有一位朋友最近吐槽，他提交了一份7月數據分析報告給領(lǐng)導，報告里面放了很多圖表，也擺了很多數據，結果被痛批了一頓，覺(jué)得很委屈。其實(shí)，這位朋友與很多小伙伴一樣，做數據分析時(shí)，拿著(zhù)手里的數據不知道怎么分析、從什么維度分析。
今天DataHunter數獵哥就來(lái)給大家分享7種最常用的數據分析方法，讓你輕松運用數據分析解決實(shí)際工作問(wèn)題，提升核心競爭力。
一、漏斗分析法
漏斗分析法能夠科學(xué)反映用戶(hù)行為狀態(tài)，以及從起點(diǎn)到終點(diǎn)各階段用戶(hù)轉化率情況，是一種重要的分析模型。漏斗分析模型已經(jīng)廣泛應用于網(wǎng)站和APP的用戶(hù)行為分析中，例如流量監控、CRM系統、SEO優(yōu)化、產(chǎn)品營(yíng)銷(xiāo)和銷(xiāo)售等日常數據運營(yíng)與數據分析工作中。
例如：Data Analytics為網(wǎng)站制作的“促銷(xiāo)活動(dòng)分析”
比如，對一些電商產(chǎn)品來(lái)說(shuō)，最終目的是讓用戶(hù)下單并支付，但轉化率取決于整個(gè)流程。這時(shí)，我們就可以通過(guò)漏斗模型一步一步地進(jìn)行監測。如下圖所示，我們可以監控用戶(hù)在流程中各個(gè)層級上的行為路徑，尋找每個(gè)層級的可優(yōu)化點(diǎn)。對沒(méi)有按照流程操作的用戶(hù)繪制他們的轉化路徑，找到可提升用戶(hù)體驗，縮短路徑的空間，最終提升整體轉化率。
漏斗模型除了在電商中應用的比較多以外，在落地頁(yè)、H5等也應用的比較多。我們可以反復優(yōu)化落地頁(yè)當中的圖片、文案、布局，進(jìn)一步的提高整體轉化率。
二、留存分析法
留存分析法是一種用來(lái)分析用戶(hù)參與情況和活躍程度的分析模型，考察進(jìn)行初始行為的用戶(hù)中，有多少人會(huì )進(jìn)行后續行為。從用戶(hù)的角度來(lái)說(shuō)，留存率越高就說(shuō)明這個(gè)產(chǎn)品對用戶(hù)的核心需求也把握的越好，轉化成產(chǎn)品的活躍用戶(hù)也會(huì )更多，最終能幫助公司更好的盈利。
這里需要注意的是，在做留存分析之前，我們首先需要了解用戶(hù)留存的特點(diǎn)：
比如，我們可以通過(guò)觀(guān)察不同時(shí)間段用戶(hù)留存的情況，通過(guò)對比各個(gè)渠道、活動(dòng)、關(guān)鍵行為的用戶(hù)后續留存變化，發(fā)現提升用戶(hù)留存率的影響因素，例如觀(guān)察領(lǐng)取過(guò)優(yōu)惠券的用戶(hù)留存率是否比沒(méi)有領(lǐng)取優(yōu)惠券的用戶(hù)留存率更高。
除此以外，還可以針對流失高/留存高的用戶(hù)群組進(jìn)行一對一的用戶(hù)行為分析，統計留存/流失用戶(hù)的行為特征，特別是針對流失用戶(hù)，通過(guò)流失用戶(hù)的行為分析總結流失原因，從而提升留存率。具體步驟如下圖所示：
三、分組分析法
分組分析法是根據數據分析對象的特征，按照一定的標志（指標），把數據分析對象劃分為不同的部分和類(lèi)型來(lái)進(jìn)行研究，以揭示其內在的聯(lián)系和規律性。
分組的目的就是為了便于對比，把總體中具有不同性質(zhì)的對象區分開(kāi)，把性質(zhì)相同的對象合并在一起，保持各組內對象屬性的一致性、組與組之間屬性的差異性，以便進(jìn)一步運用各種數據分析方法來(lái)揭示內在的數量關(guān)系，因此分組法必須與對比法結合運用。
如圖所示，分組分析在日常工作中應用的比較多的是用戶(hù)分層與分群，比如在發(fā)優(yōu)惠券的時(shí)候，可以通過(guò)紅包，滿(mǎn)減，限時(shí)券還有積分券等方式。我們可以針對不同的用戶(hù)發(fā)送不同的優(yōu)惠券以達到精細化運營(yíng)的效果。那么當我們在做數據分析時(shí)，也可以從結果將用戶(hù)進(jìn)行分層來(lái)進(jìn)行判斷，這時(shí)同樣也可以得到優(yōu)化和改進(jìn)業(yè)務(wù)的建議。
