一、公式拆解

所謂公式拆解法就是針對某個指標(biāo)，用公式層層分解該指標(biāo)的影響因素。
舉例：分析某產(chǎn)品的銷售額較低的原因，用公式法分解

?

圖片.png

二、對比分析

對比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較，是最通用的方法。

我們知道孤立的數(shù)據(jù)沒有意義，有對比才有差異。比如在時間維度上的同比和環(huán)比、增長率、定基比，與競爭對手的對比、類別之間的對比、特征和屬性對比等。對比法可以發(fā)現(xiàn)數(shù)據(jù)變化規(guī)律，使用頻繁，經(jīng)常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的銷售額還是趕超。

?

圖片.png

三、A/Btest

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后分析評估出最好版本正式采用。A/Btest的流程如下：

（1）現(xiàn)狀分析并建立假設(shè)：分析業(yè)務(wù)數(shù)據(jù)，確定當(dāng)前最關(guān)鍵的改進(jìn)點，作出優(yōu)化改進(jìn)的假設(shè)，提出優(yōu)化建議；比如說我們發(fā)現(xiàn)用戶的轉(zhuǎn)化率不高，我們假設(shè)是因為推廣的著陸頁面帶來的轉(zhuǎn)化率太低，下面就要想辦法來進(jìn)行改進(jìn)了

（2）設(shè)定目標(biāo)，制定方案：設(shè)置主要目標(biāo)，用來衡量各優(yōu)化版本的優(yōu)劣；設(shè)置輔助目標(biāo)，用來評估優(yōu)化版本對其他方面的影響。

（3）設(shè)計與開發(fā)：制作2個或多個優(yōu)化版本的設(shè)計原型并完成技術(shù)實現(xiàn)。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優(yōu)化方案的流量設(shè)置可以較小，根據(jù)情況逐漸增加流量。

（5）采集并分析數(shù)據(jù)：收集實驗數(shù)據(jù)，進(jìn)行有效性和效果判斷：統(tǒng)計顯著性達(dá)到95%或以上并且維持一段時間，實驗可以結(jié)束；如果在95%以下，則可能需要延長測試時間；如果很長時間統(tǒng)計顯著性不能達(dá)到95%甚至90%，則需要決定是否中止試驗。

（6）最后：根據(jù)試驗結(jié)果確定發(fā)布新版本、調(diào)整分流比例繼續(xù)測試或者在試驗效果未達(dá)成的情況下繼續(xù)優(yōu)化迭代方案重新開發(fā)上線試驗。
流程圖如下：

?

image.png

四、象限分析

通過對兩種及以上維度的劃分，運用坐標(biāo)的方式表達(dá)出想要的價值。由價值直接轉(zhuǎn)變?yōu)椴呗?#xff0c;從而進(jìn)行一些落地的推動。象限法是一種策略驅(qū)動的思維，常與產(chǎn)品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

?

image.png

?

高點擊率高轉(zhuǎn)化的廣告，說明人群相對精準(zhǔn)，是一個高效率的廣告。高點擊率低轉(zhuǎn)化的廣告，說明點擊進(jìn)來的人大多被廣告吸引了，轉(zhuǎn)化低說明廣告內(nèi)容針對的人群和產(chǎn)品實際受眾有些不符。高轉(zhuǎn)化低點擊的廣告，說明廣告內(nèi)容針對的人群和產(chǎn)品實際受眾符合程度較高，但需要優(yōu)化廣告內(nèi)容，吸引更多人點擊。低點擊率低轉(zhuǎn)化的廣告，可以放棄了。還有經(jīng)典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

?

image.png

象限法的優(yōu)勢：
（1）找到問題的共性原因

通過象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優(yōu)化策略
針對投放的象限分析法可以針對不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發(fā)展客戶、重點保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。給重點發(fā)展客戶傾斜更多的資源，比如VIP服務(wù)、個性化服務(wù)、附加銷售等。給潛力客戶銷售價值更高的產(chǎn)品，或一些優(yōu)惠措施來吸引他們回歸。

