9种常用的数据分析办法

l14107cb · 发表于 2024-7-27 01:04:39

1、公式拆解

所说公式拆解法便是针对某个指标，用公式层层分解该指标的影响原因。举例：分析某制品的营销额较低的原由，用公式法分解

1、对比分析

对比法便是用两组或两组以上的数据进行比较，是最通用的办法。

咱们晓得孤立的数据无道理，有对比才有差异。例如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法能够发掘数据变化规律，运用频繁，经常和其他办法搭配运用。

下图的AB机构营销额对比，虽然A机构营销额总体上涨且高于B机构，然则B机构的增速迅猛，高于A机构，即使后期增速下降了，最后的营销额还是赶超。

3、A/Btest

A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来拜访，收集各群组的用户体验数据和业务数据，最后分析评定出最好版本正式采用。A/Btest的流程如下：

（1）状况分析并创立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化意见；例如说咱们发掘用户的转化率不高，咱们假设是由于推广的着陆页面带来的转化率太低，下面就想要办法来进行改进了

（2）设定目的，制定方法：设置重点目的，用来衡量各优化版本的优劣；设置辅助目的，用来评定优化版本对其他方面的影响。

（3）设计与研发：制作2个或多个优化版本的设计原型并完成技术实现。

（4）分配流量：确定每一个线上测试版本的分流比例，初始周期，优化方案的流量设置能够较小，按照状况逐步增多流量。

（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计明显性达到95%或以上并且维持一段时间，实验能够结束；倘若在95%以下，则可能需要延长测试时间；倘若很长期统计明显性不可达到95%乃至90%，则需要决定是不是中止实验。

（6）最后：按照实验结果确定发布新版本、调节分流比例继续测试或在实验效果未达成的状况下继续优化迭代方法重新研发上线实验。流程图如下：

4、象限分析

经过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行有些落地的推动。象限法是一种策略驱动的思维，常与制品分析、市场分析、客户管理、商品管理等。例如，下图是一个宣传点击的四象限分布，X轴从左到右暗示从低到高，Y轴从下到上暗示从低到高。

高点击率高转化的宣传，说明人群相对精细，是一个有效率的宣传。高点击率低转化的宣传，说明点击进来的人大多被宣传吸引了，转化低说明宣传内容针对的人群和制品实质受众有些不符。高转化低点击的宣传，说明宣传内容针对的人群和制品实质受众符合程度较高，但需要优化宣传内容，吸引更加多人点击。低点击率低转化的宣传，能够放弃了。还有经典的RFM模型，把客户按近期一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

象限法的优良：（1）找到问题的共性原由

经过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原由。例如上面宣传的案例中，第1象限的事件能够提炼出有效的推广途径与推广策略，第三和第四象限能够排除有些无效的推广途径；

（2）创立分组优化策略针对投放的象限分析法能够针对区别象限创立优化策略，例如RFM客户管理模型中根据象限将客户分为重点发展客户、重点保持客户、通常发展客户、通常保持客户等区别类型。给重点发展客户倾斜更加多的资源，例如VIP服务、个性化服务、附加营销等。给潜能客户营销价值更高的制品，或有些优惠办法来吸引她们回归。

5、帕累托分析

帕累托法则，源于经典的二八法则。例如在个人财富上能够说世界上20%的人把握着80%的财富。而在数据分析中，则能够理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。常常在运用二八法则的时候和排名相关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发掘其特征，而后能够思考怎样让其余的80%向这20%转化，提有效果。

通常地，会用在制品归类上，去测绘并构建ABC模型。例如某零售企业有500个SKU以及这些SKU对应的营销额，那样那些SKU是重要的呢，这便是在业务运营中分清主次的问题。

平常的做法是将制品SKU做为维度，并将对应的营销额做为基本度量指标，将这些营销额指标从大到小摆列，并计算截止当前制品SKU的营销额累计合计占总营销额的百分比。

百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比亦能够按照自己的实质状况调节。

ABC分析模型，不但能够用来划分制品和营销额，还能够划分客户及客户交易额等。例如给企业贡献80%利润的客户是那些，占比多少。假设有20%，那样在资源有限的状况下，就晓得要重点守护这20%类客户。

