有一位朋友最近吐槽，他提交了一份7月數(shù)據(jù)分析報(bào)告給領(lǐng)導(dǎo)，報(bào)告里面放了很多圖表，也擺了很多數(shù)據(jù)，結(jié)果被痛批了一頓，覺得很委屈。其實(shí)，這位朋友與很多小伙伴一樣，做數(shù)據(jù)分析時，拿著手里的數(shù)據(jù)不知道怎么分析、從什么維度分析。
今天DataHunter數(shù)獵哥就來給大家分享7種最常用的數(shù)據(jù)分析方法，讓你輕松運(yùn)用數(shù)據(jù)分析解決實(shí)際工作問題，提升核心競爭力。
一、漏斗分析法
漏斗分析法能夠科學(xué)反映用戶行為狀態(tài)，以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)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(yīng)用于網(wǎng)站和APP的用戶行為分析中，例如流量監(jiān)控、CRM系統(tǒng)、SEO優(yōu)化、產(chǎn)品營銷和銷售等日常數(shù)據(jù)運(yùn)營與數(shù)據(jù)分析工作中。
例如：Data Analytics為網(wǎng)站制作的“促銷活動分析”
比如，對一些電商產(chǎn)品來說，最終目的是讓用戶下單并支付，但轉(zhuǎn)化率取決于整個流程。這時，我們就可以通過漏斗模型一步一步地進(jìn)行監(jiān)測。如下圖所示，我們可以監(jiān)控用戶在流程中各個層級上的行為路徑，尋找每個層級的可優(yōu)化點(diǎn)。對沒有按照流程操作的用戶繪制他們的轉(zhuǎn)化路徑，找到可提升用戶體驗(yàn)，縮短路徑的空間，最終提升整體轉(zhuǎn)化率。
漏斗模型除了在電商中應(yīng)用的比較多以外，在落地頁、H5等也應(yīng)用的比較多。我們可以反復(fù)優(yōu)化落地頁當(dāng)中的圖片、文案、布局，進(jìn)一步的提高整體轉(zhuǎn)化率。
二、留存分析法
留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會進(jìn)行后續(xù)行為。從用戶的角度來說，留存率越高就說明這個產(chǎn)品對用戶的核心需求也把握的越好，轉(zhuǎn)化成產(chǎn)品的活躍用戶也會更多，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留存的特點(diǎn)：
比如，我們可以通過觀察不同時間段用戶留存的情況，通過對比各個渠道、活動、關(guān)鍵行為的用戶后續(xù)留存變化，發(fā)現(xiàn)提升用戶留存率的影響因素，例如觀察領(lǐng)取過優(yōu)惠券的用戶留存率是否比沒有領(lǐng)取優(yōu)惠券的用戶留存率更高。
除此以外，還可以針對流失高/留存高的用戶群組進(jìn)行一對一的用戶行為分析，統(tǒng)計(jì)留存/流失用戶的行為特征，特別是針對流失用戶，通過流失用戶的行為分析總結(jié)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(jù)數(shù)據(jù)分析對象的特征，按照一定的標(biāo)志（指標(biāo)），把數(shù)據(jù)分析對象劃分為不同的部分和類型來進(jìn)行研究，以揭示其內(nèi)在的聯(lián)系和規(guī)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(qū)分開，把性質(zhì)相同的對象合并在一起，保持各組內(nèi)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(yùn)用各種數(shù)據(jù)分析方法來揭示內(nèi)在的數(shù)量關(guān)系，因此分組法必須與對比法結(jié)合運(yùn)用。
如圖所示，分組分析在日常工作中應(yīng)用的比較多的是用戶分層與分群，比如在發(fā)優(yōu)惠券的時候，可以通過紅包，滿減，限時券還有積分券等方式。我們可以針對不同的用戶發(fā)送不同的優(yōu)惠券以達(dá)到精細(xì)化運(yùn)營的效果。那么當(dāng)我們在做數(shù)據(jù)分析時，也可以從結(jié)果將用戶進(jìn)行分層來進(jìn)行判斷，這時同樣也可以得到優(yōu)化和改進(jìn)業(yè)務(wù)的建議。
