三種數據分析方法數據分析方法有哪些? _經驗分享

常用數據分析處理方法有哪些?1、漏斗分析法

漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用于網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中。

2、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，考察進行初始行為的用戶中，有多少人會進行后續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。

3、分組分析法

分組分析法是根據數據分析對象的特征，按照一定的標志(指標)，把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。

4、矩陣分析法

矩陣分析法是指根據事物(如產品、服務等)的兩個重要屬性(指標)作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。
三種數據分析方法首先，常見的數據分析方法有9種：對比分析，多維度拆解分析，漏斗觀察，分布分析，用戶留存分析，用戶畫像，歸因查找，路徑挖掘，行為序列分析。
這里將重點展開分享前三種數據分析方法：對比分析，多維度拆解分析，漏斗觀察。
1、對比分析
對比分析是最基礎最常見的數據分析方法，能直觀的看出事物某階段的變化，并且可以準確、量化地表達出這種變化/差距是多少，重點從「比什么」「怎么比」「跟誰比」三個維度進行分析。
（1）比什么
比什么，分為絕對值（#）和比例值（%）的比較。
絕對值本身已是具備“價值”的數據，比如銷售金額2000元，閱讀數10000萬，單看數字不易得知問題的嚴重程度；
比例值只有在具體環境中看比例才具備對比價值，比如活躍占比，注冊轉化率，單看比例值容易受到極端值的影響。
（2）怎么比
怎么比，分為環比和同比。
常見的環比有日環比，月環比，是指與當前時間范圍相鄰的上一個時間范圍對比，主要用于對短期內具備連續性的數據進行分析，如指標設定；
常見的同比有周同比，年同比，是指與當前時間范圍上層時間范圍的前一范圍中同樣位置進行數據對比分析，主要用于觀察更長期的數據集，消除短期數據的干擾。
（3）和誰比
和誰比，分為和自己比、和行業比。
和自己比，可以從不同的時間維度，不同的業務線，過往經驗估計，跟自己比較；
和行業比，可以觀察分析得出是自身因素，還是行業趨勢，比如都跌的時候，能否比同行跌的少？都漲的時候，能都比同行漲的快？
現在回到上面這條「飛豬公關數據」“放假消息公布以后，10點到12點，國內機票的預定量，比上周同時段增長超過50%；國際機票的增長更加驚人，超過了150% 。”
很顯然，
“50%，150%”都是比例值；
“比上周同時段增長...”由于是#五一放假4天#消息導致的數據短期內連續上漲，所以選擇的是周同比；
“國內機票的預定…國際機票...”飛豬是在跟自己比，若有行業數據公布作為依據，可以判斷飛豬是比同行漲的快/慢。
2、多維度拆解
多維度拆解，是最重要的一種思維方式，一個單一指標是不具備分析價值的，我們需要從多個維度進行拆解分析才有意義，最終以獲得更加全面的數據洞察。
數據分析的本質是用不同的視角去拆分，觀察同一數據指標。多維度拆解的本質多維度拆分指標/業務流程，來觀察數據變動。
多維度拆解的適用場景：
（1）分析單一指標的構成、比例時，比如分欄目的播放量、新老用戶比例；
（2）針對流程進行拆解，比如不同渠道的瀏覽、購買轉化率，不同省份的活動參與漏斗；
（3）還原行為發生時的場景，比如打賞主播的用戶的等級、性別、關注頻道，是否在WiFi或4G環境下。
現在回到第一個場景：“比如，某段時間公司做了一波網紅大V推廣，老板想看看推廣效果，你需要來個復盤分析…”
這時就需要用到多維度拆解分析方法，大致的分析思路這樣這樣：
（1）從APP啟動事件來分析
按照設備類型查看，比如Android、iPhone…不同機型的啟動情況；
按照啟動來源來看，比如是從桌面、短信、PUSH…不同來源的啟動情況；
按照城市等級觀察，比如一線、二線、三線及以下…不同城市的啟動情況；
按照新老用戶細分，比如總體、新用戶、老用戶...不同用戶群體的啟動情況。
（2）從業務流程拆解
比如對于簡單的“注冊——>下單——>支付”流程而言：
支付漏斗按照渠道查看，渠道可能分為百度、頭條、微信公眾號…
支付漏斗按照城市來看，城市可能分為一線、二線、三線及以下…
支付漏斗按照設備來看，設備可能分為Android、iPhone…
3、漏斗觀察
漏斗觀察的分析方法我們常見且熟悉，它的運作原理是通過一連串向后影響的用戶行為來觀察目標。
適用于有明確的業務流程和業務目標的業務，不適用于沒有明確的業務流程、跳轉關系紛繁復雜的業務。
通過漏斗觀察核心業務流程的健康程度。
盤點一下在建立漏斗時容易掉的坑：
（1）首先漏斗觀察需要有一定的時間窗口，具體需要根據業務實際情況，選擇對應的時間窗口。
按天觀察，適用于對用戶心智的影響只在短期內有效的情況，比如一些短期活動（當前有效，倒計時設置等）；
按周觀察，適用于業務本身復雜，用戶決策成本高，需要跨日才能完成的情況，比如投資理財，開戶注資；
按月觀察，適用于用戶決策周期更長的情況，比如裝修買房。
（2）其次漏斗觀察是有嚴格順序的，不可以用ABCDE（僅搜索途徑的數據）的漏斗，看ACE（包含分類、搜索、推薦位三條途徑的數據）的數據。
（3）漏斗的計算單位可以基于用戶，也可以基于時間。
觀察用戶，是關心整個業務流程的推動；
觀察事件，是關心某一步具體的轉化率，但無法獲知事件流轉的真實情況。
（4）結果指標的數據不符合預期時，需要自查是否只有一個漏斗能夠觸達最終目標，也就是檢查下，是否出現第二個坑的情況。
四、案例分享——某款社交APP在國慶期間數據猛漲原因分析
場景是這樣，現在有一款匿名社交APP，類似于探探，數據范圍在 2018 年 9 月 1 日 - 10 月 14 日之間，其中在國慶期間數據猛漲，試分析其原因。
（1）首先定義“數據猛漲”
作為一款匿名社交產品，可以選擇觀察「注冊成功」事件。
由于產生行為數據的時間較短，所以最后選擇關注“注冊用戶數的日環比是否有比較大的增漲”，并按照「注冊成功」事件的「觸發用戶數」進行查看：
（2）發現異常定位問題
從上面這張注冊成功的觸發用戶數折線圖可以看出，國慶期間的注冊用戶日環比存在較高的數據增長差，就是折線右側出現的一段高峰。
由此判斷，國慶期間由于某種原因造成了注冊用戶數的大幅增長，具體原因，待進一步拆解分析。
（3）多維度拆解分析
按照操作系統區分觀察，可以發現Android的漲幅明顯高于iOS，iOS稍有漲幅，但漲幅不明顯。
這一步仍無法直接定位問題，需進一步拆解分析。
上圖按照注冊方式觀察，微信、微博、手機號這三種注冊方式，在國慶期間均有漲幅且漲幅相似，可初步判斷注冊方式與此次數據異常無關。
上圖按照性別觀察，男生和女生在國慶期間均有漲幅，男生略高于女生，但仍無法直接定位問題，需進一步拆解分析；
上圖按照年齡觀察，不同年齡層的用戶在國慶期間均有漲幅且漲幅相似，可初步判斷年齡與此次數據異常無關。
問題來了！按照省份觀察，上圖明顯看到有一根折現異常升高！
其實是海南省的日環比漲幅增高，除此之外，云南省的環比漲幅相較其他省份也明顯升高。
綜上觀察分析基本可以判斷，國慶期間數據猛漲，跟海南省、云南省的注冊用戶數大幅增長有關，具體原因待進一步拆解分析。
繼續按照城市觀察，篩選條件設置為省份等于海南省，云南省，直觀看到麗江市、大理市、三亞市、海口市國慶期間數據猛漲。
綜合以上多維度分析發現，國慶期間數據猛漲，主要是由于麗江市、大理市、三亞市、海口市四個城市有明顯漲幅。
而這四個城市都屬于旅游城市，且數據增長時期伴隨國慶假期。
于是猜測可能是，該款匿名社交產品在國慶期間，面向這四個熱門旅游目的地，做了推廣活動，關于數據猛漲真實的具體原因，還需要與市場、運營、或負責增長相關的同事溝通確認。
數據分析常用的方法有哪些?1、簡單趨勢