6、漏斗分析

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的研发、购物转化率这些有变化和必定流程的分析中。

上图是经典的营销漏斗，形象展示了从获取用户到最后转化成购买这全部流程中的一个个子环节。相邻环节的转化率则便是指用数据指标来量化每一个过程的表现。因此全部漏斗模型便是先将全部购买流程拆分成一个个过程，而后用转化率来衡量每一个过程的表现，最后经过反常的数据指标找出有问题的环节，从而处理问题，优化该过程，最后达到提高整体购买转化率的目的。

整体漏斗模型的核心思想其实能够归为分解和量化。例如分析电商的转化，咱们要做的就是监控每一个层级上的用户转化，寻找每一个层级的可优化点。针对无根据流程操作的用户，专门绘制她们的转化模型，缩短路径提高用户体验。

还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是制品运营中比较平常的一个模型，结合制品本身的特点以及制品的生命周期位置，来关注区别的数据指标，最后制定区别的运营策略。

从下面这幅AARRR模型图中，能够比较显著的看出来全部用户的生命周期是呈现逐步递减趋势的。经过拆解和量化全部用户生命周期各环节，能够进行数据的横向和纵向对比，从而发掘对应的问题，最后进行持续的优化迭代。

7、路径分析

用户路径分析跟踪用户从某个起始事件直到结束事件的行径路径，即对用户流向进行监测，能够用来衡量网站优化的效果或营销推广的效果，以及认识用户行径偏好，其最后目的是达成业务目的，引导用户更有效地完成制品的最优路径，最后促进用户付费。怎样进行用户行径路径分析？

（1）计算用户运用网站或APP时的每一个第1步，而后依次计算每一步的流向和转化，经过数据，真实地再现用户从打开APP到离开的全部过程。（2）查看用户在运用制品时的路径分布状况。例如：在拜访了某个电商制品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户拜访了归类页，有多大比例的用户直接拜访的商品详情页。（3）进行路径优化分析。例如：哪条路径是用户最多拜访的；步行到哪一步时，用户最容易流失。（4）经过路径识别用户行径特征。例如：分析用户是用完即走的目的导向型，还是无目的浏览型。（5）对用户进行细分。一般根据APP的运用目的来对用户进行归类。如汽车APP的用户能够细分为关注型、意向型、购买型用户，并对每类用户进行区别拜访任务的路径分析，例如意向型的用户，他进行区别车型的比较都有那些路径，存在什么问题。还有一种办法是利用算法，基于用户所有拜访路径进行聚类分析，依据拜访路径的类似性对用户进行归类，再对每类用户进行分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，亦可能去取消订单，每一个路径背面都有区别的动机。与其他分析模型协同进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或期望中的路径。用户行径路径图示例：

8、留存分析

用户留存指的是新会员/用户在经过一按时间之后，仍然拥有拜访、登录、运用或转化等特定属性和行径，留存用户占当时新用户的比例便是留存率。留存率根据区别的周期分为三类，以登录行径认定的留存为例：第1种日留存，日留存又能够细分为以下几种：（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第1天新增总用户数（2）第3日留存率：（第1天新增用户中，第3天还有登录的用户数）/第1天新增总用户数（3）第7日留存率：（第1天新增用户中，第7天还有登录的用户数）/第1天新增总用户数（4）第14日留存率：（第1天新增用户中，第14天还有登录的用户数）/第1天新增总用户数（5）第30日留存率：（第1天新增用户中，第30天还有登录的用户数）/第1天新增总用户数

第二种周留存，以周度为单位的留存率，指的是每一个周相针对第1个周的新增用户中，仍然还有登录的用户数。

第三种月留存，以月度为单位的留存率，指的是每一个月相针对第1个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（仅有一半有数据），每一个数据记录行是日期、列为对应的区别时间周期下的留存率。正常状况下，留存率会随着时间周期的推移而逐步降低。下面以月留存为例生成的月用户留存曲线：

9、聚类分析

聚类分析属于探索性的数据分析办法。一般，咱们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果需求组内对象类似性较高，组间对象类似性较低。在用户科研中，非常多问题能够借助聚类分析来处理，例如，网站的信息归类问题、网页的点击行径相关性问题以及用户归类问题等等。其中，用户归类是最平常的状况。