說了完用戶分層，接下來我們說說用戶分群。用戶分群和用戶分層其實(shí)是相關(guān)聯(lián)的，用戶分群是對用戶分層的補(bǔ)充，當(dāng)用戶差異性較大，層級上不能再做用戶細(xì)分時，可以考慮將同一個分層內(nèi)的群體繼續(xù)切分，滿足更高的精細(xì)化運(yùn)營需要。
例如：Data Analytics制作的“客戶RFM群體分析”
RFM模型是客戶管理中的一個經(jīng)典方法，它用以衡量消費(fèi)用戶的價(jià)值和創(chuàng)利能力，是一個典型的用戶分群。它依托收費(fèi)的三個核心指標(biāo)：最近一次消費(fèi)時間（Recency）、消費(fèi)頻率（Frequency）和消費(fèi)金額（Monetary）。
消費(fèi)金額Monetary：衡量用戶對企業(yè)利潤的貢獻(xiàn)，消費(fèi)金額越高的用戶，價(jià)值也就越高。
消費(fèi)頻率Frequency：衡量用戶的忠誠度，是用戶在限定的期間內(nèi)購買的次數(shù)，最常購買的用戶，忠誠度也越高。
最近一次消費(fèi)時間Recency：衡量用戶的流失，消費(fèi)時間越接近當(dāng)前的用戶，越容易維系與其的關(guān)系。1年前消費(fèi)的用戶價(jià)值肯定不如一個月才消費(fèi)的用戶。
四、矩陣分析法
矩陣分析法是指根據(jù)事物（如產(chǎn)品、服務(wù)等）的兩個重要屬性（指標(biāo)）作為分析的依據(jù)，進(jìn)行分類關(guān)聯(lián)分析，找出解決問題的一種分析方法，也稱為矩陣關(guān)聯(lián)分析法，簡稱矩陣分析法。
矩陣關(guān)聯(lián)分析法在解決問題和資源分配時，可以為決策者提供重要參考依據(jù)——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)生績效的部門、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(shù)這兩個維度來進(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(shù)多的，這說明產(chǎn)品其實(shí)是有很大潛力的，這時需要將這部分產(chǎn)品放在更好的位置讓給用戶進(jìn)行瀏覽；右下角的瀏覽量高，但加購數(shù)低的，說明這個時候他的資源位置是好的，但是用戶對這部分的產(chǎn)品并不感興趣的，我們就需要對其進(jìn)行相應(yīng)的位置調(diào)整。
五、關(guān)聯(lián)分析法
關(guān)聯(lián)分析法是一種簡單、實(shí)用的分析技術(shù)，是指從大量數(shù)據(jù)集中發(fā)現(xiàn)項(xiàng)集之間的關(guān)聯(lián)性或相關(guān)性。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)、因果關(guān)聯(lián)等。
關(guān)聯(lián)分析的一個典型例子是購物籃分析。該過程通過發(fā)現(xiàn)顧客放入其購物籃中的不同商品之間的聯(lián)系，分析顧客的購買習(xí)慣。通過了解哪些商品頻繁地被顧客同時購買，幫助零售商制定營銷策略。其他的應(yīng)用還包括價(jià)目表設(shè)計(jì)、商品促銷、商品的排放和基于購買模式的顧客劃分。
可從數(shù)據(jù)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'之類的規(guī)則。如“67%的顧客在購買啤酒的同時也會購買尿布”，因此通過合理的“啤酒和尿布”的貨架擺放或捆綁銷售可提高超市的服務(wù)質(zhì)量和效益。
六、指標(biāo)分析法
在實(shí)際工作中，當(dāng)拿到一些可視化數(shù)據(jù)圖表或者是Excel表格時，我們可以直接運(yùn)用統(tǒng)計(jì)學(xué)中的一些基礎(chǔ)指標(biāo)來做數(shù)據(jù)分析，比如平均數(shù)、眾數(shù)、中位數(shù)、最大值、最小值等，下面我們分別來介紹：
