9种常用的数据分析方法

一、公式拆解

所谓公式拆解法就是针对某个目的，用公式层层分解该目的的影响要素。举例：分析某产品的销售额较低的缘由，用公式法分解

二、对比分析

对比法就是用两组或两组以上的数据停止比较，是最通用的方法。

我们知道孤立的数据没有意义，有对比才有差异。比如在工夫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。对比法可以发现数据变化规律，运用频繁，常常和其他方法搭配运用。

下图的AB公司销售额对比，虽然A公司销售额总体下跌且高于B公司，但是B公司的增速迅猛，高于A公司，即便后期增速下降了，最后的销售额还是赶超。

三、A/Btest

A/Btest，是将Web或App界面或流程的两个或多个版本，在同一工夫维度，分别让相似访客群组来访问，搜集各群组的用户体验数据和业务数据，最后分析评价出最好版本正式采用。A/Btest的流程如下：

（1）现状分析并建立假设：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，提出优化建议；比如说我们发现用户的转化率不高，我们假设是由于推行的着陆页面带来的转化率太低，下面就要想办法来停止改进了

（2）设定目的，制定方案：设置次要目的，用来衡量各优化版本的优劣；设置辅助目的，用来评价优化版本对其他方面的影响。

（3）设计与开发：制造2个或多个优化版本的设计原型并完成技术完成。

（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据状况逐渐添加流量。

（5）采集并分析数据：搜集实验数据，停止有效性和效果判别：统计分明性达到95%或以上并且维持一段工夫，实验可以结束；假如在95%以下，则能够需求延伸测试工夫；假如很长工夫统计分明性不能达到95%甚至90%，则需求决议能否中止实验。

（6）最后：根据实验结果确定发布新版本、调整分流比例继续测试或者在实验效果未达成的状况下继续优化迭代方案重新开发上线实验。流程图如下：

四、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，从而停止一些落地的推进。象限法是一种策略驱动的思想，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

高点击率高转化的广告，阐明人群相对精准，是一个高效率的广告。高点击率低转化的广告，阐明点击出去的人大多被广告吸引了，转化低阐明广告内容针对的人群和产品实践受众有些不符。高转化低点击的广告，阐明广告内容针对的人群和产品实践受众符合程度较高，但需求优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

象限法的优势：

（1）找到成绩的共性缘由

经过象限分析法，将有相反特征的事情停止归因分析，总结其中的共性缘由。例如下面广告的案例中，第一象限的事情可以提炼出有效的推行渠道与推行策略，第三和第四象限可以扫除一些有效的推行渠道；

（2）建立分组优化策略针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、普通发展客户、普通保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。

五、帕累托分析

帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以了解为20%的数据产生了80%的效果需求围绕这20%的数据停止发掘。往往在运用二八法则的时分和排名有关系，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，发现其特征，然后可以思索如何让其他的80%向这20%转化，提高效果。

普通地，会用在产品分类上，去测量并构建ABC模型。比如某批发企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的成绩。

常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量目的，将这些销售额目的从大到小陈列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

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。以上百分比也可以根据本人的实践状况调整。

ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户买卖额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的状况下，就知道要重点维护这20%类客户。

六、漏斗分析

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思索方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的营销漏斗，笼统展现了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据目的来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后经过异常的数据目的找出有成绩的环节，从而处理成绩，优化该步骤，最终达到提升全体购买转化率的目的。

全体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻觅每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，延长途径提升用户体验。

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。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期地位，来关注不同的数据目的，最终制定不同的运营策略。

从下面这幅AARRR模型图中，可以比较分明的看出来整个用户的生命周期是呈现逐渐递减趋向的。经过拆解和量化整个用户生命周期各环节，可以停止数据的横向和纵向对比，从而发现对应的成绩，最终停止不断的优化迭代。

七、途径分析

用户途径分析追踪用户从某个末尾事情直到结束事情的行为途径，即对用户流向停止监测，可以用来衡量网站优化的效果或营销推行的效果，以及了解用户行为偏好，其最终目的是达成业务目的，引导用户更高效地完成产品的最优途径，最终促运用户付费。如何停止用户行为途径分析？

（1）计算用户运用网站或APP时的每个第一步，然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到分开的整个过程。

（2）查看用户在运用产品时的途径分布状况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户停止了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品概况页。

（3）停止途径优化分析。例如：哪条途径是用户最多访问的；走到哪一步时，用户最容易流失。

（4）经过途径辨认用户行为特征。例如：分析用户是用完即走的目的导向型，还是无目的阅读型。

（5）对用户停止细分。通常按照APP的运用目的来对用户停止分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户停止不同访问义务的途径分析，比如意向型的用户，他停止不同车型的比较都有哪些途径，存在什么成绩。还有一种方法是应用算法，基于用户一切访问途径停止聚类分析，根据访问途径的相似性对用户停止分类，再对每类用户停止分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页阅读、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，用户能够会前往首页继续搜索商品，也能够去取消订单，每一个途径背后都有不同的动机。与其他分析模型配合停止深化分析后，能为找到疾速用户动机，从而引领用户走向最优途径或者希冀中的途径。用户行为途径图示例：

八、留存分析

用户留存指的是新会员/用户在经过一定工夫之后，照旧具有访问、登录、运用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：

第一种 日留存，日留存又可以细分为以下几种：

（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数

（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数

（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数

（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数

（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数

第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，照旧还有登录的用户数。

第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，照旧还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只要一半有数据），每个数据记录行是日期、列为对应的不同工夫周期下的留存率。正常状况下，留存率会随着工夫周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：

九、聚类分析

聚类分析属于探求性的数据分析方法。通常，我们应用聚类分析将看似无序的对象停止分组、归类，以达到更好地了解研讨对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研讨中，很多成绩可以借助聚类分析来处理，比如，网站的信息分类成绩、网页的点击行为关联性成绩以及用户分类成绩等等。其中，用户分类是最常见的状况。

常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：

可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据停止聚类后并得到簇后，普通会单独对每个簇停止深化分析，从而得到愈加细致的结果

CIO之家-企业信息化知识平台 作者:数据蝉 来源:简书

9种常用的数据分析方法

赞

大赞

分享了

分享了

分享了

分享了

分享了

分享了