當需要針對數據進行結果分析，但卻發現所采集的數據不全，這時候該如何補救？作者結合寶石電商項目，列舉了幾種分析思路，談談在數據不全的情況下，如何進行數據分析，一起來看看。

這是一個垂類電商網站的數據分析項目，賣石頭的，寶石！

客單價高，逢年過節客流大，主要靠回頭客。

剛接觸時，他們隻采集了5個數據：

1. 頁面浏覽；
2. 注冊按鈕點擊；
3. 購物車按鈕點擊；
4. 提交訂單按鈕點擊；
5. 結賬按鈕點擊。

萬幸，購物流程數據都被囊括進去了。

我對購物流程，做了一個漏鬥圖（當時用的數據分析工具，雖然有漏鬥功能，但沒有做好相關設置，無法使用，這裡的漏鬥隻是表現形式），數據經過脫敏和取整處理後的示意圖如下：

給剛進入數據分析領域的小夥伴解釋一下：采集了頁面浏覽，不但可以計算出漏鬥頂端的訪問次數，還可以單獨查看某個頁面的浏覽數據，也就是漏鬥底部付款成功頁的數據了。

PS：本文的後續數據都是經過脫敏和取整處理的。

雖然數據不多，但也能找到流失最大的地方了。即，漏鬥的第一步和最後一步分别隻有0.7%和0.29%，遠遠低于其他步驟，要最先分析。

你會先分析哪一個步驟呢？或者說，你彙報時，會先呈現哪部分呢？

我的選擇是先聊最後一步，差一點就能收到錢了，更讓人覺得惋惜，調整之後也更容易見效。

然後，我發現：沒有采集到付款成功頁數據≠沒有付款成功，因為訂單頁面有一個選項是貨到付款，這個數據沒有采集，隻能詢問客戶後台收款數據。（我們沒有直接查看客戶後台數據的權限，隻能用的時候，去要。）

果不其然，在線收款數據是93，比付款成功頁浏覽次數少7，而總收款數據=在線收款數據 貨到收款數據=2,200。（注：對買寶石的人而言是付款，所以網站頁面上寫的是付款；對賣寶石的人而言是收款，所以後台數據是收款）

客戶懷疑自己的在線收款系統有問題，因為在線收款數據比付款成功頁浏覽次數少。

這讓我意識到自己剛才的疏漏，最後一步不應該用付款成功頁浏覽次數，因為這個數據是刷新一下就 1，可實際并沒有付款第二次，應該用付款成功頁訪問次數才對。

查看了付款成功頁的上一個頁面時，确實有7次還是付款成功頁，這也就驗證了多出來的那部分，的确是刷新導緻的。

校準了數據後，我們調整了漏鬥數據，變成了如下樣子：

漏鬥的最後一個步驟（隻差一步就能掙錢了的地方），從結賬按鈕點擊次數到付款成功次數的比例仍舊不足64%，但已經沒有更多的數據進行分析了，隻能對這部分進行更詳細的數據采集才可能有結論。

目前隻有一個小推測，那就是快遞寶石需要特殊的保護，因此每塊售出的寶石除了運費外，還有固定百分比的保險費。

這費用是點擊結賬按鈕後才能看到的！一下子多了這麼多費用，搞不清楚狀況的人很可能就直接放棄了，還很容易覺得這個網站很坑；即便能搞清楚狀況，發現多出來的費用過高而放棄，都是很正常的。

把這些費用放在訂單頁面，可以避免搞不清狀況而放棄的情況，但似乎減免這部分費用才是最有效的。但一切都需要有了數據，或者頁面改動之後才知道。

完成數據采集并積累足夠分析的數據量需要一些時間，期間，我出于娛樂寫了一個關于這件事情的數學公式，如下：

當某訂單的（總價格-總優惠-寶石總成本-平均訂單推廣成本）＞該訂單的（總運費 總保費 總稅金）時，該訂單直接現金流大概率為正，是否可以減免運費和保費？

當某訂單的（總價格-總優惠-寶石總成本-平均訂單運營成本-平均訂單推廣成本）＞該訂單的（總運費 總保費 總稅金）時，該訂單直接收益大概率為正，是否可以減免運費和保費？