1.平均數(shù)
平均數(shù)、也叫平均分析法，是指運(yùn)用計(jì)算平均數(shù)的方法來反映總體在一定時間、地點(diǎn)條件下某一數(shù)量特征的一般水平的分析方法。平均分析法常用指標(biāo)有算術(shù)平均數(shù)、調(diào)和平均數(shù)、幾何平均數(shù)、眾數(shù)和中位數(shù)等，其中最為常見的是算術(shù)平均數(shù)，也就是日常所說的平均數(shù)或平均值。
平均數(shù)指標(biāo)可用于對比同類現(xiàn)象在不同地區(qū)、不同行業(yè)、不同單位等之間的差異程度，比用總量指標(biāo)對比更具說服力。除此以外，利用平均指標(biāo)對比某些現(xiàn)象在不同歷史時期的變化，也更能說明其發(fā)現(xiàn)趨勢和規(guī)律。
比如，汽車行業(yè)的自媒體如果想要分析數(shù)據(jù)，可從兩個方面來分析：①外部：行業(yè)內(nèi)整體公眾號的平均打開率是多少，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(nèi)部：針對每個月都在嘗試的各種選題和內(nèi)容運(yùn)營策略，可以分析本月比上月平均打開率又增加了多少，這個月的選題是否有一些爆款，爆款文章平均打開率是多少，標(biāo)題有什么特點(diǎn)等等。
2.眾數(shù)、中位數(shù)
眾數(shù)也就是數(shù)據(jù)中的一種代表數(shù)，它反應(yīng)的是數(shù)據(jù)的一種集中程度。比如說最佳，最受歡迎，最滿意都與眾數(shù)有關(guān)。眾數(shù)本質(zhì)上來說，反映的是數(shù)據(jù)中發(fā)生頻率最高的一些數(shù)據(jù)指標(biāo)，在做數(shù)據(jù)分析時，我們可以對這些數(shù)據(jù)指標(biāo)提取一些共性的特點(diǎn)，然后進(jìn)行提煉和總結(jié)，然后得出一些改進(jìn)的意見。
中位數(shù)主要是反映的是一組數(shù)據(jù)的集中趨勢，像我們比較常見的正態(tài)分布，比如說我們想去統(tǒng)計(jì)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(nèi)的，只有少部分是處于最低的和最高的，其實(shí)這是中位數(shù)帶來的意義。
在做數(shù)據(jù)分析時，如果各個數(shù)據(jù)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(shù)據(jù)之間的差異程度較大，特別是有個別的極端值的情況，用中位數(shù)或眾數(shù)有較好的代表性。
3.最大（?。┲?/strong>
最大（小）值在平時做數(shù)據(jù)分析工作時比較常見，只是我們沒有特別去注意。最值是作為典型代表和異常值進(jìn)行分析的，比如說銷售團(tuán)隊(duì)里的銷售冠軍，電商爆款商品等，如圖所示，我們可以將銷售額最大的幾款商品提出來，然后我們?nèi)タ偨Y(jié)共性，找到原因，然后復(fù)制到其他的商品，最終提高平均轉(zhuǎn)化率。
七、對比分析法
對比分析法是指將兩個或兩個以上的數(shù)據(jù)進(jìn)行比較，分析它們的差異，從而揭示這些數(shù)據(jù)所代表的事物發(fā)展變化情況和規(guī)律性。它可以非常直觀地看出事物某方面的變化或差距，并且可以準(zhǔn)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)比較和動態(tài)比較兩類。
靜態(tài)比較：在同一時間條件下對不同總體指標(biāo)的比較，如不同部門、不同地區(qū)、不同國家的比較、也叫橫向比較，簡稱橫比；
動態(tài)比較：在同一總體條件下對不同時期指標(biāo)數(shù)值的比較，也叫縱向比較，簡稱縱比。
這兩種方法既可單獨(dú)使用，也可結(jié)合使用。
進(jìn)行對比分析時，可以單獨(dú)使用總量指標(biāo)、相對指標(biāo)或平均指標(biāo)，也可將它們結(jié)合起來進(jìn)行對比。比較的結(jié)果可用相對數(shù)表示，如百分?jǐn)?shù)、倍數(shù)等指標(biāo)。
