精华内容
下载资源
问答
  • 数据分析方法和工具运用 数据分析方法数据分析方法数据分析方法数据分析方法论 03 数据分析方法就是在分析数据之前理清思路的理论而数据分 析具体方法是实际分析数据的实用方法只有掌握这两种技能面 对数据...
  • 精心整理了7种常用数据分析方法(建议收藏)

    万次阅读 多人点赞 2019-11-08 08:30:00
    有一位朋友最近吐槽,他...今天DataHunter数猎哥就来给大家分享7种最常用数据分析方法,让你轻松运用数据分析解决实际工作问题,提升核心竞争力。一、漏斗分析法漏斗分析法能够科学反映用户行为状态,以及从起点...
    640?wx_fmt=jpeg

    有一位朋友最近吐槽,他提交了一份7月数据分析报告给领导,报告里面放了很多图表,也摆了很多数据,结果被痛批了一顿,觉得很委屈。其实,这位朋友与很多小伙伴一样,做数据分析时,拿着手里的数据不知道怎么分析、从什么维度分析。

    640?wx_fmt=jpeg

    今天DataHunter数猎哥就来给大家分享7种最常用的数据分析方法,让你轻松运用数据分析解决实际工作问题,提升核心竞争力。


    一、漏斗分析法

    漏斗分析法能够科学反映用户行为状态,以及从起点到终点各阶段用户转化率情况,是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中,例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。

    640?wx_fmt=png
    例如:Data Analytics为网站制作的“促销活动分析” 

    比如,对一些电商产品来说,最终目的是让用户下单并支付,但转化率取决于整个流程。这时,我们就可以通过漏斗模型一步一步地进行监测。如下图所示,我们可以监控用户在流程中各个层级上的行为路径,寻找每个层级的可优化点。对没有按照流程操作的用户绘制他们的转化路径,找到可提升用户体验,缩短路径的空间,最终提升整体转化率。

    640?wx_fmt=png
    漏斗模型除了在电商中应用的比较多以外,在落地页、H5等也应用的比较多。我们可以反复优化落地页当中的图片、文案、布局,进一步的提高整体转化率。


    二、留存分析法

    640?wx_fmt=png
    留存分析法是一种用来分析用户参与情况和活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为。从用户的角度来说,留存率越高就说明这个产品对用户的核心需求也把握的越好,转化成产品的活跃用户也会更多,最终能帮助公司更好的盈利。

    这里需要注意的是,在做留存分析之前,我们首先需要了解用户留存的特点:

    640?wx_fmt=png
    比如,我们可以通过观察不同时间段用户留存的情况,通过对比各个渠道、活动、关键行为的用户后续留存变化,发现提升用户留存率的影响因素,例如观察领取过优惠券的用户留存率是否比没有领取优惠券的用户留存率更高。

    除此以外,还可以针对流失高/留存高的用户群组进行一对一的用户行为分析,统计留存/流失用户的行为特征,特别是针对流失用户,通过流失用户的行为分析总结流失原因,从而提升留存率。具体步骤如下图所示:

    640?wx_fmt=png
    三、分组分析法

    分组分析法是根据数据分析对象的特征,按照一定的标志(指标),把数据分析对象划分为不同的部分和类型来进行研究,以揭示其内在的联系和规律性。

    分组的目的就是为了便于对比,把总体中具有不同性质的对象区分开,把性质相同的对象合并在一起,保持各组内对象属性的一致性、组与组之间属性的差异性,以便进一步运用各种数据分析方法来揭示内在的数量关系,因此分组法必须与对比法结合运用。

    640?wx_fmt=png
    如图所示,分组分析在日常工作中应用的比较多的是用户分层与分群,比如在发优惠券的时候,可以通过红包,满减,限时券还有积分券等方式。我们可以针对不同的用户发送不同的优惠券以达到精细化运营的效果。那么当我们在做数据分析时,也可以从结果将用户进行分层来进行判断,这时同样也可以得到优化和改进业务的建议。

    640?wx_fmt=png
    说了完用户分层,接下来我们说说用户分群。用户分群和用户分层其实是相关联的,用户分群是对用户分层的补充,当用户差异性较大,层级上不能再做用户细分时,可以考虑将同一个分层内的群体继续切分,满足更高的精细化运营需要。