呈現在産品裡，訂單總金額超過￥1,000，免除運費或保費之一；訂單總金額超過￥2,000，免除運費和保費。

突然，背後一個響起聲音：“你這思路不錯！我們可以嘗試這樣運算一下，沒準行。”

事後，對接人告訴我，這人是大老闆，頭一次見他誇人。我同事抓住機會，吹噓起我們公司的能力有多麼強大，且被定義為數學建模能力。我陪着笑，心想：“建模個錘子！我老娘賣寶石的時候，就是這麼算的，還是在京東買東西的時候，學人家滿39免運費的思路。”就是類似這樣的寶石：

39免運費，是不是讓我暴露年齡了！現在是99免運費哈……

這個插曲使得項目進度意外加速了，但那是後話，咱們說回數據分析。

漏鬥的第一步，從訪問次數到注冊按鈕點擊次數隻有0.7%，這個數據其實不嚴謹，但很有用！

首先，已經注冊的人再次訪問，會被記錄訪問次數，但他們不需要去點擊注冊按鈕，就可以購買寶石。因此，0.7%的分母被高估了。

其次，采集的數據是注冊按鈕點擊，不是注冊成功，注冊失敗的人可能不止點了一次。因此，0.7%分子也被高估了。

再次，還是因為采集是注冊按鈕點擊，不是注冊成功，能成功做到加入購物車的人被高估了。

最後，到達網站就會被記錄訪問次數，但≠訪客真的看了網站，可能啥都沒幹就走了。

我們一條一條看！先趁着熱乎，看最後一條。

由于這個賣寶石的電商網站隻采集了5個數據：頁面浏覽、注冊按鈕點擊、購物車按鈕點擊、提交訂單點擊、結賬按鈕點擊。因此，不知道訪客是否啥都沒幹就走了，隻能退而求其次，查看根據頁面浏覽數據計算出的跳出率（Bounce Rate）。

當時，使用的工具跳出率的計算方法是：跳出率=隻記錄了着陸頁訪問的訪問次數/總訪問次數，該數據為83.5%。這一方面是采集的數據太少，訪客可能在着陸頁（即訪問的第一個頁面）上做了很多事情，隻是沒被記錄到，我們不知道；另一方面是最多隻看了着陸頁這一個頁面的訪問次數高達83.5%，這不太好說是好是壞。

進一步分析發現：50%左右的着陸頁是詳情頁，且基本上都不是新訪客。稍一打聽，發現是銷售人員微信給至少購買過一單的老主顧造成的。

當着陸頁是詳情頁時，幾乎全是老訪客，跳出率超過99%。着陸頁不是詳情頁那一半左右的情況，新老訪客約4:1，新訪客跳出率73%，老訪客跳出率48%。

先收住，現在更深入的分析，反而會讓我們看不清楚哪個問題才是更重要的。我們來看第2和第3兩條，它們都與漏鬥第二層的7,000次注冊按鈕點擊相關。這7,000次注冊按鈕點擊是6,000個訪客完成的，其中新老訪客約14:1。

第1條，漏鬥第一層的1,000,000次訪問中，有約3,200人是沒有點擊過注冊按鈕，卻提交訂單了，TA們累計訪問了約100,000次，且這些人都不是新訪客。這個網站，不注冊成功是不可能看到提交訂單按鈕的，更不可能點擊到它，被記錄數據。因此，可以斷定0.7%的分母1,000,000次訪問，至少被高估了約100,000次，即10%左右。

結合補充的一部分無需贅述的數據，我們可以總結出如下的訪客行為分析圖：

左半側起始于銷售人員把詳情頁微信給至少購買過一單的老主顧，成單率與網站本身的用戶體驗關系不大；右半側訪客的自主訪問行為，才是數據分析的重點，是網站用戶體驗提升真正能改善的部分。因此，我把右半側做了更詳細的拆解，如下圖所示：

