数据分析对于企业商业价值的提升起到了至关重要的作用。在具体的业务场景中，梳理一些常见的数据分析方法。
采用数字和趋势图进行数据信息的展示最为直观，从具体的数字和趋势走向中可以更好地得到数据信息，有助于提高决策的准确性和实时性。
比如将某app或某网站的uv、pv等指标统一汇总到一个数据看板上，进行实时更新。这样的一个数据看板使得数字和趋势一目了然，非常直观。
顾名思义，就是将不同事物的某个指标进行对比，从中发现事物在该指标数量上的差异和变化。这种对比通常有两种：纵向对比和横向对比。
可以把时间想象成一条纵轴，纵向对比就是同一事物的指标在不同时间节点上进行对比。例如，新华书店里的《数据分析72问》这本书在这一年的各个季度的销售量。其他的如同比（销售量在今年的1月和上一年的1月对比）、环比（销售量在这个月和上个月对比）、定基比（销售量均和之前的1-3月对比）等。
横向对比就是在固定的时间节点上，不同事物的同一指标进行对比。例如，京东、当当网、亚马逊、淘宝在本月的图书销售量对比。
当单一的数字或趋势过于宏观时，我们可以通过不同维度对数据进行分解，以获取更加精细的数据洞察。在进行维度选择时，需要考虑此维度对于分析结果的影响。
比如某app的日活突然下降了，可以通过拆分新老用户、渠道、app版本、地区、设备等维度，发现问题所在，也就是将宏观的问题拆分成小的问题去聚焦问题所在。
用户分群即指针对符合某种特定行为或具有共同背景信息的用户，进行归类处理。也可通过提炼某一类用户的特定信息，为该群体创建用户画像。
例如使用同一app的用户可以按照地址进行用户群体的划分，可分为“北京”、“上海”、“杭州”等。由此便可进一步观察某一用户群体的一些行为或数据指标，如app使用时长，使用频度，购买次数、购买金额等，以此来创建该用户群体的画像。
用户分群的意义在于我们可以针对具有特定行为或特定背景的用户，进行针对性的用户运营和产品优化，比如对具有“放弃支付或支付失败”的用户进行对应优惠券的发放，以此来实现精准营销，大幅提高用户的支付意愿和成交量。
逻辑树分析法
如果你分析的目的是想把复杂的事情变简单，可以使用逻辑树分析法。有名的费米问题就是使用逻辑树分析法。
在求职面试中，也经常会考察这种问题：
全国有多少个产品经理？深圳地铁高峰期客流量多大？
公司楼下摆小摊月入多少？
这些估算类的问题都可以拆解成逻辑树，把一个复杂的问题细分到可以具体量化的问题上。
绝大部分商业变现的流程，都可归纳为漏斗。漏斗分析是常见的一种数据分析手段，比如常见的用户注册转化漏斗，电商下单漏斗。整个漏斗分析的过程就是用户从前到后转化的路径，通过漏斗分析可以得到转化效率。
其三，在哪一步流失最多，原因是什么，这些流失的用户具有什么特征。
上图是共包括三步的注册流程，整个注册流程的总体转化率为46.5%，即1000个访问了注册页的用户中，有465个成功完成了注册。关注到每一步的转化率，发现第二步的转化率为65.3%，明显低于第一步的85.3%和第三步的83.5%，由此可推测，这一步骤可能存在问题。可针对这一注册步骤去发现问题，再进行转化率的提高。
数据指标本身只是真实情况的一种抽象，通过关注用户的行为轨迹，才能更真实地了解用户的行为。
例如只看到常见的uv和pv指标，是无法理解用户是如何使用你的产品的。通过大数据手段来还原用户的行为轨迹，可以更好地关注用户的实际体验，从而发现具体问题。如果维度分解依旧难以确定某个问题所在，可通过分析用户行为轨迹，发现一些产品及运营中的问题。
人口红利逐渐消退，拉新变得并不容易，此时留住一个老用户的成本往往要远低于获取一个新用户的成本，因此用户留存成为了每个公司都需要关注的问题。可以通过分析数据来了解留存的情况，也可以通过分析用户行为找到提升留存的方法。
如某阅读类app，每天阅读时长在25-30分钟（举个🌰）的用户的留存要远高于阅读时长在5-10分钟的用户的留存，因此可考虑将提高用户的阅读时长作为一种提升留存的方式。
常见的留存分析场景还包括不同渠道的用户的留存、新老用户的留存以及一些新的运营活动及产品功能的上线对于用户回访的影响等。