在使用對比分析法時，需要先注意以下幾個方面：①指標(biāo)的口徑范圍、計(jì)算方法、計(jì)量單位必須一致，即要用同一種單位或標(biāo)準(zhǔn)去衡量；②對比的對象要有可比性；③對比的指標(biāo)類型必須一致。無論絕對數(shù)指標(biāo)、相對數(shù)指標(biāo)、平均數(shù)指標(biāo)，還是其他不同類型的指標(biāo)，在進(jìn)行對比時，雙方必須統(tǒng)一。
1.時間維度對比
同一指標(biāo)在不同時間維度下的對比，如同比、環(huán)比、定基比等。同比就是與去年的同一個時間段進(jìn)行對比分析，可以是季、月、周、天；環(huán)比就是和上一個時間段來對比（也有和下一個時間段對比的，也叫后比），例如本月和上月，本周和上周對比；定基比是和某個指定的時期進(jìn)行對比分析，比如2013年每個月都和2013年1月的銷售額進(jìn)行對比取值。
如圖為各月銷售額對比，時間范圍一致（均為月匯總）、指標(biāo)一致、指標(biāo)含義一致、其表現(xiàn)的為整個企業(yè)信息，總體性質(zhì)可比。
2.空間對比
就是不同空間數(shù)據(jù)的對比，比如華北區(qū)和華南區(qū)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(kuò)大空間的對比，比如北京和全國的數(shù)據(jù)對比，北京王府井店和全北京的數(shù)據(jù)對比，和競爭對手的對比也在此列。
如圖為2018年全年各銷售小組銷售額對比，其對比的時間范圍一致、指標(biāo)一致、指標(biāo)含義一致、維度為各個銷售小組，具有相同性質(zhì)。
3.計(jì)劃對比
和計(jì)劃標(biāo)準(zhǔn)的對比是銷售追蹤中非常重要的一環(huán)，所有的績效考核都是計(jì)劃標(biāo)準(zhǔn)，例如銷售實(shí)際達(dá)成金額與銷售計(jì)劃達(dá)成金額對比，看銷售是否完成當(dāng)初指定的計(jì)劃，如果沒有完成，原因在哪里。
4.與經(jīng)驗(yàn)值或理論值對比
其中的經(jīng)驗(yàn)標(biāo)準(zhǔn)是在大量的實(shí)踐過程中總結(jié)出來的值，而理論標(biāo)準(zhǔn)則是根據(jù)理論推斷出來的值，平均值則是某一空間或時間的平均值。如，一單一品率：所有銷售小票中只有一個商品的小票數(shù)量占比。參考值為小于40%，如果數(shù)據(jù)超過了40%，則需要考慮如何調(diào)整策略，幫助客戶做關(guān)聯(lián)購買。而參考值小于40%，就是一個理論值。
以上就是7種常見的數(shù)據(jù)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(xiàn)出來的，我們需要在擁有數(shù)據(jù)面前，清晰知道應(yīng)用哪一個或幾個方法來分析實(shí)際問題最為有效，結(jié)合場景靈活運(yùn)用，沒有最好的分析方法只有最適合的。
關(guān)于 DataHunter
DataHunter 是一家專業(yè)的數(shù)據(jù)分析和商業(yè)智能服務(wù)提供商，注冊于2014年。團(tuán)隊(duì)核心成員來自 IBM、Oracle、SAP等知名公司，深耕大數(shù)據(jù)分析領(lǐng)域，具有十余年豐富的企業(yè)服務(wù)經(jīng)驗(yàn)。
DataHunter 旗下核心產(chǎn)品智能數(shù)據(jù)分析平臺 Data Analytics、數(shù)據(jù)大屏設(shè)計(jì)配置工具 Data MAX 已在業(yè)內(nèi)形成自己的獨(dú)特優(yōu)勢，并在各行業(yè)積累了眾多標(biāo)桿客戶和成功案例。
成立以來，DataHunter就致力于為客戶提供實(shí)時、高效、智能的數(shù)據(jù)分析展示解決方案，幫助企業(yè)查看分析數(shù)據(jù)并改進(jìn)業(yè)務(wù)，成為最值得信賴的數(shù)據(jù)業(yè)務(wù)公司。
