• 數據分析-PART0--數據分析綜合
• 數據分析-PART1--數據獲取和步驟
• 數據分析-PART2--10大數據分析模型
• 數據分析-PART3--數據分析常用指標
• 數據分析-PART4--數據分析方法
• 數據分析-PART5--數據分析可視化
• 數據分析-PART6--數據分析能力培養
• 數據分析-PART 7--數據分析工具網站書籍

一、數據分析模型

要進行一次完整的數據分析，首先要明確數據分析思路，如從那幾個方面開展數據分析，各方面都包含什么內容或指標。是分析框架，給出分析工作的宏觀框架，根據框架中包含的內容，再運用具體的分析方法進行分析。

數據分析方法論的作用：

• 理順分析思路，確保數據分析結構體系化
• 把問題分解成相關聯的部分，并顯示他們的關系
• 為后續數據分析的開展指引方向
• 確保分析結果的有效性和正確性

二、九大數據分析模型

1.PEST分析模型：主要用于行業分析。

1、政治環境：

包括一個國家的社會制度，執政黨性質，政府的方針、政策、法令等。不同的政治環境對行業發展有不同的影響。

• 關鍵指標：政治體制，經濟體制，財政政策，稅收政策，產業政策，投資政策，專利數量，國防開支水平，政府補貼水平，民眾對政治的參與度。

2、經濟環境：

宏觀和微觀兩個方面。

宏觀：一個國家國民收入，國民生產總值以及變化情況，以通過這些指標反應國民經濟發展水平和發展速度。

微觀：企業所在地區的消費者收入水平、消費偏好、儲蓄情況、就業程度等因素，這些因素決定著企業目前以及未來的市場大小。

• 關鍵指標：GDP及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數、居民可支配收入、失業率、勞動生產率等。

3、社會環境：

包括一個國家或地區的居民受教育程度和文化水平、宗教信仰、風俗習慣、審美觀點、價值觀等。文化水平營銷居民的需求層次，宗教信仰和風俗習慣會禁止或抵制某些活動的進行，價值觀會影響居民對組織目標和組織活動存在本身的認可，審美觀點則會影響人們對組織活動內容、活動方式以及活動成果的態度。

• 關鍵指標：人口規模、性別比例、年齡結構、出生率、死亡率、種族結構、婦女生育率、生活方式、購買習慣、教育狀況、城市特點、宗教信仰狀況等因素。

4、技術環境：

企業所處領域直接相關的技術手段發展變化，國家隊科技開發的投資和支持重點，該領域技術發展動態和研究開發費用總額，技術轉移和技術商品化速度，專利及其保護情況。

• 關鍵指標：新技術的發明和進展、折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度、國家重點支持項目、國家投入的研發費用、專利個數、專利保護情況。

2.5W2H分析模型

5W2H分析法主要針對5個W以及2個H提出的7個關鍵詞進行數據指標的選取，根據選取的數據進行分析。

3.邏輯樹分析模型

將問題的所有子問題分層羅列，從最高層開始，并逐步向下擴展。

把一個已知問題當作樹干，考慮這個問題和哪些問題有關，將相關的問題作為樹枝加入到樹干，一次類推，就會將問題擴展成一個問題樹。

邏輯樹能保證解決問題的過程完整性，將工作細化成便于操作的具體任務，確定各部分優先順序，明確責任到個人。

邏輯樹分析法三原則：

• 要素化：把相同問題總結歸納成要素
• 框架化：將各個要素組成框架，遵守不重不漏原則
• 關聯化：框架內的各要素保持必要的相互關系，簡單而不孤立

4.4P營銷理論模型

產品：

能提供給市場，被人們使用和消費并滿足人們某種需求的任何東西，包括有形產品、服務、人員、組織、觀念和它們的組合。

價格：

購買產品時的價格，包括基本價格、折扣價格、支付期限等。影響價格的主要因素有需求、成本和競爭。

渠道：

產品從生產企業流轉到用戶手上全過程所經歷的各個環節。

促銷：

企業通過銷售行為的改變來激勵用戶消費，以短期的行為促進消費的增長，吸引其他品牌用戶或導致提錢消費來促進銷售增長。

5.用戶行為模型

用戶行為指用戶為獲取、使用產品或服務才去的各種行動，首先要認知熟悉，然后試用，再決定是否繼續消費使用，最后成為產品或服務的忠實用戶。

行為軌跡：認知->熟悉->試用->使用->忠誠

6.AARRR模型

這個是所有的產品經理都必須要掌握的一個數據分析模型。

AARRR（Acquisition、Activation、Retention、Revenue、Referral）是硅谷的一個風險投資人戴維 · 麥克魯爾在2008年時創建的，分別是指獲取、激活、留存、收入和推薦。