    640?wx_fmt=png
    例如:Data Analytics制作的“客户RFM群体分析” 

    RFM模型是客户管理中的一个经典方法,它用以衡量消费用户的价值和创利能力,是一个典型的用户分群。它依托收费的三个核心指标:最近一次消费时间(Recency)、消费频率(Frequency)和消费金额(Monetary)。

    640?wx_fmt=png

    消费金额Monetary:衡量用户对企业利润的贡献,消费金额越高的用户,价值也就越高。

    消费频率Frequency:衡量用户的忠诚度,是用户在限定的期间内购买的次数,最常购买的用户,忠诚度也越高。

    最近一次消费时间Recency:衡量用户的流失,消费时间越接近当前的用户,越容易维系与其的关系。1年前消费的用户价值肯定不如一个月才消费的用户。


    四、矩阵分析法

    矩阵分析法是指根据事物(如产品、服务等)的两个重要属性(指标)作为分析的依据,进行分类关联分析,找出解决问题的一种分析方法,也称为矩阵关联分析法,简称矩阵分析法。

    640?wx_fmt=png
    矩阵关联分析法在解决问题和资源分配时,可以为决策者提供重要参考依据——先解决主要矛盾,再解决次要矛盾,这样有利于提高工作效率,并将资源分配到最能产生绩效的部门、工作中,最终有利于决策者进行资源优化配置。

    640?wx_fmt=png
    比如在电商行业,我们可以使用浏览量和加购数这两个维度来进行矩阵分析,如图所示,左上角的是浏览量低的,然后加购次数多的,这说明产品其实是有很大潜力的,这时需要将这部分产品放在更好的位置让给用户进行浏览;右下角的浏览量高,但加购数低的,说明这个时候他的资源位置是好的,但是用户对这部分的产品并不感兴趣的,我们就需要对其进行相应的位置调整。


    五、关联分析法

    关联分析法是一种简单、实用的分析技术,是指从大量数据集中发现项集之间的关联性或相关性。若两个或多个变量的取值之间存在某种规律性,就称为关联。关联可分为简单关联、时序关联、因果关联等。
    640?wx_fmt=png

    关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。 

    可从数据库中关联分析出形如"由于某些事件的发生而引起另外一些事件的发生"之类的规则。如“67%的顾客在购买啤酒的同时也会购买尿布”,因此通过合理的“啤酒和尿布”的货架摆放或捆绑销售可提高超市的服务质量和效益。


    六、指标分析法

    在实际工作中,当拿到一些可视化数据图表或者是Excel表格时,我们可以直接运用统计学中的一些基础指标来做数据分析,比如平均数、众数、中位数、最大值、最小值等,下面我们分别来介绍:

    1.平均数

    平均数、也叫平均分析法,是指运用计算平均数的方法来反映总体在一定时间、地点条件下某一数量特征的一般水平的分析方法。平均分析法常用指标有算术平均数、调和平均数、几何平均数、众数和中位数等,其中最为常见的是算术平均数,也就是日常所说的平均数或平均值。

    640?wx_fmt=png

    平均数指标可用于对比同类现象在不同地区、不同行业、不同单位等之间的差异程度,比用总量指标对比更具说服力。除此以外,利用平均指标对比某些现象在不同历史时期的变化,也更能说明其发现趋势和规律。

    比如,汽车行业的自媒体如果想要分析数据,可从两个方面来分析:①外部:行业内整体公众号的平均打开率是多少,我们距离行业平均水平相差多少,该如何去做一些优化;②内部:针对每个月都在尝试的各种选题和内容运营策略,可以分析本月比上月平均打开率又增加了多少,这个月的选题是否有一些爆款,爆款文章平均打开率是多少,标题有什么特点等等。

    2.众数、中位数

    众数也就是数据中的一种代表数,它反应的是数据的一种集中程度。比如说最佳,最受欢迎,最满意都与众数有关。众数本质上来说,反映的是数据中发生频率最高的一些数据指标,在做数据分析时,我们可以对这些数据指标提取一些共性的特点,然后进行提炼和总结,然后得出一些改进的意见。

    中位数主要是反映的是一组数据的集中趋势,像我们比较常见的正态分布,比如说我们想去统计某市的人均收入,其实,大部分的人均收入都是在一定范围之内的,只有少部分是处于最低的和最高的,其实这是中位数带来的意义。

    640?wx_fmt=png

    在做数据分析时,如果各个数据之间的差异程度较小,用平均值就有较好的代表性;而如果数据之间的差异程度较大,特别是有个别的极端值的情况,用中位数或众数有较好的代表性。

    3.最大(小)值

    最大(小)值在平时做数据分析工作时比较常见,只是我们没有特别去注意。最值是作为典型代表和异常值进行分析的,比如说销售团队里的销售冠军,电商爆款商品等,如图所示,我们可以将销售额最大的几款商品提出来,然后我们去总结共性,找到原因,然后复制到其他的商品,最终提高平均转化率。

    640?wx_fmt=png


    七、对比分析法

    对比分析法是指将两个或两个以上的数据进行比较,分析它们的差异,从而揭示这些数据所代表的事物发展变化情况和规律性。它可以非常直观地看出事物某方面的变化或差距,并且可以准确、量化地表示出这种变化或差距是多少?对比分析法可分为静态比较和动态比较两类。

    640?wx_fmt=png

    静态比较:在同一时间条件下对不同总体指标的比较,如不同部门、不同地区、不同国家的比较、也叫横向比较,简称横比;

    动态比较:在同一总体条件下对不同时期指标数值的比较,也叫纵向比较,简称纵比。

    这两种方法既可单独使用,也可结合使用。

    进行对比分析时,可以单独使用总量指标、相对指标或平均指标,也可将它们结合起来进行对比。比较的结果可用相对数表示,如百分数、倍数等指标。

    在使用对比分析法时,需要先注意以下几个方面:①指标的口径范围、计算方法、计量单位必须一致,即要用同一种单位或标准去衡量;②对比的对象要有可比性;③对比的指标类型必须一致。无论绝对数指标、相对数指标、平均数指标,还是其他不同类型的指标,在进行对比时,双方必须统一。

    1.时间维度对比

    同一指标在不同时间维度下的对比,如同比、环比、定基比等。同比就是与去年的同一个时间段进行对比分析,可以是季、月、周、天;环比就是和上一个时间段来对比(也有和下一个时间段对比的,也叫后比),例如本月和上月,本周和上周对比;定基比是和某个指定的时期进行对比分析,比如2013年每个月都和2013年1月的销售额进行对比取值。

    如图为各月销售额对比,时间范围一致(均为月汇总)、指标一致、指标含义一致、其表现的为整个企业信息,总体性质可比。

    640?wx_fmt=png

    2.空间对比

    就是不同空间数据的对比,比如华北区和华南区对比,北京和上海,上海古北店和成都春熙路店进行对比。相似空间的对比对象必须是形态上比较接近,先进空间则是和同一种形态中的优秀空间进行对比,与扩大空间的对比,比如北京和全国的数据对比,北京王府井店和全北京的数据对比,和竞争对手的对比也在此列。

    如图为2018年全年各销售小组销售额对比,其对比的时间范围一致、指标一致、指标含义一致、维度为各个销售小组,具有相同性质。

    640?wx_fmt=png

    3.计划对比

    和计划标准的对比是销售追踪中非常重要的一环,所有的绩效考核都是计划标准,例如销售实际达成金额与销售计划达成金额对比,看销售是否完成当初指定的计划,如果没有完成,原因在哪里。

    640?wx_fmt=png

    4.与经验值或理论值对比

    其中的经验标准是在大量的实践过程中总结出来的值,而理论标准则是根据理论推断出来的值,平均值则是某一空间或时间的平均值。如,一单一品率:所有销售小票中只有一个商品的小票数量占比。参考值为小于40%,如果数据超过了40%,则需要考虑如何调整策略,帮助客户做关联购买。而参考值小于40%,就是一个理论值。
    640?wx_fmt=png

    以上就是7种常见的数据分析方法,在不同领域的工作中,它们通常都是以不同的形式展现出来的,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。

