使用Analytics来适应和学习

2021年2月24日07:30:51 发表评论 55 次浏览

每个人都希望受到数据驱动这些日子。但是, 这到底意味着什么?使用经典的"人员, 流程, 技术"三角形, 很容易将技术视为成为数据驱动的最关键因素。

将技术视为成为数据驱动的最大关键是很诱人的。

将技术视为成为数据驱动的最大关键是很诱人的。

毕竟, 需要技术来捕获数据, 而实际上需要技术来访问和处理数据。但是, 这是一个扭曲的观点。单独的技术, 尤其是涉及数据的技术, 是至关重要的组成部分, 但绝不是三角形的主要部分。

实际上, 大多数分析家从另一个角度看待三角形。

大多数分析师将人视为成为数据驱动的最重要部分。

大多数分析师将人视为成为数据驱动的最重要部分。

网络分析顾问兼作家Avinash Kaushik在2006年提出了"网络分析成功的10/90规则"。简而言之, 他的理论(是对他认为过分强调分析技术的一种回应)是, 在分析上每花$ 100, 就只会在技术上花$ 10, 而在真正好的分析师身上则要花$ 90。作为对"技术就是答案"警笛声的回应, 很难与10/90规则争论。

然而, 两种观点都错过的是三角形的第三条腿:过程。要真正实现数据驱动, 人员和流程同等重要, 并且两者都胜过技术。

“人”和“过程”在成为数据驱动者方面同等重要。

"人"和"过程"在成为数据驱动的过程中同等重要。

建立和管理旨在发现, 确定优先级, 测试并根据尽可能多的假设采取行动的流程, 是真正成为数据驱动的唯一途径。数据为流程提供了动力, 但是流程实际上是使组织能够重新定向到某个点的地方, 在此点上, 每项活动都由经过验证的学习来告知。

这样的过程是什么样的?

它不需要花哨的工具, 新的员工或大量的实施时间。通过一点点规划, 对持续管理的承诺以及一些廉价甚至免费的技术, 你可以实施" A.D.A.P.T.行动和学习"过程, 如下所示。

  • 协调目标和关键绩效指标。
  • 发现整个公司的假设。
  • 评估假设和检验它们的最佳方法。
  • 优先考虑假设。
  • 测试最高优先级假设。
  • 根据结果​​采取行动-报告结果, 然后进行跟踪以确保已采取措施。
  • 为未来而学习-捕获并应用可以在整个组织中共享的更深入的学习。

该过程的核心是"假设库"-一种方法

捕获生成的每个新假设, 然后一直追踪到行动和结果。你可以将示例假设库下载为Google电子表格或Excel文件。

对齐

此过程的第一步是确保为站点确定明确的目标和关键绩效指标(KPI)。在跳过此步骤之前, 请问这些问题。

  • 我是否可以使用2到4种具体措施来衡量网站的性能?
  • 我是否已为每种措施记录了目标?

如果没有, 找出那些。我的一页优秀的KPI PDF指南可能是不错的参考。

使用这些KPI, 开发一个仪表板, 该仪表板可以根据目标进行结构化并尽可能地自动化。你不想花费有限的时间进行分析以生成定期报告。

发现

最可行的分析来自明确阐述的假设。组织中的很多人都有可能推动积极行动的假设, 即使其中很少有人认为他们的想法和问题是假设。

假设只不过是以下形式的陈述:"我相信'x'。"例如:"我认为, 我们全球导航中的"立即购买"链接"弹出"的程度不足以使使用者容易看到访客。"或者, "我相信许多访问我们网站的人只是想知道最近的商店在哪里, 而不是在网上购物。"

除了简单地收集假设之外, 还可以通过添加第二个空白声明来初步验证它们的可操作性:"如果我是对的, 我们将'x'。"第二个问题有助于最小化过于模糊的假设:"我认为我们的主页不好, "例如, 当尝试完成第二句话时, 它成为一个明显的问题:"如果我说对了, 我们将'使网站变得更好'。"

列出你自己的假设。征求他们的意见。将它们存储在可以随时添加新假设的假设库中。

评估

添加到假设库中的每个假设都需要在两个方面迅速进行评估。

  • 是否明确表达和具体?如果没有, 请向提交者澄清。有时, 作为单个假设输入的实际上是将2或3个假设汇总为一个。这需要加以解决和纠正。
  • 检验假设的最佳方法是什么?正在分析来自Google Analytics(分析)的数据?运行A / B测试?挖掘对你的站点调查的答复?看"有效的分析:使用正确的工具完成工作, "我在较早的文章中, 列出了可用于检验假设的许多不同类型的工具。

此评估是确定优先级的关键输入-既评估检验假设所需的工作量, 又考虑到有关实施该方法的可用资源的实际考虑。

优先排序

假设的优先级从来都不是完全公式化的练习。但是, 通过考虑驱动优先级的不同因素, 你可以开发一种基于公式的方法, 该方法将有前途的假设推到列表的顶部以供考虑, 并将明显的优先级推到底部。

可能包括以下因素。

  • 检验假设所需的精力和时间。
  • 对该假设的信念实际上是正确的。
  • 如果这种信念是正确的, 那么将有可能实施改变。例如, 如果假设你的主页英雄形象应该以产品为导向, 而不是以品牌为导向, 但CEO坚持认为它是以品牌为导向的, 那么可能就没有必要进行测试来证明他的错了。
  • 如果进行更改, 则可能会对业务产生预期的影响-这本质上是一个难以估计的因素。
  • 假设与你的业务目标保持一致。

测试

下一步是实际检验最高优先级的假设。由于存在该过程中的较早步骤, 因此你已经高度确信所测试的大多数假设都是可行的, 并且对测试每个假设的方法都非常了解。这样可以更有效地利用分析资源。

行为

仅仅因为分析返回可行的结果并不意味着实际上会采取措施。那么, 跟踪行动也应该是该过程的一部分, 并确定何时应该衡量该行动以量化影响-一周后, 一个月或三个月? —并衡量和报告影响。

检验的每个假设都应跟有一个问题:"除了这个集中的假设之外, 我们还能获得更深入的学习吗?"如果是这样, 应该将其捕获。

定期排定的评论

有了一个流程, 该流程可以跟踪从构思到行动, 结果以及更深入的学习的每一个想法, 因此你可以轻松地(每月或每季度)查看你对分析和已产生结果的投资。你将能够为整个组织快速总结每个阶段所获得的更深入的学习。也许最重要的是, 你将使你的公司逐渐成为真正由数据驱动的公司-提出明智而具体的问题, 然后使用可用的可用数据范围对其进行验证。

一盏木

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: