數據分析實戰：如果我為共享單車類產品做數據分析

很多人都在問：如何提高數據分析能力？筆者（申悅）認為一方面要掌握基本的分析框架和分析思路，另一方面就要不斷實踐。一種很好的實踐方式就是：分析行業內典型產品的設計、運營思路，假設自己就是該公司的數據產品經理，你會如何對其進行分析。

前一陣在“在行”上就遇到一個案例，學員想了解共享單車類產品的數據分析思路，本文就針對這個案例整理一二，供讀者參考。如果讀者中有摩拜或ofo的同學，麻煩幫我參謀下思路是否靠譜哈^_^。

步驟一：明確用戶是誰

以摩拜為例，其產品可能的目標用戶有2類：用車方、維護方。用車方就是車輛使用者，維護方則是車輛提供者。用車方的訴求是隨時隨地有車騎，且付費后騎行體驗要良好。維護方的訴求則是以最少的車輛服務最多的用車方，并從用車中得到收益。

步驟二：明確用戶使用場景

從維護方角度看，其簡單場景如下圖：

從用車方角度看，其場景如下圖：

明確使用場景、使用流程的原因在于：第一，我們的數據都來源于這些場景中；第二，我們需要通過分析這些數據，讓用戶每一步過程都順利進行，避免流失；第三，還要讓企業利益最大化，從而進一步讓利用戶。

步驟三：明確分析目標

經過人群定義和流程梳理，針對共享單車，我們可簡單將分析目標定義為：

提高成功騎行次數——用戶利益最大化

提高毛收入——企業利益最大化

步驟四：拆解目標

數據分析的思路就是將目標層層拆解，從每個子指標中發現問題?；谝陨夏繕?，可拆解為：

成功騎行次數 = app啟動次數 x 每啟動掃碼開鎖率 x 成功開鎖率 x 成功結束率

成功騎行次數 = 每人每日行程次數 x 人數

毛收入 = 充值收入 – 投入成本 = （（每充值金額 – 欠費金額） x 充值次數） – （（每車成本 + 維護費用） x 車輛數量 ）

注：以上拆解因人而異，因經驗而異，從不同角度可得出不同公式，具體要根據實際運營目標進行調整。

步驟五：明確數據觀察者角色

拆解出的子指標，需要呈獻給不同角色的人群查看，以此來進行不同維度的分析，因此在分析前也要明確這些角色，例如：

決策層：關注核心指標、交易指標、時段趨勢

維護組：關注車輛狀態、位置、軌跡、故障率、用戶反饋

運營組：關注騎行次數、充值情況、押金情況、欠費情況、信用積分

產品組：關注騎行流程、交互路徑、用戶反饋

開發組：關注請求失敗率、App崩潰數

步驟六：明確數據度量

依據不同角色，可將拆解出的子指標進一步匯總整合，組成不同的統計度量值。這一過程中有一點要注意：每產出一份度量值，都要給出目的。也就是說看這個度量值能得出什么結論。沒有結論的數值是沒有意義的。如下所示：

核心數據

評估推廣效果——注冊用戶數

評估活躍程度——啟動次數、活躍用戶數

評估業務健康程度——成功騎行次數、每啟動騎行率（用車密度）

評估現金流健康程度——總入賬、總出賬、充值金額、欠費金額、車輛總成本

評估車輛健康程度——車輛總數量、故障車數量

運營數據

評估推廣效果——注冊用戶數、下載點擊數

評估活動運營效果——充值用戶數、邀請注冊用戶數、成功騎行次數、積分增長/消耗量

評估用戶質量——行程次數排行、騎行距離排行、信用積分排行、充值排行、欠費人數、認證人數

維護數據

車輛使用總覽——車輛總數+車輛位置實時呈現——未使用/使用中/故障中/預約中

評估車輛使用率——使用車輛數/總車輛數

評估車輛故障率——故障車輛數/總車輛數

評估車輛閑置率——連續N日未使用車輛數/總車輛數，以及閑置車輛位置

產品數據

評估需求滿足程度/車輛調度效果——每啟動騎行率

評估產品使用情況——成功騎行次數、異常騎行次數、平均騎行里程、平均騎行時長、日騎行頻率、啟動次數、平均騎行天數、預約操作成功率

評估產品操作效果——充值路徑、注冊路徑

評估產品使用異常情況——平均每次開鎖成功率

評估用戶騎行習慣——騎行軌跡聚合，為調度路線做參考

評估用戶滿意度——用戶反饋好評數/用戶反饋數

財務數據

用戶金額：充值流水、充值次數、充值金額、充押金金額、余額不足金額、押金退款金額

維修金額：車輛生產成本、車輛維修成本

注：以上數據僅為舉例，要根據實際需求調整。

步驟七：明確數據維度

有了度量值，就要思考可以通過哪些維度查看這些值，也就是要定義數據維度。常見的維度包括：

按時間：小時、日、周、月、季度、年度……

按地區：按省、按市、按區……

按渠道：邀請注冊、掃碼注冊、廣告點擊注冊……

按類型：已認證/未認證、已充值/未充值……

按位置：GPS地圖定位

以上維度也要再根據需求不斷調整、擴展、優化。

總結：

以上七步進行完畢，一個基本的共享單車數據分析框架就搭建完畢了。作為數據產品經理，一方面可基于此設計統計系統功能；另一方面可依此對不同人群定期產出數據分析報告了。但以上步驟只是完成了冰山一角，如何在觀察數據后，對數據的變化合理歸因，并對產品、運營策略的優化提出改進意見，才是真正需要深入研究的！