    --end--

    推荐阅读:
    展开全文
  • 常用数据分析方法介绍 一数据分析三个层次 数据分析由浅到深一般有三个层次描述性统计分析探索性数据分析 数据挖掘模型三个层次的分析复杂程度依次增大当然分析结果数据决策支持 价越高 二数据分析方法介绍 1描述性...
  • 常用数据分析方法论 摘自谁说菜鸟不会数据分析 数据分析方法论主要用来指导数据分析师进行一次完整的数据分析 它更多的是指数据分析思路 比如主要从哪 几方面开展数据分析各方面包含什么内容和指标 数据分析方法论...
  • 入门级python数据分析学习资源。分享出来仅供学习使用和探讨,如果发现有什么疑问,也请多多指教,入门级菜鸟分享,资源来源于网上,版权归作者所有!
  • SPSS常见数据分析方法比较汇总

    万次阅读 多人点赞 2017-04-09 00:54:22
    SPSS作为一款成熟的数据分析工具,其主要特点就是将各种各样的统计分析方法流程化模块化。 一、SPSS常用多变量分析技术比较汇总表 注: 卡方分析:定量两个定性变量的关联程度 简单相关分析:计量两个计量...

    SPSS作为一款成熟的数据分析工具,其主要特点就是将各种各样的统计分析方法流程化模块化。
    一、SPSS常用多变量分析技术比较汇总表
    20151110spss01注:

    卡方分析:定量两个定性变量的关联程度

    简单相关分析:计量两个计量变量的相关程度

    独立样本T检验:比较两组平均数是否相等

    ONEWAY ANOVA:可以比较三组以上的平均数是否相等,并进行多重比较检验

    TWOWAY ANOVA:可以比较两因素的平均数是否相等,并检验主效应和交互效应

    判别分析与logistic回归:应用于检验一组计量的自变量(可含虚拟变量)是否可以正确区别一个定性的因变量

    多维量表法(MDS):试图将个体中的变异数据,经过转为为一个多维度的空间图,且转化的个体在空间中的相对关系仍与原始数据尽量配合一致。
    二、SPSS常用统计技术(变量个数与测量量表)比较汇总表
    20151110spss02

    注:理论模型中变量通常很难测量,这类变量称为潜变量,如绩效、满意度、忠诚度等。

    三、SPSS学习的大致框架
    20151110spss03

    展开全文
  • 10种常用数据分析方法

    万次阅读 2018-12-07 16:15:57
    “器”是指物品或工具,在数据分析领域指的就是数据分析的产品或工具,“工欲善其事,必先利其器”;   “术”是指操作技术,是技能的高低、效率的高下,如对分析工具使用的技术(比如用Excel进行数据分析的水平...

    道家强调四个字,叫“道、法、术、器”。

     

    层次区别:

     

    “器”是指物品或工具,在数据分析领域指的就是数据分析的产品或工具,“工欲善其事,必先利其器”;

     

    “术”是指操作技术,是技能的高低、效率的高下,如对分析工具使用的技术(比如用Excel进行数据分析的水平);

     

    “法”是指选择的方法,有句话说“选择比努力重要”;

     

    “道”是指方向,是指导思想,是战略。

     

    在数据分析和产品、运营优化方面,数据分析方法是其核心,属于“法”和“术”的层次。

     

    那么如何做好数据分析呢,今天我们来讲讲互联网运营中的十大数据分析方法。

     

    01 细分分析

     

    细分分析是分析的基础,单一维度下的指标数据的信息价值很低。

     

    细分方法可以分为两类, 一类逐步分析, 比如:来北京市的访客可分为朝阳,海淀等区; 另一类是维度交叉, 如:来自付费SEM的新访客。

     

    细分用于解决所有问题。

     

    比如漏斗转化,实际上就是把转化过程按照步骤进行细分,流量渠道的分析和评估也需要大量用到细分的方法。

     

     

    02 对比分析

     

    对比分析主要是指将两个相互联系的指标数据进行比较,从数量上展示和说明研究对象的规模大小,水平高低,速度快慢等相对数值, 通过相同维度下的指标对比,可以发现,找出业务在不同阶段的问题。

     

    常见的对比方法包括: 时间对比,空间对比,标准对比。

     

    时间对比有三种: 同比,环比,定基比。

     

    例如: 本周和上周进行对比就是环比;本月第一周和上月第一周对比就是同比;所有数据同今年的第一周对比则为定基比。通过三种方式,可以分析业务增长水平,速度等信息。

     