說(shuō)了完用戶(hù)分層，接下來(lái)我們說(shuō)說(shuō)用戶(hù)分群。用戶(hù)分群和用戶(hù)分層其實(shí)是相關(guān)聯(lián)的，用戶(hù)分群是對用戶(hù)分層的補充，當用戶(hù)差異性較大，層級上不能再做用戶(hù)細分時(shí)，可以考慮將同一個(gè)分層內的群體繼續切分，滿(mǎn)足更高的精細化運營(yíng)需要。
例如：Data Analytics制作的“客戶(hù)RFM群體分析”
RFM模型是客戶(hù)管理中的一個(gè)經(jīng)典方法，它用以衡量消費用戶(hù)的價(jià)值和創(chuàng )利能力，是一個(gè)典型的用戶(hù)分群。它依托收費的三個(gè)核心指標：最近一次消費時(shí)間（Recency）、消費頻率（Frequency）和消費金額（Monetary）。
消費金額Monetary：衡量用戶(hù)對企業(yè)利潤的貢獻，消費金額越高的用戶(hù)，價(jià)值也就越高。
消費頻率Frequency：衡量用戶(hù)的忠誠度，是用戶(hù)在限定的期間內購買(mǎi)的次數，最常購買(mǎi)的用戶(hù)，忠誠度也越高。
最近一次消費時(shí)間Recency：衡量用戶(hù)的流失，消費時(shí)間越接近當前的用戶(hù)，越容易維系與其的關(guān)系。1年前消費的用戶(hù)價(jià)值肯定不如一個(gè)月才消費的用戶(hù)。
四、矩陣分析法
矩陣分析法是指根據事物（如產(chǎn)品、服務(wù)等）的兩個(gè)重要屬性（指標）作為分析的依據，進(jìn)行分類(lèi)關(guān)聯(lián)分析，找出解決問(wèn)題的一種分析方法，也稱(chēng)為矩陣關(guān)聯(lián)分析法，簡(jiǎn)稱(chēng)矩陣分析法。
矩陣關(guān)聯(lián)分析法在解決問(wèn)題和資源分配時(shí)，可以為決策者提供重要參考依據——先解決主要矛盾，再解決次要矛盾，這樣有利于提高工作效率，并將資源分配到最能產(chǎn)生績(jì)效的部門(mén)、工作中，最終有利于決策者進(jìn)行資源優(yōu)化配置。
比如在電商行業(yè)，我們可以使用瀏覽量和加購數這兩個(gè)維度來(lái)進(jìn)行矩陣分析，如圖所示，左上角的是瀏覽量低的，然后加購次數多的，這說(shuō)明產(chǎn)品其實(shí)是有很大潛力的，這時(shí)需要將這部分產(chǎn)品放在更好的位置讓給用戶(hù)進(jìn)行瀏覽；右下角的瀏覽量高，但加購數低的，說(shuō)明這個(gè)時(shí)候他的資源位置是好的，但是用戶(hù)對這部分的產(chǎn)品并不感興趣的，我們就需要對其進(jìn)行相應的位置調整。
五、關(guān)聯(lián)分析法
關(guān)聯(lián)分析法是一種簡(jiǎn)單、實(shí)用的分析技術(shù)，是指從大量數據集中發(fā)現項集之間的關(guān)聯(lián)性或相關(guān)性。若兩個(gè)或多個(gè)變量的取值之間存在某種規律性，就稱(chēng)為關(guān)聯(lián)。關(guān)聯(lián)可分為簡(jiǎn)單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián)等。
關(guān)聯(lián)分析的一個(gè)典型例子是購物籃分析。該過(guò)程通過(guò)發(fā)現顧客放入其購物籃中的不同商品之間的聯(lián)系，分析顧客的購買(mǎi)習慣。通過(guò)了解哪些商品頻繁地被顧客同時(shí)購買(mǎi)，幫助零售商制定營(yíng)銷(xiāo)策略。其他的應用還包括價(jià)目表設計、商品促銷(xiāo)、商品的排放和基于購買(mǎi)模式的顧客劃分。