五、帕累托分析

帕累托法則，源于經(jīng)典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數(shù)據(jù)分析中，則可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果需要圍繞這20%的數(shù)據(jù)進(jìn)行挖掘。往往在使用二八法則的時候和排名有關(guān)系，排在前20%的才算是有效數(shù)據(jù)。二八法是抓重點分析，適用于任何行業(yè)。找到重點，發(fā)現(xiàn)其特征，然后可以思考如何讓其余的80%向這20%轉(zhuǎn)化，提高效果。

一般地，會用在產(chǎn)品分類上，去測量并構(gòu)建ABC模型。比如某零售企業(yè)有500個SKU以及這些SKU對應(yīng)的銷售額，那么哪些SKU是重要的呢，這就是在業(yè)務(wù)運營中分清主次的問題。

常見的做法是將產(chǎn)品SKU作為維度，并將對應(yīng)的銷售額作為基礎(chǔ)度量指標(biāo)，將這些銷售額指標(biāo)從大到小排列，并計算截止當(dāng)前產(chǎn)品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內(nèi)，劃分為 A 類。百分比在 70~90%（含）以內(nèi)，劃分為 B 類。百分比在 90~100%（含）以內(nèi)，劃分為 C 類。以上百分比也可以根據(jù)自己的實際情況調(diào)整。

ABC分析模型，不光可以用來劃分產(chǎn)品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業(yè)貢獻(xiàn)80%利潤的客戶是哪些，占比多少。假設(shè)有20%，那么在資源有限的情況下，就知道要重點維護這20%類客戶。

image.png

六、漏斗分析

漏斗法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用于像新用戶的開發(fā)、購物轉(zhuǎn)化率這些有變化和一定流程的分析中。

?

image.png

上圖是經(jīng)典的營銷漏斗，形象展示了從獲取用戶到最終轉(zhuǎn)化成購買這整個流程中的一個個子環(huán)節(jié)。相鄰環(huán)節(jié)的轉(zhuǎn)化率則就是指用數(shù)據(jù)指標(biāo)來量化每一個步驟的表現(xiàn)。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然后用轉(zhuǎn)化率來衡量每一個步驟的表現(xiàn)，最后通過異常的數(shù)據(jù)指標(biāo)找出有問題的環(huán)節(jié)，從而解決問題，優(yōu)化該步驟，最終達(dá)到提升整體購買轉(zhuǎn)化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉(zhuǎn)化，我們要做的就是監(jiān)控每個層級上的用戶轉(zhuǎn)化，尋找每個層級的可優(yōu)化點。對于沒有按照流程操作的用戶，專門繪制他們的轉(zhuǎn)化模型，縮短路徑提升用戶體驗。

還有經(jīng)典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產(chǎn)品運營中比較常見的一個模型，結(jié)合產(chǎn)品本身的特點以及產(chǎn)品的生命周期位置，來關(guān)注不同的數(shù)據(jù)指標(biāo)，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現(xiàn)逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環(huán)節(jié)，可以進(jìn)行數(shù)據(jù)的橫向和縱向?qū)Ρ?#xff0c;從而發(fā)現(xiàn)對應(yīng)的問題，最終進(jìn)行不斷的優(yōu)化迭代。

?

image.png

七、路徑分析

用戶路徑分析追蹤用戶從某個開始事件直到結(jié)束事件的行為路徑，即對用戶流向進(jìn)行監(jiān)測，可以用來衡量網(wǎng)站優(yōu)化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達(dá)成業(yè)務(wù)目標(biāo)，引導(dǎo)用戶更高效地完成產(chǎn)品的最優(yōu)路徑，最終促使用戶付費。如何進(jìn)行用戶行為路徑分析？

