怎么在一个表格里面生产统计表格怎么做各种产品的销售额?

作为一名产品新人,培养数据分析的思维、学习数据分析方法最重要的一点是要建立数据分析的知识体系和方法论。这两年,随着大数据、精益化运营、增长黑客等概念的传播,数据分析的思维越来越深入人心。处于互联网最前沿的产品经理们接触了大量的用户数据,但是却一直困扰于如何做好数据分析工作。那么产品经理该如何搭建自己的数据分析知识体系?数据分析的价值又在哪里?产品经理做数据分析有哪些具体的方法?又如何学习数据分析?本文将和大家分享一下这些问题。Part 1
数据分析体系:道、术、器「道」是指价值观。产品经理要想是做好数据分析,首先就要认同数据的意义和价值。一个不认同数据分析、对数据分析的意义缺乏理解的人是很难做好这个工作的。「术」是指正确的方法论。现在新兴的「Growth Hacker」(增长黑客)概念,从 AARRR 框架 ( 获取、激活、留存、变现与推荐五个环节)入手进行产品分析,这是一个非常好的分析方法。「器」则是指数据分析工具。一个好的数据分析工具应该能帮助产品经理进行数据采集、数据分析、数据可视化等工作,节省产品经理的时间和精力,帮助产品经理更好理解用户、更好优化产品。Part 2
数据分析的价值产品经理不能为了数据分析而分析,而要将落脚点放到产品和用户上。数据分析应该帮助产品经理不断优化产品设计和迭代,驱动产品和用户增长。当我们上线了一个新的产品(product)或者功能时,需要对其进行数据监控和衡量(measure)。然后从监控中采集到产品的用户行为数据(data),并对这些数据进行分析和总结(learn)。最后从分析中得出结论和观点(idea),如果数据证明我们的新产品/功能是优秀的,那么可以大力推广;如果数据说明我们的产品还存在问题,就需要对产品进行新一轮的优化(build)。在「产品——数据——结论」的不断循环中,我们不断用数据来优化我们的产品,加快产品迭代的步伐、提升用户体验。Part 3
数据分析的方法1. 流量分析a. 访问 / 下载来源,搜索词网站的访问来源,App 的下载渠道,以及各搜索引擎的搜索关键词,通过数据分析平台都可以很方便的进行统计和分析,分析平台通过归因模型判断流量来源,产品经理在分析这些流量时,只需要用自建或者第三方的数据平台追踪流量变化即可,第三方平台如 Google Analytics 、GrowingIO 等;b. 自主投放追踪平时我们在微信等外部渠道投放文章、H5 等,许多产品都会很苦恼无法追踪数据。分析不同获客渠道流量的数量和质量,进而优化投放渠道。常见的办法有 UTM 代码追踪,分析新用户的广告来源、广告内容、广告媒介、广告项目、广告名称和广告关键字。c. 实时流量分析实时监测产品的访问走势,尤其要关心流量异常值。举个例子,某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值,产品经理发现实时数据异常后迅速下线该产品修复 Bug,避免了损失扩大。2. 转化分析无论是做网站还是 App,产品里面有很多地方需要做转化分析:注册转化、购买转化、激活转化等等。一般我们借助漏斗来衡量用户的转化过程。影响转化率的因素很多,我们总结了三个大的方面:渠道流量、用户营销、网站 / APP 体验。以渠道流量为例,通过优选渠道并且量化分配我们的投放资源,可以有效提升总体的转化率。更详细的转化分析方法,可以参考我之前的这篇回答 如何提升转化率? - 张溪梦的回答 。3. 留存分析在互联网行业里,通常我们会通过拉新把客户引过来,但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。在一段时间内,对某个网站 / App 等有过任意行为的用户,称之为这个网站 / App 这段时间的活跃用户,这个任意行为可以是访问网站、打开 App 等等。现在大家经常会用到所谓的「日活」 (日活跃用户量,DAU)、「周活」 (周活跃用户量,WAU)来监测我们的网站,有的时候会看到我们的「日活」在一段时期内都是逐渐地增加的,以为是非常好的现象,但是如果没有做留存分析的话,这个结果很可能是一个错误。留存是产品增长的核心,用户只有留下来,你的产品才能不断增长。一条留存曲线,如果产品经理不做什么的话,那么用户就慢慢流失了。这是一个常见的留存曲线,我把它分成了三个部分:第一部分是振荡期,第二部分是选择期,第三部分是平稳期。从产品设计的角度出发,找到触发留存的关键行为,帮助用户尽快找到产品留存的关键节点。之前我们发现我们产品里面,使用过“新建”功能用户的留存度非常高;于是我们做了产品改进,将“新建”按钮置于首页顶部刺激用户使用,效果非常好。硅谷流行的 Magic Number(魔法数字)也是留存分析的一部分,比如 Facebook 发现「在第一周里加 10 个好友」的新用户留存度非常高。作为产品经理,我们也需要通过数据分析来不断探索我们产品里面的魔法数字,不断提高用户留存度和活跃度。更详细的留存分析方法,可以参考这篇文章 你能找到的最深入的留存分析文章 - 留存 · 增长 · Magic Number