通過實時訪問趨勢了解供應商及時交貨情況。如產品類型，供應商區域(交通因子)，采購額，采購額對供應商占比。

2、多維分解

根據分析需要，從多維度對指標進行分解。例如產品采購金額、供應商規模(需量化)、產品復雜程度等等維度。

3、轉化漏斗

按照已知的轉化路徑，借助漏斗模型分析總體和每一步的轉化情況。常見的轉化情境有不同供應商及時交貨率趨勢等。

4、用戶分群

在精細化分析中，常常需要對有某個特定行為的供應商群組進行分析和比對;數據分析需要將多維度和多指標作為分群條件，有針對性地優化供應鏈，提升供應鏈穩定性。

5、細查路徑

數據分析可以觀察供應商的行為軌跡，探索供應商與本公司的交互過程;進而從中發現問題、激發靈感亦或驗證假設。

6、留存分析

留存分析是探索用戶行為與回訪之間的關聯。一般我們講的留存率，是指“新新供應商”在一段時間內“重復行為”的比例。通過分析不同供應商群組的留存差異、使用過不同功能供應商的留存差異來找到供應鏈的優化點。

7、A/B 測試

A/B測試就是同時進行多個方案并行測試，但是每個方案僅有一個變量不同;然后以某種規則優勝略汰選擇最優的方案。數據分析需要在這個過程中選擇合理的分組樣本、監測數據指標、事后分析和不同方案評估。
數據分析的幾種常用方法21-10-27幾種常見的數據分析分析方法：
1.周期性分析（基礎分析）
What ：主要是從日常雜亂的數據中，發現周期性出現的現象，而從避免或改善問題的發生。常見的兩種周期：自然周期和生命周期。
需要注意的點：雖然周期性分析主要針對時間序列，但不全是，例如公眾號的文章閱讀走勢不僅和日期（工作日或周末）相關，也和文章類型相關。
例如：銷售中3,6,9,12月，由于績效考核出現的峰值
重點節假日對和交付的影響
產品銷售的季節性影響（例如北方下半年的采暖產品，入夏空調的銷售旺季等）
How：自然后期的時間維度，根據分析的需求，可從年（同環比，業績達成、和行業趨勢對比），月（淡旺季、銷售進度、生產預測），周（一般較少），日（工作日，非工作日的差異分析），時（時間分布，工作時段，上下班高峰，晚上，主要和大眾消費行為分析相關）進行展開
生命周期一種常見的分析就“商品生命周期”，商品銷量隨上市時間的變化，通過時間軸+指標走勢組合出來的。這種分析對快消品或者產品迭代速度很快的商品（典型如手機）是比較重要的，可以用于監控產品的市場表現，對照市場活動可以量化活動效果以及產品線的經營情況，如持續跟進，則可針對性的提出產品上市的建議。
2.矩陣分析（重要分析方法）
矩陣分析是數據分析中非常重要的分析方法。主要解決分析領域的一個非常致命的核心問題：“到底指標是多少，才算好” 。
平均數是一個非常常用的數據維度，但是單一維度，并不能充分評價好壞。例如考核銷售，如果只考核業務銷售業績，那么業務人員一定會傾向賣利潤低的引流產品。那種利潤高，價格高，不容易賣的利潤型產品就沒人賣了，最后銷售越多，公司的利潤反而下降了。這個時候通過兩個維度：銷售規模和銷售利潤，構建交叉矩陣，就能將業務業績進行更有效的區分。
舉個簡單的例子，一個銷售團隊，10名銷售一個月內開發的客戶數量，產生的總業績用矩陣分析法進行分析（具體數據略）：
第一步：先對客戶數量、業績求平均值
第二步：利用平均值，對每個銷售人員的客戶數量、業績進行分類
第三步：區分出多客戶+高業績，少客戶+高業績，多客戶+低業績，少客戶+低業績四類
矩陣分析把關鍵業務目標拆分為兩個維度，每個維度進行高低分類，進而可以對目標進行更加立體的描述。維度高低分類多采用平均值作為參考值。
注意：有兩個場景，是不適合用矩陣分析法：
一：有極大/極小值影響了平均值的時候，一般出現極大/極小值的時候，可以用：分層分析法。
二：兩個指標高度相關的時候，例如用戶消費金額與消費頻次，兩個指標天生高度相關，此時數據分布會集中在某一個或兩個區域，矩陣分析法的業務解讀能力接近0，可采用相關分析法
3.結構分析
What：結構分析是將分析的目標，向下分解，主要用于發現問題。
例如銷售分析，可以按照區域—省—市一級級的分解，分解之后可以更好的看出影響銷售業績的影響因素在哪個位置。