從上到下對比左右兩側，我們會依次發現，當着陸頁不是詳情頁為大前提時：

①新訪客的跳出率更高，達到了73%

②未跳出的新訪客進行注冊的比例也僅高于5%

③加入購物車後，提交訂單的比例，新訪客40%，老訪客22.5%，新訪客更高

④提交訂單後，結賬比例，新訪客91.67%，老訪客88.9%，也是新訪客更高

⑤老訪客需要進行注冊的人，完成後續步驟的比例更高，整體上高于新訪客

⑥老訪客無需進行注冊的人，完成後續步驟的比例最低，整體上低于新訪客，甚至把老訪客這些步驟的整體完成比例拉低到了新訪客之下。

我們按順序來，解析第一個情況。拆解新訪客的着陸頁後，我發現主要是2個頁面 1類頁面，兩個分别是首頁和注冊頁，一類是活動頁，你猜哪個跳出率更高？

沒錯，就是注冊頁！它作為着陸頁時，跳出率接近95%。

當首頁和活動頁作為着陸頁的時候，跳出率都不到60%，都低于新訪客的平均跳出率73%，拖後腿的隻有一個。

換位思考一下，剛到一個不知名陌生新網站就讓你注冊，你會怎麼選呢？

追本溯源，我馬上查看了注冊頁作為着陸頁的流量來源，發現這個客戶沒有給推廣鍊接添加追蹤标記。隻能通過自動采集到的推廣平台服務器域名，推斷出是哪些推廣平台。然後，我又查看了那略高于5%的未跳出流量，是否能帶來訂單。的确不是0，但太少了。

所以，沒過過久，引流到注冊頁的推廣都停了。并且，客戶把添加推廣标記當成了第一要務，因為TA們實在受不了，不能确定某個推廣到底有多少訂單。

第二個情況，我們要先看如何能到達這個賣寶石網站的注冊頁。

主要是4種方式：

1. 直接着陸，即使沒有直接推廣注冊頁，它也可能是着陸頁；
2. 我登錄狀态的訪客，點擊購物按鈕，會跳轉到注冊頁；
3. 通過導航點擊到注冊頁；
4. 活動頁上的按鈕直接導流到注冊頁。

上面提到，注冊按鈕點擊次數7,000，點擊人數6,000。注冊頁的浏覽量高達20萬！注冊頁訪問次數高達19萬！注冊頁訪客人數17萬！注冊率（注冊按鈕點擊人數/注冊頁訪客人數）還不到3.5%！我沒覺得那個注冊流程有這麼差啊？然後，我發現了問題，沒有提出直接推廣注冊頁的數據，那可是跳出率接近95%的情況啊。

最後，我對比了一下，其它3種到達注冊頁的方式，注冊率有什麼不同。

第二種情況，從購物車跳轉過來的，注冊率85%出頭；剩餘那接近15%，下一個頁面基本都是登錄頁他們被記錄為新訪客大概率是因為換了電腦、換了浏覽器、清了浏覽器緩存或太久沒訪問等緣故，被系統記錄為了新訪客，其實是早就注冊成功過得了。

通過導航點擊到注冊頁的，注冊率接近75%。

從活動頁按鈕過來的，注冊率最高超過90%，感覺像是因為注冊領券而薅羊毛的，因為這樣注冊後，産生的訂單并不多。

并沒有更細緻的數據支持，注冊相關的分析了，隻能設計好注冊流程的埋點方案，把數據采集、積累好，再說。比注冊更複雜的，購物流程中的東西，更是如此，也隻能先采集、積累數據，再說了！

我的第一個數據分析項目，讓我明白了一個很重要的道理。即使數據不全、不準、不是100%嚴謹，也能讓你分析出來很多東西，并有效指導接下來的工作，甚至能讓你立刻止損。

本文由 @中士哥 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

該文觀點僅代表作者本人，人人都是産品經理平台僅提供信息存儲空間服務。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部