。4. 可视化分析用户体验,是一个非常抽象的概念,我们可以对其进行形象化。目前一个普遍的方法就是对用户的数据进行可视化,以热图的形式呈现。借助热图,产品经理可以非常直观了解用户在产品上的点击偏好,检验我们的产品设计或者布局是否合理。热图的概念、原理、类型和应用,可以参考这个回答 热力图是什么原理? - 张溪梦的回答 。5. 群组分析 & 挖掘用户需求、改进及优化产品千人千面,产品经理对用户精细化的分析必不可少。不同区域、不同来源、不同平台甚至不同手机型号的用户,他们对产品的使用和感知都可能存在巨大的差异。产品经理可以对不同属性的用户进行分群,观察不同群组用户的行为差异,进而优化产品。之前我们做过一次分析,网站的总体注册转化率是 6%;但是使用 Chrome 浏览器的新用户注册转化率高达 12%,使用 IE 浏览器的新用户注册转化率才 1%。这样一分的话,问题就很明显了,极有可能是浏览器兼容性的问题,产品经理应该关注一下这个问题。详细的群组分析操作流程,可以参考这个回答 产品经理一般是怎么搜集产品不好用之处的? - 张溪梦的回答 。Part 4
数据分析的书籍做好数据分析,不是一朝一日就可以的,需要在产品规划设计、产品升级迭代中不断实践。下面的这些书籍对于产品经理学习数据分析都有一定的帮助:推荐 1: @范冰XDash 的《增长黑客》 这是国内对于增长黑客的第一本详细介绍,作者从AARRR的视角切入,描述了大量产品优化、产品增长的案例,对于产品经理非常有益。推荐 2:埃里克·莱斯的《精益数据分析》在这本书里面,作者介绍数据分析的相关指标、不同行业的数据分析要点,并且有大量的数据分析案例和翔实数据。如果想要把数据分析落地,这本书对产品经理是非常有帮助的。推荐 3:我们一直在做互联网行业数据分析知识的普及,目前我们已经做了 14 期「GrowingIO 数据分析公开课」,面向产品经理、运营等等,这里是 GrowingIO 的产品和分析师写的《互联网增长第一本数据分析手册》这里面汇编了我们一年多来数据分析、产品优化的实战案例,里面不少文章被被大号转过,例如《如何成为一个优秀的数据产品经理》等等。下载电子版的分析手册,请参考这里 互联网增长的第一本数据分析手册 。推荐 4:埃里克·莱斯的《精益创业》作者提出了最小可行性产品(MVP)、小步快跑,快速迭代等产品设计和优化的理念,影响深远。
结语数据分析是一门多学科、多领域的交叉学问,涉及到的东西非常多。产品经理要想做好数据分析,应该有一套完整的思维体系,在价值观、方法论和工具三个层面上储备相关知识。同时立足于产品和用户,用数据来打磨产品,用数据来检验迭代,不断提升用户体验。注:本文中热图、实时等产品功能均来自 GrowingIO 官网 硅谷新一代数据分析产品 。
示例统计销售榜品牌及销售额importpandas as pdimportnumpy as npimportosos.chdir('F:\\50mat\源数据1000张表格')name= '户外服装&滑雪衣.xlsx'df=pd.read_excel(name)df.head()打印结果日期转化率访客数三级类目客单价品牌02019-080.036466837滑雪衣3887.646034品牌-512019-080.0061109951滑雪衣1890.920192品牌-722019-080.00827911067滑雪衣1001.541028品牌-1932019-080.00364725296滑雪衣986.192182品牌-1742019-080.0060125053滑雪衣2818.957816品牌-14df['日期'].unique()打印结果array(['2019-08', '2019-07', '2019-06', '2019-05', '2019-04', '2019-03','2019-02', '2019-01', '2018-12', '2018-11', '2018-10', '2018-09'],dtype=object)一:操作单表销售额df['销售额'] = df['访客数'] * df['转化率'] * df['客单价']df.head()打印结果日期转化率访客数三级类目客单价品牌销售额02019-080.036466837滑雪衣3887.646034品牌-5118