00 序言

日常工作中，你是否遇到过leader派发的这些任务？

“这个功能做了有一段时间了，你来分析一下目前的现状，以及有哪些可以改进的地方？”

“我们下面希望做一些新的方向，你来从数据角度探索一下哪些方向可以做？”

类似这种工作，我们称之为「探索性分析」，也叫「进攻型分析」，即：没有先验观点，需要通过数据逐一探索。与之相反的是「防守型分析」，类似「归因分析」。

相比防守型分析，进攻型分析的方法论并没有那么成熟，网上也很少有类似的实战文章。因此，小火龙想和大家分享一些工作中所以的分析思路，核心聚焦于结论产出。当然，思路并不局限于这一种，供大家参考应用。

01 案例背景

本文的案例背景：

某搜索引擎类APP，在几个月前上线了信息流功能（类似抖音）。老板需要分析一下目前APP的现状，以及未来可以在哪些场景发力，希望你通过数据给予一定的建议。

02 大盘摸底

在分析之前，首先要摸清楚信息流功能的现状。最重要的指标是uv，因此需要将指标近期的波动进行解释，让老板有一个清晰的认知，类似下图。

除了uv这种大盘指标外，针对这个场景，还需要关注：功能**率、人均vv、人均时长、播放完成度、快滑率等核心指标。

03 人群深挖「人」

要对产品给出建议，就需要将「指标」与「维度」下钻来探索。我们常说的「人货场」则是维度下钻的三大核心方面。「人」对应的是人群挖掘，维度涵盖：年龄、性别、职业、城市等级、消费水平等。此处需要注意用户画像的覆盖比例，如果某个维度的比例很低，则失去了分析的意义。

回到案例上，针对年龄的下钻可以得到下图，数据结论为：

• 36岁以上群体占比接近70%，但相比大盘，消费规模较差（TGI<100），**上有较大提升空间。

同时，可以将用户属性交叉分析，宏观了解目前功能的用户情况，如下图：

04 内容深挖「货」

「货」指的是对于内容分类的挖掘，维度涵盖：内容一级品类、内容二级品类、内容特殊标签等。在实战探索中，内容拆解经常由粗至细，逐步深挖，直至得出结论，类似下图：

回到案例上，针对类目消费情况探索，探索的内容包含但不限于“是否存在覆盖量级较大，且消费质量较差品类”，如下图：

数据结论为：

• 旅游品类覆盖人数较多，但消费深度及消费质量较差；音乐品类消费深度较好，但消费质量较差。以上两个品类需进一步下钻聚焦。

同时可以筛选核心指标，结合气泡图进行聚类分析：

内容下钻，往往伴随着核心维度的组合，这个在下面会提及。

05 场景深挖「场」

「场」指的是对于用户所处环境的挖掘，维度涵盖：小时、网络、天气等。在实战探索中，可以分析出用户在不同场景中的消费偏好。例如：用户倾向在白天看时事新闻，而在晚上看小说。

回到案例上，针对小时的下钻可以得到的数据结论：

• 用户在工作时间（10-11点、14-17点）消费较弱，需结合内容，判断在工作时间适合推给用户的内容。

06 交叉深挖「人货场结合」

要得出产品测的结论，「人货场」的交叉分析是必不可少的。一般情况，宏观的概括性数据很难得出决策性的结论，需要聚焦到某个细分领域上。

回到案例上，针对类目与年龄的交叉数据，各年龄段在类目上的消费倾向分布（越绿代表当前类目越偏向该用户群，类似TGI）：

从以上可以得出的结论：

• 知识品类年龄越大，消费越充足；明星、运动品类，年龄越小，消费越充足。

• 年长群体的兴趣分布相比年轻群体更广。（绿色占比越多，说明在多个品类都更加偏向，兴趣更为广泛）

07 结论输出

当做完完整分析后，需要将核心结论抽取出来，结论一般从三个方向产出，同时附上案例：

• 事前 – 现状描述：目前信息流uv天均xxx，近30日较为稳定。

• 事中 – 改进点结论：通过分析，其中旅游和音乐类目有较大提升空间，在晚上推送给女性群体，有较好效果。具体结论需要后续结合AB实验给出。

• 事后 – 改进的效果：在改进了旅游和音乐类目后，截止六月，信息流uv预计提升5pp。

08 内容所以

以上就是一个完整探索性分析的核心思路。当然，真实的情况，肯定远比上面的流程复杂，同时，也会走很多弯路，做很多无用的工作。曾经，小火龙做一个探索性分析花费了一周左右的时间，excel产出20+sheet，最后得出5个左右核心结论。相信大家也一样，只要能得到1-2个对产品有推动作用的结论，都会很有成就感。