可從數據庫中關(guān)聯(lián)分析出形如'由于某些事件的發(fā)生而引起另外一些事件的發(fā)生'之類(lèi)的規則。如“67%的顧客在購買(mǎi)啤酒的同時(shí)也會(huì )購買(mǎi)尿布”，因此通過(guò)合理的“啤酒和尿布”的貨架擺放或捆綁銷(xiāo)售可提高超市的服務(wù)質(zhì)量和效益。
六、指標分析法
在實(shí)際工作中，當拿到一些可視化數據圖表或者是Excel表格時(shí)，我們可以直接運用統計學(xué)中的一些基礎指標來(lái)做數據分析，比如平均數、眾數、中位數、最大值、最小值等，下面我們分別來(lái)介紹：
1.平均數
平均數、也叫平均分析法，是指運用計算平均數的方法來(lái)反映總體在一定時(shí)間、地點(diǎn)條件下某一數量特征的一般水平的分析方法。平均分析法常用指標有算術(shù)平均數、調和平均數、幾何平均數、眾數和中位數等，其中最為常見(jiàn)的是算術(shù)平均數，也就是日常所說(shuō)的平均數或平均值。
平均數指標可用于對比同類(lèi)現象在不同地區、不同行業(yè)、不同單位等之間的差異程度，比用總量指標對比更具說(shuō)服力。除此以外，利用平均指標對比某些現象在不同歷史時(shí)期的變化，也更能說(shuō)明其發(fā)現趨勢和規律。
比如，汽車(chē)行業(yè)的自媒體如果想要分析數據，可從兩個(gè)方面來(lái)分析：①外部：行業(yè)內整體公眾號的平均打開(kāi)率是多少，我們距離行業(yè)平均水平相差多少，該如何去做一些優(yōu)化；②內部：針對每個(gè)月都在嘗試的各種選題和內容運營(yíng)策略，可以分析本月比上月平均打開(kāi)率又增加了多少，這個(gè)月的選題是否有一些爆款，爆款文章平均打開(kāi)率是多少，標題有什么特點(diǎn)等等。
2.眾數、中位數
眾數也就是數據中的一種代表數，它反應的是數據的一種集中程度。比如說(shuō)最佳，最受歡迎，最滿(mǎn)意都與眾數有關(guān)。眾數本質(zhì)上來(lái)說(shuō)，反映的是數據中發(fā)生頻率最高的一些數據指標，在做數據分析時(shí)，我們可以對這些數據指標提取一些共性的特點(diǎn)，然后進(jìn)行提煉和總結，然后得出一些改進(jìn)的意見(jiàn)。
中位數主要是反映的是一組數據的集中趨勢，像我們比較常見(jiàn)的正態(tài)分布，比如說(shuō)我們想去統計某市的人均收入，其實(shí)，大部分的人均收入都是在一定范圍之內的，只有少部分是處于最低的和最高的，其實(shí)這是中位數帶來(lái)的意義。
在做數據分析時(shí)，如果各個(gè)數據之間的差異程度較小，用平均值就有較好的代表性；而如果數據之間的差異程度較大，特別是有個(gè)別的極端值的情況，用中位數或眾數有較好的代表性。
3.最大（?。┲?/strong>
最大（?。┲翟谄綍r(shí)做數據分析工作時(shí)比較常見(jiàn)，只是我們沒(méi)有特別去注意。最值是作為典型代表和異常值進(jìn)行分析的，比如說(shuō)銷(xiāo)售團隊里的銷(xiāo)售冠軍，電商爆款商品等，如圖所示，我們可以將銷(xiāo)售額最大的幾款商品提出來(lái)，然后我們去總結共性，找到原因，然后復制到其他的商品，最終提高平均轉化率。
七、對比分析法
對比分析法是指將兩個(gè)或兩個(gè)以上的數據進(jìn)行比較，分析它們的差異，從而揭示這些數據所代表的事物發(fā)展變化情況和規律性。它可以非常直觀(guān)地看出事物某方面的變化或差距，并且可以準確、量化地表示出這種變化或差距是多少？對比分析法可分為靜態(tài)比較和動(dòng)態(tài)比較兩類(lèi)。
靜態(tài)比較：在同一時(shí)間條件下對不同總體指標的比較，如不同部門(mén)、不同地區、不同國家的比較、也叫橫向比較，簡(jiǎn)稱(chēng)橫比；
動(dòng)態(tài)比較：在同一總體條件下對不同時(shí)期指標數值的比較，也叫縱向比較，簡(jiǎn)稱(chēng)縱比。
這兩種方法既可單獨使用，也可結合使用。