     

    03 漏斗分析

     

    转化漏斗分析是业务分析的基本模型, 最常见的是把最终的转化设置为某种目的的实现,最典型的就是完成交易。但也可以是其他任何目的的实现,比如一次使用app的时间超过10分钟。

     

    漏斗帮助我们解决两方面的问题:

     

    在一个过程中是否发生泄漏,如果有泄漏,我们能在漏斗中看到,并且能够通过进一步的分析堵住这个泄漏点。

    在一个过程中是否出现了其他不应该出现的过程,造成转化主进程收到损害。

     

     

    04 同期群分析

     

    同期群(cohort)分析在数据运营领域十分重要,互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较,来分析哪些因素影响用户的留存。

     

    同期群分析深受欢迎的重要原因是十分简单,但却十分直观。 同期群只用简单的一个图表,直接描述了用户在一段时间周期(甚至是整个LTV)的留存或流失变化情况。

     

    以前留存分析只要用户有回访即定义为留存,这会导致留存指标虚高。

     

     

    05 聚类分析

     

    聚类分析具有简单,直观的特征, 网站分析中的聚类主要分为:用户,页面或内容,来源。

     

    用户聚类主要体现为用户分群,用户标签法;页面聚类则主要是相似,相关页面分组法;来源聚类主要包括渠道,关键词等。

     

    例如: 在页面分析中,经常存在带?参数的页面。 比如: 资讯详情页面,商品页面等,都属于同一类页面。简单的分析容易造成跳出率,退出率等指标不准确的问题,通过聚类分析可以获取同类页面的准确数据用于分析场景。

     

     

    06 AB测试

     

    增长黑客的一个主要思想之一,是不要做一个大而全的东西,而是不断做出能够快速验证的小而精的东西。 快速验证,那如何验证呢?主要方法就是AB测试。

     

    比如: 你发现漏斗转化中中间有漏洞,假设一定是商品价格问题导致了流失,你看到了问题-漏斗,也想出了主意-改变定价。但主意是否正确,要看真实的用户反应,于是采用AB测试,一部分用户还是看到老价格,一部分用户看到新价格,若你的主意真的管用,新价格就应该有更好的转化,若真如此,新价格就应该确定下来,如此反复优化。

     

     

    07 埋点分析

     

    只有采集了足够的基础数据,才能通过各种分析方法得到需要的分析结果。

     

    通过分析用户行为,并细分为:浏览行为,轻度交互,重度交互,交易行为,对于浏览行为和轻度交互行为的点击按钮等事件,因其使用频繁,数据简单,采用无埋点技术实现自助埋点,即可以提高数据分析的实效性,需要的数据可立即提取,又大量减少技术人员的工作量,需要采集更丰富信息的行为。

     

    如: 重度交互(注册,邀请好友等)和交易事件(加购物车,下订单等)则通过SDK批量埋点的方式来实施。

     

     

    08 来源分析

     

    流量红利消失,我们对获客来源的重视度极高,如何有效的标注用户来源,至关重要。

     

    传统分析工具,渠道分析仅有单一维度,要深入分析不同渠道不同阶段效果,SEM付费搜索等来源渠道和用户所在地区进行交叉分析,得出不同区域的获客详细信息,维度越细,分析结果也越有价值。

     

     

    09 用户分析

     

    用户分析是互联网运营的核心, 常用的分析方法包括:活跃分析,留存分析,用户分群,用户画像,用户细查等。

     

    可将用户活跃细分为浏览活跃,互动活跃,交易活跃等,通过活跃行为的细分,掌握关键行为指标;通过用户行为事件序列,用户属性进行分群,观察分群用户的访问,浏览,注册,互动,交易等行为,从而真正把握不同用户类型的特点,提供有针对性的产品和服务。

     

    用户画像基于自动标签系统将用户完整的画像描绘清晰,更有力的支撑运营决策。

     

     

    10 表单分析

     

    填写表单是每个平台与用户交互的必备环节,优秀的表单设计,对转化率的提升起到重要作用。

     

    用户从进入表单页面之时起,就产生了微漏斗,从进入总人数到最终完成并成功提交表单人数,这个过程之中,有多少人开始填写表单,填写表单时,遇到了什么困难导致无法完成表单,都影响最终的转化效果。

     

     

    以上是常见的数据分析方法,更多应用方法需要根据业务场景灵活应用。

    展开全文
  • 9种常用数据分析方法

    千次阅读 2020-08-17 11:09:23
    对比法就是用两组或两组以上的数据进行比较,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...

