 미치는 영향을 신중하게 고려해야 합니다. 예를 들어, 비정상적인 웹 사이트 트래픽이 감지되면 지역, 접속 소스, 디바이스, 브라우저 등의 차원을 분할하여 문제를 찾을 수 있습니다. 그림 7을 보면, 그날 웹사이트를 방문한 사용자 수가 지난주보다 훨씬 많아졌습니다. 그 이유는 무엇입니까? 트래픽을 접속 소스에 따라 차원적으로 분할해 보면(그림 9), 직접 접속 소스에 대한 방문 횟수가 크게 증가한 것을 어렵지 않게 발견할 수 있어 문제가 더욱 집중됩니다. 3. 사용자 세분화: 특정 행동이나 배경 정보를 충족하는 사용자를 분류하는 것은 우리가 자주 이야기하는 사용자 세분화 방법입니다. 또한 해당 사용자 그룹에 대한 특정 정보를 정제하여 사용자 그룹의 초상화를 만들 수도 있습니다. 예를 들어, 쇼핑 웹사이트를 방문하고 배송 주소가 베이징에 있는 사용자는 "베이징" 사용자 그룹으로 분류될 수 있습니다.

"베이징" 사용자 그룹의 경우 제품 구매 빈도, 카테고리 및 시간을 추가로 관찰하여 이 사용자 그룹의 초상화를 만들 수 있습니다. 데이터 분석에서 우리는 특정 행동과 배경을 가진 사용자를 대상으로 사용자 타겟팅 작업과 제품 최적화를 수행하는 경우가 많으며 그 효과는 더욱 분명해집니다. 위 사진에서는 GrowingIO의 사용자 그룹화 기능을 이용하여 프로모션 이벤트 기간 중 결제에 실패한 사용자를 선별한 후, 해당 쿠폰을 푸시합니다. 이러한 정확한 마케팅과 프로모션은 사용자의 결제 의향과 판매액을 크게 높일 수 있습니다. 4. 전환 유입 경로 대부분의 상업적 수익화 프로세스는 유입 경로로 요약될 수 있습니다. 유입경로 분석은 등록 전환 유입경로이든 전자상거래 주문 유입경로이든 가장 일반적인 데이터 분석 방법 중 하나입니다. 유입경로 분석을 통해 처음부터 끝까지 사용자 전환 경로를 복원하고 각 전환 노드의 효율성을 분석할 수 있습니다. 그중 우리는 종종 세 가지 핵심 사항에 중점을 둡니다. 첫째, 처음부터 끝까지 전체 변환 효율성은 무엇입니까? 둘째, 각 단계의 전환율은 얼마인가? 셋째, 가장 많이 손해를 보는 단계는 무엇이며 그 이유는 무엇인가? 이탈한 사용자는 어떤 특성을 충족합니까? 위 그림의 등록 과정은 3단계로 나누어져 있으며 전체 전환율은 45.5%입니다. 즉, 1,000명의 사용자가 등록 페이지를 방문했고 그 중 455명이 성공적으로 등록을 완료했습니다. 그러나 2단계의 전환율이 56.8%로 1단계의 전환율 89.3%, 3단계의 89.7%에 비해 현저히 낮은 것을 어렵지 않게 찾아볼 수 있다. 두 번째 단계의 등록 과정에 문제가 있습니다. 분명히 두 번째 단계는 개선의 여지가 가장 크며 투자 수익률도 확실히 낮지 않습니다. 등록 전환율을 높이려면 두 번째 단계를 우선시해야 합니다. 5. 행동 궤적: 사용자 행동을 진정으로 이해하려면 행동 궤적에 주의를 기울이세요. 데이터 지표 자체는 실제 상황을 추상화한 것일 뿐인 경우가 많습니다. 예를 들어 웹사이트 분석이 사용자 수(UV), 페이지 조회수(PV)와 같은 지표만 보면 어떻게 되는지 완전히 이해할 수는 없습니다. 사용자가 귀하의 제품을 사용합니다. 빅데이터를 사용하여 사용자의 행동 궤적을 복원하면 성장 팀이 사용자의 실제 경험에 주의를 기울이고 특정 문제를 발견하며 사용자의 사용 습관을 기반으로 제품을 설계하고 콘텐츠를 제공하는 데 도움이 됩니다. 위 그림은 공식 웹사이트에서 랜딩 페이지, 제품 세부 정보 페이지, 마지막으로 공식 웹사이트 홈페이지로 돌아가는 전자상거래 웹사이트에서의 사용자의 상세한 행동 궤적을 보여줍니다. 웹사이트의 구매 전환율이 낮고, 과거 비즈니스 데이터로는 위의 사용자 행동 궤적을 분석해도 구체적인 이유를 알 수 없으며, 일부 제품 및 운영상의 문제(예: 제품이 일치하지 않는지 등)를 발견할 수 있습니다. , 따라서 의사결정의 기초를 제공합니다. 6. 유지 분석 인구통계학적 배당이 점차 사라지는 시대에 기존 사용자를 유지하는 비용은 신규 사용자를 확보하는 것보다 훨씬 저렴합니다. 모든 제품과 서비스는 모든 고객이 만족할 수 있도록 사용자 유지에 중점을 두어야 합니다. 데이터 분석을 통해 리텐션을 이해할 수 있고, 사용자 행동이나 행동그룹과 재방문 간의 상관관계를 분석하여 리텐션을 향상시킬 수 있는 방안도 찾을 수 있습니다. LinkedIn에서 그로스 팀은 데이터를 통해 신규 사용자가 들어온 후 5개 이상의 연락처를 추가하면(위 그림의 빨간색 선) 연락처를 추가하지 않은 사용자보다 LinkedIn에서의 유지율이 훨씬 높다는 것을 발견했습니다. (위 그림의 녹색 선)이 남아 있습니다. 이런 방식으로 연락처를 추가하는 것은 LinkedIn에서 신규 사용자를 유지하는 핵심 방법 중 하나입니다. 마케팅팀은 전반적인 사용자 유지에 주목하는 것 외에도 다양한 채널을 통한 사용자 유지나 다양한 유형의 콘텐츠에 매력을 느끼는 등록 사용자의 재방문율에 집중할 수 있고, 제품팀은 각각의 영향에 집중할 수 있습니다. 사용자의 재방문에 대한 새로운 기능 등은 일반적인 유지 분석 시나리오입니다. 7. A/B 테스트 A/B 테스트는 다양한 제품 디자인/알고리즘이 결과에 미치는 영향을 비교하는 데 사용됩니다. 제품 출시 과정에서 A/B 테스트는 종종 다양한 제품이나 기능 디자인의 효과를 테스트하는 데 사용됩니다. 시장과 운영에서는 A/B 테스트를 사용하여 다양한 채널, 콘텐츠 및 광고 창의성의 효과를 평가할 수 있습니다. 예를 들어, 두 가지 서로 다른 형태의 제품 상호 작용을 설계하고 실험 그룹(그룹 A)과 대조 그룹(그룹 B)의 방문 시간과 페이지 조회수를 비교하여 어떤 형태의 상호 작용이 더 효과적인지 평가했습니다. A/B 테스트를 수행하기 위해서는 두 가지 필수 요소가 필요합니다. 첫째, 테스트를 수행할 시간이 충분하고, 둘째, 데이터의 양과 데이터 밀도가 높습니다. 제품 트래픽이 충분히 크지 않으면 A/B 테스트를 통해 통계적인 결과를 얻기가 어렵기 때문입니다. LinkedIn과 같은 대기업은 매일 동시에 수천 개의 A/B 테스트를 수행할 수 있습니다. 따라서 A/B 테스트는 회사의 데이터가 클수록 더 정확하고 통계 결과를 더 빨리 얻을 수 있는 경우가 많습니다. 8. 수학적 모델링: 비즈니스 목표가 다양한 행동, 초상화 및 기타 정보와 관련된 경우 일반적으로 수학적 모델링 및 데이터 마이닝 방법을 사용하여 비즈니스 결과를 모델링하고 예측합니다. SaaS 회사로서 고객 이탈을 예측해야 할 경우 사용자 행동 데이터, 회사 정보, 사용자 초상화 및 기타 데이터를 기반으로 이탈 모델을 구축할 수 있습니다. 통계적 방법을 사용하여 일부 조합과 가중치 계산을 수행하여 사용자가 만족한 후 이탈할 가능성이 더 높은 행동을 알아보세요. 측정할 수 없으면 성장할 수 없다고 흔히 말합니다. 데이터 분석은 기업의 비즈니스 가치를 높이는 데 중요한 역할을 합니다. 물론, 순수한 이론을 익히는 것만으로는 진정한 지식을 얻을 수 없습니다. 일상 업무 및 분석 관련 프로젝트에서 데이터 분석 방법을 사용해 보면 절반의 노력으로 두 배의 결과를 얻고 더 많은 비즈니스 가치를 창출할 수 있다고 믿습니다.