進(jìn)行對比分析時(shí)，可以單獨使用總量指標、相對指標或平均指標，也可將它們結合起來(lái)進(jìn)行對比。比較的結果可用相對數表示，如百分數、倍數等指標。
在使用對比分析法時(shí)，需要先注意以下幾個(gè)方面：①指標的口徑范圍、計算方法、計量單位必須一致，即要用同一種單位或標準去衡量；②對比的對象要有可比性；③對比的指標類(lèi)型必須一致。無(wú)論絕對數指標、相對數指標、平均數指標，還是其他不同類(lèi)型的指標，在進(jìn)行對比時(shí)，雙方必須統一。
1.時(shí)間維度對比
同一指標在不同時(shí)間維度下的對比，如同比、環(huán)比、定基比等。同比就是與去年的同一個(gè)時(shí)間段進(jìn)行對比分析，可以是季、月、周、天；環(huán)比就是和上一個(gè)時(shí)間段來(lái)對比（也有和下一個(gè)時(shí)間段對比的，也叫后比），例如本月和上月，本周和上周對比；定基比是和某個(gè)指定的時(shí)期進(jìn)行對比分析，比如2013年每個(gè)月都和2013年1月的銷(xiāo)售額進(jìn)行對比取值。
如圖為各月銷(xiāo)售額對比，時(shí)間范圍一致（均為月匯總）、指標一致、指標含義一致、其表現的為整個(gè)企業(yè)信息，總體性質(zhì)可比。
2.空間對比
就是不同空間數據的對比，比如華北區和華南區對比，北京和上海，上海古北店和成都春熙路店進(jìn)行對比。相似空間的對比對象必須是形態(tài)上比較接近，先進(jìn)空間則是和同一種形態(tài)中的優(yōu)秀空間進(jìn)行對比，與擴大空間的對比，比如北京和全國的數據對比，北京王府井店和全北京的數據對比，和競爭對手的對比也在此列。
如圖為2018年全年各銷(xiāo)售小組銷(xiāo)售額對比，其對比的時(shí)間范圍一致、指標一致、指標含義一致、維度為各個(gè)銷(xiāo)售小組，具有相同性質(zhì)。
3.計劃對比
和計劃標準的對比是銷(xiāo)售追蹤中非常重要的一環(huán)，所有的績(jì)效考核都是計劃標準，例如銷(xiāo)售實(shí)際達成金額與銷(xiāo)售計劃達成金額對比，看銷(xiāo)售是否完成當初指定的計劃，如果沒(méi)有完成，原因在哪里。
4.與經(jīng)驗值或理論值對比
其中的經(jīng)驗標準是在大量的實(shí)踐過(guò)程中總結出來(lái)的值，而理論標準則是根據理論推斷出來(lái)的值，平均值則是某一空間或時(shí)間的平均值。如，一單一品率：所有銷(xiāo)售小票中只有一個(gè)商品的小票數量占比。參考值為小于40%，如果數據超過(guò)了40%，則需要考慮如何調整策略，幫助客戶(hù)做關(guān)聯(lián)購買(mǎi)。而參考值小于40%，就是一個(gè)理論值。
以上就是7種常見(jiàn)的數據分析方法，在不同領(lǐng)域的工作中，它們通常都是以不同的形式展現出來(lái)的，我們需要在擁有數據面前，清晰知道應用哪一個(gè)或幾個(gè)方法來(lái)分析實(shí)際問(wèn)題最為有效，結合場(chǎng)景靈活運用，沒(méi)有最好的分析方法只有最適合的。
關(guān)于 DataHunter
DataHunter 是一家專(zhuān)業(yè)的數據分析和商業(yè)智能服務(wù)提供商，注冊于2014年。團隊核心成員來(lái)自 IBM、Oracle、SAP等知名公司，深耕大數據分析領(lǐng)域，具有十余年豐富的企業(yè)服務(wù)經(jīng)驗。
DataHunter 旗下核心產(chǎn)品智能數據分析平臺 Data Analytics、數據大屏設計配置工具 Data MAX 已在業(yè)內形成自己的獨特優(yōu)勢，并在各行業(yè)積累了眾多標桿客戶(hù)和成功案例。
成立以來(lái)，DataHunter就致力于為客戶(hù)提供實(shí)時(shí)、高效、智能的數據分析展示解決方案，幫助企業(yè)查看分析數據并改進(jìn)業(yè)務(wù)，成為最值得信賴(lài)的數據業(yè)務(wù)公司。
聯(lián)系客服