結構分析可以有多個維度，取決于我們需要分析的方向。例如還是銷售分析，可以從產品構成進行拆解，也可用從業務形態拆解
How：如何進行結構分析？
第一步：定出要分析的關鍵指標（一般是業績、用戶量、DAU、利潤等等）
第二步：了解關鍵指標的構成方式（比如業績，由哪些用戶、哪些商品、哪些渠道組成）
第三步：跟蹤關鍵指標的走勢，了解指標結構變化情況
第四步：在關鍵指標出現明顯上升/下降的時候，找到變化最大的結構分類，分析問題
注意：結構分析的不足
結構分析法是一種：知其然，不知其所以然的方法。只適用于發現問題，不能解答問題
4.分層分析
What：分層分析，是為了應對平均值失效的場景。典型的平均值失效例如平均工資，很多人都被“代表” 。這個時候需要把收入群體分成幾類，例如土豪，普通百姓，窮光蛋等，后面進行分析時就比較清楚了。業內也有一些不同的叫法，比如應用于商品的，叫ABC分類，應用于用戶的，叫用戶分層，應用于業務的，叫二八法則。本質都是一回事。
How：如何進行分層分析
1.明確分層對象和分層指標
例如：想區分用戶消費力，分層對象就是：用戶，分層指標就是：消費金額
想區分商品銷售額，分層對象就是：商品，分層指標就是：銷售金額
想區分部銷售額，分層對象就是：分部，分層指標就是：銷售收入
2.查看數據，確認是否需要分層。分層是應對平均值失效的情況的，存在極值影響的情況，則適合分層。
3.設定分層的層級。最好的解決辦法是老板拍板，其次可以用“二八原則”，以上述銷售業績分層為例，可以先從高到低排序，然后把累積業績占80%的人選出來，作為“第1層級（優等）”，其他的歸為“第2層級（次等）” 。有時如果顆粒度不夠，也可以用“二四六八十”法則” 。
如何應用分層
分層的最大作用是幫我們看清楚：到底誰是主力，誰是吊車尾。從而指導業務，從人海戰術向精兵簡政思考。
根據分層的結果找出差距，進而提出（假設）差異背后可能的原因，通過其它方式進行
應用：客戶分析，目前系統中客戶超5000個，為了更好的了解客戶結構，可以通過分層分析的方法對這5000個客戶進行分層，分層的方式通過年銷售規模，可以按照累計規模排序，一般采用4-6個層級，每個層級可以給一個標簽。例如王者客戶，腰部客戶，mini客戶等。分層后，便可以針對性的進行分析，例如客戶層級的銷售占比，變動，各層級客戶的銷售構成，結合其它方法就可以有較全面的分析
5.漏斗分析（待補充）
6.指標拆解（待補充）
7.相關性分析（待補充）
What ：兩個（或多個）因素之間的關系。例如員工人數與銷售額，市場推廣與銷售業績，天氣和銷售表現等
很多因素我們直觀的感覺到之間有聯系，相互影響，但具體的關系是什么，如何產品影響的，可以通相關性分析來量化。
例如，客戶開拓中拜訪客戶的次數和客戶成交是否有關系？
拜訪次數多，表明客戶也感興趣，所以成功幾率大
拜訪這么多，客戶還不成交，成功幾率不大
客戶成交和拜訪關系不太大，主要看你是否能打動他
How ：兩種聯系：直接關系，間接關系
直接關系：整體指標與部分指標的關系——結構分析，例如銷售業績與各中心的業績
主指標與子指標的關系——拆解分析，例如總銷售規模和客戶數量與客戶銷售規模
前后步驟間的關系——漏斗分析：例如銷售目標和項目覆蓋率，儲備率，簽約等因素間的關系
聯系中，指標之間出現一致性的變化，基本是正常，如果出現相反的變動，則需要關注，這可能是問題所在
間接關系：要素之間沒有直接的聯系，但存在邏輯上的連接。例如推廣多了，知名度上市，進而銷售額上升。
由于關系非顯性，需要通過處理進行評價，常用的就是散點圖和excel中的相關系數法
在明確相關性后，就可以通過改變其中一個變量來影響和控制另一個變量的發展。
注意：相關性分析也存在很大的局限。主要體現在相關性并不等同因果性。例如十年前你在院子里種了一顆樹，你發現樹每天的高度和中國近十年GDP的增速高度相關，然后這兩者間并沒有什么實質性的聯系。此次相關性分析過程中一定注意要找到關聯的邏輯自洽。
8.標簽分析（待補充）
9.
【三種數據分析方法數據分析方法有哪些?】關于數據分析方法有哪些和數據分析方法有哪些?的內容就分享到這兒！更多實用知識經驗，盡在 m.apearl.cn

三種數據分析方法 數據分析方法有哪些?

三種數據分析方法數據分析方法有哪些?