셋째, 데이터 분석 도구는 제품 운영에 활용된다. 방대한 데이터 앞에서는 데이터 분석 도구가 반드시 필요하다. 과거 제품 운영에서는 일반적으로 데이터 수집, 데이터 정렬, 데이터 관점, 데이터 분석의 4단계를 거쳐 데이터 분석을 완료했습니다. 일반적으로 사용되는 도구는 다음과 같습니다. 데이터 수집: Python, Google Analytics 등 데이터 정렬: Excel, SQL 등 데이터 관점: Excel, PowerPoint 등 데이터 분석: Excel, MATLAB 등 이 과정에서 데이터 수집 , 정렬 및 관점은 기본적으로 작업에 70% 이상의 시간이 소요되므로 제한된 시간 내에 데이터 분석 작업을 완료하기 위해 가장 귀중한 데이터 분석이 압박됩니다. 제품 운영 시 데이터 분석이 크게 줄어들 수 있습니다. GrowingIO 제품 분석 차트 이제 GrowingIO 제품 분석을 통해 제품 운영자는 단순히 SDK 통합만으로 GrowingIO를 통해 다양한 시각적 차트(퍼널 분석, 추세 분석)를 사용자 정의할 수 있어 데이터 수집, 정렬 및 관점에서 많은 시간을 절약할 수 있습니다. 유통 분석, 사용자 초상화 등), 실제로 데이터 분석에 시간을 할애하고 제품 운영 데이터 분석의 진정한 가치를 발휘합니다. 제품 운영자로서 데이터 분석 사고를 갖고 데이터 분석 방법을 터득한 후에는 데이터 도구를 잘 활용하는 것도 매우 중요합니다. 이를 통해 많은 시간을 절약하고 진정한 가치를 최대한 발휘할 수 있습니다.

친구혜택 : GrowingIO 제품분석(웹사이트, 앱, 미니프로그램 지원)과 15일 이용권을 받아보실 수 있습니다. 마지막으로 지나치시면 좋아요 꼭 눌러주세요~