比如游戲AARRR各階段指標

1.A（How do users find us?）DNU(日新注冊且登陸用戶數)、推廣渠道監測（成本、流量）2.A（Do users have a great first experience?）DAU（每日登陸過游戲用戶數）、日均使用時長、道具關聯分析模型3.R（Do users come back?）留存率（次日留存、7日留存、21日留存、30留存）、流失率、流失預警分析模型4.R（How do you make money?）PR（付費率）、 ARPU（平均每用戶收入）、ARPPU（平均每付費用戶收入））、LTV（生命周期價值）5.R（Do users tell others?）K-factor、NPS等

舉個例子，用AARRR模型來衡量一個渠道的好壞。

如果單從數據表面來看，A渠道會更劃算，但實際這種結論是有問題的，用AARRR模型具體分析如下：

渠道A的單個留存用戶成本是60元，單個付費用戶成本是300元；而渠道B的單個留存用戶成本是20元，單個付費用戶成本是33元，這樣對比下來，明顯B渠道的優勢遠遠大于A渠道。

高流量≠高轉化

誤區：只關心最后一步轉化

轉化率提升≠用戶體驗提升

提升轉化四步曲：正確的用戶→流程的體驗→最佳轉化路徑→復購與增購

業務的了解和用戶的了解，才是提高轉化率本事。

7、漏斗分析模型

用來分析從潛在用戶到最終用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用于產品各個關鍵流程的分析中（流量監控、產品目標轉化等日常數據運營工作中）。之所以稱為漏斗，就是因為用戶（或者流量）集中從某個功能點進入（這是可以根據業務需求來自行設定的），可能會通過產品本身設定的流程完成操作。

對于我們要做的就是對按照流程操作的用戶進行各個轉化層級上的監控，尋找每個層級的可優化點；對沒有按照流程操作的用戶繪制他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間。運用漏斗模型比較典型的案例就是電商網站的轉化，用戶在選購商品的時候必然會按照預先設計好的購買流程進行下單，最終完成支付。如果沒有整個業務流程的梳理，就不會有這種漏斗模型的產出，更別說去查找每個步驟出現用戶流失的問題了。

當然有些時候也要做一些競品分析，對于同行業同類數據的轉化情況做到心中有數。盡可能降低用戶流失是我們的目標，但是如果可以做到不低于行業平均水準同時資源有限的話，降低這個轉化漏斗的用戶流失就需要被放置較低的優先級里。

還有一些比較經典的漏斗轉化模型就是用于用戶注冊流程上：我們需要知道多少用戶點擊了注冊按鈕（漏斗的開端），多少用戶完成了信息填寫（多少用戶放棄填寫），多少用戶點擊發送驗證碼按鈕（驗證碼到達率），成功完成注冊的人數。如果一旦在運營過程中發現某一天的注冊用戶數出現波動，那么除了去查一下市場渠道及廣告投放，產品本身的注冊功能也是可能出現這個問題的重要因素。

對于產品的非功能頁面，比如某個活動頁，公司簡介頁等等，用戶可能不會按照我們既定的流程到達，那么就要根據實際的目標來確認是否有講這類非功能頁面的轉化流程做優化的必要性。

比如，這個例子是分析從用戶進入網站到最終購買商品的變化趨勢。

從用戶進入網站到瀏覽商品頁面，轉化率是40%；瀏覽商品到加入購物車轉化率是20%等，那要找出哪個環節的轉化率最低，我們需要有對比數據。

比如第一個，進入網站到瀏覽商品，如果同行業水平的轉化率是45%，而我們只有40%，那說明這個過程，沒有達到行業平均水平，我們就需要分析具體原因在哪里，再有針對性的去優化和改善。

當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經過匯總后得出的。而真實的用戶行為往往可能并不是按照這個簡單流程來的。此時需要分析用戶為什么要經過那么復雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。