657.89812712019-080.0061109951滑雪衣1890.920192品牌-7114977.89892022019-080.00827911067滑雪衣1001.541028品牌-1991761.54004932019-080.00364725296滑雪衣986.192182品牌-1790969.93509142019-080.0060125053滑雪衣2818.957816品牌-1485634.834594二:汇总销售额#汇总销售额df_sum= df.groupby('品牌')['销售额'].sum().reset_index()df_sum.head()打印结果品牌销售额0品牌-15.479539e+061品牌-102.913271e+062品牌-112.298716e+063品牌-122.821199e+064品牌-133.256508e+06添加行业标签#添加行业标签df_sum['行业'] = name.replace('.xlsx','')df_sum.head()打印结果品牌销售额行业0品牌-15.479539e+06户外服装&滑雪衣1品牌-102.913271e+06户外服装&滑雪衣2品牌-112.298716e+06户外服装&滑雪衣3品牌-122.821199e+06户外服装&滑雪衣4品牌-133.256508e+06户外服装&滑雪衣三:操作所有表格importtimestart=time.time()result=pd.DataFrame()for name inos.listdir():df=pd.read_excel(name)df['销售额'] = df['访客数'] * df['转化率'] * df['客单价']df_sum= df.groupby('品牌')['销售额'].sum().reset_index()df_sum['行业标签'] = name.replace('.xlsx','')result=pd.concat([result,df_sum])final= result.groupby('品牌')['销售额'].sum().reset_index().sort_values('销售额', ascending =False)end=time.time()print('操作用时:{}s'.format(end-start))操作用时:6.295360088348389s#将科学计算法,改为两位小数pd.set_option('display.float_format', lambda x :'%.2f' %x)print(final.head())final.describe()打印结果品牌 销售额15 品牌-5 1226223640.738 品牌-17 1195280571.602 品牌-11 1151829215.734 品牌-13 1150687029.663 品牌-12 1143519788.23销售额count20.00mean1084854125.76std63774592.90min979272391.6125%1050719265.6650%1071804742.9475%1118990465.22max1226223640.73七:数据分析模型#表格处理示例:销售榜品牌及销售额importpandas as pdimportnumpy as npimportosimporttimeos.chdir('F:\\50mat\源数据1000张表格')name= '户外服装&滑雪衣.xlsx'df=pd.read_excel(name)result=pd.DataFrame()for name inos.listdir():df=pd.read_excel(name)df['销售额'] = df['访客数'] * df['转化率'] * df['客单价']df_sum= df.groupby('品牌')['销售额'].sum().reset_index()df_sum['行业标签'] = name.replace('.xlsx','')result=pd.concat([result,df_sum])final= result.groupby('品牌')['销售额'].sum().reset_index().sort_values('销售额', ascending =False)#将科学计算法,改为两位小数pd.set_option('display.float_format', lambda x :'%.2f' %x)print(final.head(10))加油:一只阿木木

我要回帖

更多关于 生产统计表格怎么做 的文章

 

随机推荐