A/B测试通常用于测试产品新功能的上线、运营活动的上线、广告效果及算法等。
比如某产品设计了两种不同的界面（图来源于网络），其中包括界面背景颜色变化、点击按钮文案变化，模特变化等。以点击按钮的设计为例，通过比较实验组（A）和对照组（B）的按钮点击次数、点击率两个指标，来评估哪一种点击按钮的设计带来的效果更好。
当产品的流量不够大时，进行A/B测试很难得到统计结果。
涉及到用户画像、用户行为的研究时，通常会选择使用数学建模、数据挖掘等方法。比如通过用户的行为数据、相关信息、用户画像等来建立所需模型解决对应问题。
5W2H分析法
5W2H，即为什么（Why）、什么事（What）、谁（Who）、什么时候（When）、什么地方（Where）、如何做（How）、什么价格（How much），主要用于用户行为分析、业务问题专题分析、营销活动等。
该分析方法又称为七何分析法、是一个非常简单、方便又实用的工具，以用户购买行为为例：
How much：用户购买的成本是多少？时间成本是多少？
总结
数据分析所涉及体系非常庞大，而且学习资料也很多，方法也很多，就不一一列举了。注意如下（包括思维和方法）：
·分析主题的定性与定量：设计分析主题中的重要一步，是要确定分析的目的是定性或是定量。如果是定性，通常只要考虑有关或无关，正面影响或负面影响。定量分析是很受业务方欢迎的，分析也更加复杂和困难，通常要通过机器学习模型解决。
发现分析主题的两个切入点：指标监控与业务问题。数据部门更适合从指标监控中发现问题，业务部门更适合从业务中发现问题。但对于一个成熟的数据部门，把指标监控和业务监控深度结合，对于发现分析主题更有利。
·数学建模：如果能把业务问题转化为一个数学模型，对于确定分析思路会很有帮助。
·指标创新：指标其实是数据分析师分析业务问题的武器。因为无论你用什么分析方法，总要用到一些数据，而这些数据的计算方法、范围会很大程度上影响分析结果。且不说任何一个建模过程中的特征选择都非常重要，即使只是对业务的简单监控，一个好的指标往往能准确无误地反映出问题。对于互联网，PV、UV、时长、留存、点击率、退出率这些是大家很常用的。用来监控整体业务是没有问题的，但是对于某个小的业务板块就不太够了。比如，作为内容平台，衡量一次曝光的用户体验如何，应该用什么指标？有人会建议用点击率，但是点击率会受到标题党的影响，此时高的点击率并不代表好的用户体验。比较好的选择是把点击率、阅读时长、阅读进度等合成一个指标。
·整体与个体：大处着眼，小处着手。无论是数据还是业务，都不是孤立存在的，系统性思维对于分析师非常重要。所以在看到一个小问题的时候，要知道它绝对不会影响这一小块业务；而看到大的目标出现问题的时候，要能意识到可能是一些小的业务环节出了岔子。在动手层面，对于数据分析来说，微观分析更容易获取实验数据，也更容易找到因果关系。所以要不断地对问题分解和细化。
·分析维度的引入：在低维空间上解决不了，在高维空间上就不是个事（想到三体了吗）。比如SVM，低维空间上无法做到线性可分的数据样本，在高维空间上就可以。所以如果你在某个分析问题中费了牛劲也找不到答案，也许正是因为你忽略了某个重要的因素。当然也不是维度越多越好，因为维度越多，解释起来就越困难，不要忘了，结果是给人看的。
·大胆假设，小心求证：由于在现实世界中可能影响业务的因素太多，选择其中最有可能的因素去验证无疑是一条捷径。这个假设怎么去做？首先要对业务有足够的敏感度。是的，业务老鸟就是比新手能更快地“嗅”出问题的根源；其次要对数据有足够的敏感度，数据之间都是有关系的，某个相关的指标变化也许就能告诉我们答案。究竟这个假设是不是问题的答案，最终取决于数据验证。“小心”的意思是，一定要保证在验证过程中不受其他因素的干扰，AB测试无疑是个很好的方法。还有，在求证过程中要保持逻辑的严密。
因此，我们需要在拥有数据面前，清晰知道应用哪一个或几个方法来分析实际问题最为有效，结合场景灵活运用，没有最好的分析方法只有最适合的。
本文为转载分享&推荐阅读，若侵权请联系后台删除
···
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
