数据分析实战：如果我为共享单车类产品做数据分析

很多人都在问：如何提高数据分析能力？笔者（申悦）认为一方面要掌握基本的分析框架和分析思路，另一方面就要不断实践。一种很好的实践方式就是：分析行业内典型产品的设计、运营思路，假设自己就是该公司的数据产品经理，你会如何对其进行分析。

前一阵在“在行”上就遇到一个案例，学员想了解共享单车类产品的数据分析思路，本文就针对这个案例整理一二，供读者参考。如果读者中有摩拜或ofo的同学，麻烦帮我参谋下思路是否靠谱哈^_^。

步骤一：明确用户是谁

以摩拜为例，其产品可能的目标用户有2类：用车方、维护方。用车方就是车辆使用者，维护方则是车辆提供者。用车方的诉求是随时随地有车骑，且付费后骑行体验要良好。维护方的诉求则是以最少的车辆服务最多的用车方，并从用车中得到收益。

步骤二：明确用户使用场景

从维护方角度看，其简单场景如下图：

从用车方角度看，其场景如下图：

明确使用场景、使用流程的原因在于：第一，我们的数据都来源于这些场景中；第二，我们需要通过分析这些数据，让用户每一步过程都顺利进行，避免流失；第三，还要让企业利益最大化，从而进一步让利用户。

步骤三：明确分析目标

经过人群定义和流程梳理，针对共享单车，我们可简单将分析目标定义为：

提高成功骑行次数——用户利益最大化

提高毛收入——企业利益最大化

步骤四：拆解目标

数据分析的思路就是将目标层层拆解，从每个子指标中发现问题。基于以上目标，可拆解为：

成功骑行次数 = app启动次数 x 每启动扫码开锁率 x 成功开锁率 x 成功结束率

成功骑行次数 = 每人每日行程次数 x 人数

毛收入 = 充值收入 – 投入成本 = （（每充值金额 – 欠费金额） x 充值次数） – （（每车成本 + 维护费用） x 车辆数量 ）

注：以上拆解因人而异，因经验而异，从不同角度可得出不同公式，具体要根据实际运营目标进行调整。

步骤五：明确数据观察者角色

拆解出的子指标，需要呈献给不同角色的人群查看，以此来进行不同维度的分析，因此在分析前也要明确这些角色，例如：

决策层：关注核心指标、交易指标、时段趋势

维护组：关注车辆状态、位置、轨迹、故障率、用户反馈

运营组：关注骑行次数、充值情况、押金情况、欠费情况、信用积分

产品组：关注骑行流程、交互路径、用户反馈

开发组：关注请求失败率、App崩溃数

步骤六：明确数据度量

依据不同角色，可将拆解出的子指标进一步汇总整合，组成不同的统计度量值。这一过程中有一点要注意：每产出一份度量值，都要给出目的。也就是说看这个度量值能得出什么结论。没有结论的数值是没有意义的。如下所示：

核心数据

评估推广效果——注册用户数

评估活跃程度——启动次数、活跃用户数

评估业务健康程度——成功骑行次数、每启动骑行率（用车密度）

评估现金流健康程度——总入账、总出账、充值金额、欠费金额、车辆总成本

评估车辆健康程度——车辆总数量、故障车数量

运营数据

评估推广效果——注册用户数、下载点击数

评估活动运营效果——充值用户数、邀请注册用户数、成功骑行次数、积分增长/消耗量

评估用户质量——行程次数排行、骑行距离排行、信用积分排行、充值排行、欠费人数、认证人数

维护数据

车辆使用总览——车辆总数+车辆位置实时呈现——未使用/使用中/故障中/预约中

评估车辆使用率——使用车辆数/总车辆数

评估车辆故障率——故障车辆数/总车辆数

评估车辆闲置率——连续N日未使用车辆数/总车辆数，以及闲置车辆位置

产品数据

评估需求满足程度/车辆调度效果——每启动骑行率

评估产品使用情况——成功骑行次数、异常骑行次数、平均骑行里程、平均骑行时长、日骑行频率、启动次数、平均骑行天数、预约操作成功率

评估产品操作效果——充值路径、注册路径

评估产品使用异常情况——平均每次开锁成功率

评估用户骑行习惯——骑行轨迹聚合，为调度路线做参考

评估用户满意度——用户反馈好评数/用户反馈数

财务数据

用户金额：充值流水、充值次数、充值金额、充押金金额、余额不足金额、押金退款金额

维修金额：车辆生产成本、车辆维修成本

注：以上数据仅为举例，要根据实际需求调整。

步骤七：明确数据维度

有了度量值，就要思考可以通过哪些维度查看这些值，也就是要定义数据维度。常见的维度包括：

按时间：小时、日、周、月、季度、年度……

按地区：按省、按市、按区……

按渠道：邀请注册、扫码注册、广告点击注册……

按类型：已认证/未认证、已充值/未充值……

按位置：GPS地图定位

以上维度也要再根据需求不断调整、扩展、优化。

总结：

以上七步进行完毕，一个基本的共享单车数据分析框架就搭建完毕了。作为数据产品经理，一方面可基于此设计统计系统功能；另一方面可依此对不同人群定期产出数据分析报告了。但以上步骤只是完成了冰山一角，如何在观察数据后，对数据的变化合理归因，并对产品、运营策略的优化提出改进意见，才是真正需要深入研究的！