首先問個問題:男生點擊率增加,女生點擊率增加,為啥總體點擊率會減少呢?
為什麼會出現這樣的情況呢?因為我們只看數據的整體,我們往往會忽略數據內部各個部分的差異,而忽略
這些差異進行比較,就有可能造成判斷的偏差。
辛普森悖論:考察數據的整體,和考察數據的部分會得出相反的結論。
比如我們可以拆解來看:
原來:男生20人,點擊1人,女生100人,點擊99人,點擊率為20/120.
現在:男生100人,點擊6人,女生20人,點擊20人,點擊率為26/120.
因為男女之間的點擊率有較大的差異性,而且低點擊率群體的佔比增大造成了這個結果。
這就是多維度拆解分析方法。
那麼多維度拆解分析方法一般由哪幾個角度去拆解呢?
一般我們會從指標的構成和業務流程兩個角度去拆解。
還是舉個栗子來說吧
比如說有個APP 的日用戶留存率下降了5%,該怎麼分析呢?
我們就從指標的構成和業務流程兩個角度去拆解分析。
首先我們從高用戶進行細分,包括新老,渠道,活動,畫像等多個維度,然後再分析每個維度下不同用戶的次日留存率,通過這種方式來定位到導致留存率下降的用戶群體是誰。
關於指標問題,可以參考一下這張思維導圖,也可參考之前我發的大白話系列文章。
通過指標分析到目標客戶群體後,我們可以具體情況具體分析,通過參考內部-外部因素來進行分析。
內部元素:我們知道,無論是電商購買還是APP留存,都是一個漏斗模型,APP從業務分解來看,就是 新用戶 > 首頁 > 留下來/離開 這個漏斗模型。
在這個期間,會有很多因素影響著:
獲客渠道:獲客渠道質量低,活動獲取了非目標客戶
滿足要求:首頁推薦的內容不滿足用戶的需求/用戶在下載該APP後沒有找到自己滿意的內容
提活手段:簽到等提活手段沒有達到預期效果/產品使用週期率低導致大量用戶在短時間內不再使用該APP
外部因素:即為PEST分析模型
採用PEST分析(宏觀經濟環境分析),政治(政策影響)、經濟(短期內主要是競爭環境,如對競爭對手的活動)、社會(輿論壓力、用戶生活方式變化、消費心理變化、價值觀變化等偏好變化)、技術(創新解決方案的出現、分銷渠道變化等)。
看到這裡,相信你對多維度分析方法有個大概的瞭解了。
最後打個小廣告,我的微信公眾號(顧先生的數據挖掘)
喜歡的小夥伴可以關注下,你的關注是我最大的動力。