（1）計算用戶使用網(wǎng)站或APP時的每個第一步，然后依次計算每一步的流向和轉(zhuǎn)化，通過數(shù)據(jù)，真實地再現(xiàn)用戶從打開APP到離開的整個過程。
（2）查看用戶在使用產(chǎn)品時的路徑分布情況。例如：在訪問了某個電商產(chǎn)品首頁的用戶后，有多大比例的用戶進(jìn)行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
（3）進(jìn)行路徑優(yōu)化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
（4）通過路徑識別用戶行為特征。例如：分析用戶是用完即走的目標(biāo)導(dǎo)向型，還是無目的瀏覽型。
（5）對用戶進(jìn)行細(xì)分。通常按照APP的使用目的來對用戶進(jìn)行分類。如汽車APP的用戶可以細(xì)分為關(guān)注型、意向型、購買型用戶，并對每類用戶進(jìn)行不同訪問任務(wù)的路徑分析，比如意向型的用戶，他進(jìn)行不同車型的比較都有哪些路徑，存在什么問題。還有一種方法是利用算法，基于用戶所有訪問路徑進(jìn)行聚類分析，依據(jù)訪問路徑的相似性對用戶進(jìn)行分類，再對每類用戶進(jìn)行分析。

以電商為例，買家從登錄網(wǎng)站／APP到支付成功要經(jīng)過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復(fù)的過程，例如提交訂單后，用戶可能會返回首頁繼續(xù)搜索商品，也可能去取消訂單，每一個路徑背后都有不同的動機。與其他分析模型配合進(jìn)行深入分析后，能為找到快速用戶動機，從而引領(lǐng)用戶走向最優(yōu)路徑或者期望中的路徑。
用戶行為路徑圖示例：

?

image.png

八、留存分析

用戶留存指的是新會員/用戶在經(jīng)過一定時間之后，仍然具有訪問、登錄、使用或轉(zhuǎn)化等特定屬性和行為，留存用戶占當(dāng)時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認(rèn)定的留存為例：
第一種 日留存，日留存又可以細(xì)分為以下幾種：
（1）次日留存率：（當(dāng)天新增的用戶中，第2天還登錄的用戶數(shù)）/第一天新增總用戶數(shù)
（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)
（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)
（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)
（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)

第二種 周留存，以周度為單位的留存率，指的是每個周相對于第一個周的新增用戶中，仍然還有登錄的用戶數(shù)。

第三種 月留存，以月度為單位的留存率，指的是每個月相對于第一個周的新增用戶中，仍然還有登錄的用戶數(shù)。留存率是針對新用戶的，其結(jié)果是一個矩陣式半面報告（只有一半有數(shù)據(jù)），每個數(shù)據(jù)記錄行是日期、列為對應(yīng)的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

?

image.png

九、聚類分析

聚類分析屬于探索性的數(shù)據(jù)分析方法。通常，我們利用聚類分析將看似無序的對象進(jìn)行分組、歸類，以達(dá)到更好地理解研究對象的目的。聚類結(jié)果要求組內(nèi)對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以借助聚類分析來解決，比如，網(wǎng)站的信息分類問題、網(wǎng)頁的點擊行為關(guān)聯(lián)性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

image.png

可以看到，數(shù)據(jù)可以被分到紅藍(lán)綠三個不同的簇（cluster）中，每個簇應(yīng)有其特有的性質(zhì)。顯然，聚類分析是一種無監(jiān)督學(xué)習(xí)，是在缺乏標(biāo)簽的前提下的一種分類模型。當(dāng)我們對數(shù)據(jù)進(jìn)行聚類后并得到簇后，一般會單獨對每個簇進(jìn)行深入分析，從而得到更加細(xì)致的結(jié)果。

作者：數(shù)據(jù)蟬
鏈接：https://www.jianshu.com/p/d27563e492a0
來源：簡書
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。

總結(jié)

以上是生活随笔為你收集整理的9种常用的数据分析方法的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。