8、交叉分析法

通常是把縱向對比和橫向對比綜合起來，對數據進行多角度的結合分析。

舉個例子：

a. 交叉分析角度：客戶端+時間

從這個數據中，可以看出iOS端每個月的用戶數在增加，而Android端在降低，總體數據沒有增長的主要原因在于Android端數據下降所導致的。

那接下來要分析下為什么Android端二季度新增用戶數據在下降呢？一般這個時候，會加入渠道維度。

b. 交叉分析角度：客戶端+時間+渠道

從這個數據中可以看出，Android端A預裝渠道占比比較高，而且呈現下降趨勢，其他渠道的變化并不明顯。

因此可以得出結論：Android端在二季度新增用戶降低主要是由于A預裝渠道降低所導致的。

所以說，交叉分析的主要作用，是從多個角度細分數據，從中發現數據變化的具體原因。

9、A/B測試

A/B測試就是通過數據支撐，不同渠道、不同人群、最終選定方案。

A/B測試需要有一定的數據支撐，建立準確性與效率高的框架，比如針對不同渠道、用戶分群發布、灰度發布等來得出合適方案,這里不加以展開.

10、歸因模型

歸因模型，更準確的描述其實是一種既定的規則，我們需要根據產品的實際需求，將達成目標（形成轉化）之前的功勞根據設定的權重分配給每一個轉化節點。產品形成一次轉化，用戶可能要經歷很多個轉化節點（轉化并不一定只完成銷售。一次注冊也可以看作一次轉化，一次訪問也可以看作一次轉化，要根據業務實際需求制定）。

歸因模型在使用過程中通常分為幾類：最終互動模型、首次互動模型、線性歸因模型、時間衰減歸因模型、自定義等，這里逐一進行描述：

產品情景描述：用戶在Baidu上搜索一個關鍵詞，點進了一個叫a.com的網站之后放棄繼續搜索。過了幾天他又在自己的Facebook上看到了這個關鍵詞的廣告，隨后他點擊了廣告最終完成購買。

最終互動模型：最后一個節點將被分配100%的功勞，那么Facebook（社交媒體）上的廣告獲得100%的功勞；

首次互動模型：用戶首先是在Baidu進行關鍵詞搜索的，那么Baidu（搜索引擎）將被分配100%的功勞；

線性歸因模型：用戶從開始搜索到轉化，共經歷了三個渠道（節點），那么每個節點將被平均授予33.3%的功勞；

時間衰退歸因模型：用戶在Baidu搜索和訪問了a.com是幾天之前的事情，那么這兩個渠道因為時間經歷比較長的原因將被分配較低的功勞（如各20%），Facebook將被分配相對較高的功勞（60%）；

當然，實際的業務流程和渠道轉化流程不會像描述的這樣簡單，我們也可以根據需求自行定義。歸因模型的意義在于尋找到真正對于現階段產品發展有利的渠道，并將優勢擴大化。當然，它是具有時效性的，也就是說產品的不同階段歸因模型所得到的結果很可能是不一樣的。

三、總結

10 大數據分析模型的應用場景根據數據分析所選取的指標不同也有所區別

PEST分析模型主要針對宏觀市場環境進行分析，從政治、經濟、社會以及技術四個維度對產品或服務是否適合進入市場進行數據化的分析，最終得到結論，輔助判斷產品或服務是否滿足大環境。

5W2H分析模型的應用場景較廣，可用于對用戶行為進行分析以及產品業務分析。

邏輯樹分析模型主要針對已知問題進行分析，通過對已知問題的細化分析，通過分析結論找到問題的最優解決方案。

4P營銷理論模型主要用于公司或其中某一個產品線的整體運營情況分析，通過分析結論，輔助決策近期運營計劃與方案。

用戶行為分析模型應用場景比較單一，完全針對用戶的行為進行研究分析。

當然，最后還是要說，模型只是前人總結出的方式方法，對于我們實際工作中解決問題有引導作用，但是不可否認，具體問題還要具體分析，針對不同的情況需要進行不同的改進，希望成為一個數據專家，最重要的一點還是多實踐！實踐才是真理！

總結

以上是生活随笔為你收集整理的数据分析-PART2--10大数据分析模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。