    一、公式拆解

    所谓公式拆解法就是针对某个指标,用公式层层分解该指标的影响因素。
    举例:分析某产品的销售额较低的原因,用公式法分解

     

    图片.png

    二、对比分析

    对比法就是用两组或两组以上的数据进行比较,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。对比法可以发现数据变化规律,使用频繁,经常和其他方法搭配使用。

    下图的AB公司销售额对比,虽然A公司销售额总体上涨且高于B公司,但是B公司的增速迅猛,高于A公司,即使后期增速下降了,最后的销售额还是赶超。

     

    图片.png

    三、A/Btest

    A/Btest,是将Web或App界面或流程的两个或多个版本,在同一时间维度,分别让类似访客群组来访问,收集各群组的用户体验数据和业务数据,最后分析评估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,我们假设是因为推广的着陆页面带来的转化率太低,下面就要想办法来进行改进了

    (2)设定目标,制定方案:设置主要目标,用来衡量各优化版本的优劣;设置辅助目标,用来评估优化版本对其他方面的影响。

    (3)设计与开发: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,根据情况逐渐增加流量。

    (5)采集并分析数据:收集实验数据,进行有效性和效果判断:统计显著性达到95%或以上并且维持一段时间,实验可以结束;如果在95%以下,则可能需要延长测试时间;如果很长时间统计显著性不能达到95%甚至90%,则需要决定是否中止试验。

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

     

    image.png

    四、象限分析

    通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,从而进行一些落地的推动。象限法是一种策略驱动的思维,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。

     

    image.png

     

    高点击率高转化的广告,说明人群相对精准,是一个高效率的广告。高点击率低转化的广告,说明点击进来的人大多被广告吸引了,转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告,说明广告内容针对的人群和产品实际受众符合程度较高,但需要优化广告内容,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。

     

    image.png


    象限法的优势:
    (1)找到问题的共性原因

    通过象限分析法,将有相同特征的事件进行归因分析,总结其中的共性原因。例如上面广告的案例中,第一象限的事件可以提炼出有效的推广渠道与推广策略,第三和第四象限可以排除一些无效的推广渠道;

    (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、一般发展客户、一般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。往往在使用二八法则的时候和排名有关系,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,然后可以思考如何让其余的80%向这20%转化,提高效果。

    一般地,会用在产品分类上,去测量并构建ABC模型。比如某零售企业有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问题。

    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指标,将这些销售额指标从大到小排列,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自己的实际情况调整。

    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交易额等。比如给企业贡献80%利润的客户是哪些,占比多少。假设有20%,那么在资源有限的情况下,就知道要重点维护这20%类客户。

    image.png

    六、漏斗分析

    漏斗法即是漏斗图,有点像倒金字塔,是一个流程化的思考方式,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。

     

    image.png

    上图是经典的营销漏斗,形象展示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指标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,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体购买转化率的目的。

    整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,寻找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,缩短路径提升用户体验。

    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位置,来关注不同的数据指标,最终制定不同的运营策略。

    从下面这幅AARRR模型图中,能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节,可以进行数据的横向和纵向对比,从而发现对应的问题,最终进行不断的优化迭代。

     

    image.png

    七、路径分析

    用户路径分析追踪用户从某个开始事件直到结束事件的行为路径,即对用户流向进行监测,可以用来衡量网站优化的效果或营销推广的效果,以及了解用户行为偏好,其最终目的是达成业务目标,引导用户更高效地完成产品的最优路径,最终促使用户付费。如何进行用户行为路径分析?

    (1)计算用户使用网站或APP时的每个第一步,然后依次计算每一步的流向和转化,通过数据,真实地再现用户从打开APP到离开的整个过程。
    (2)查看用户在使用产品时的路径分布情况。例如:在访问了某个电商产品首页的用户后,有多大比例的用户进行了搜索,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详情页。
    (3)进行路径优化分析。例如:哪条路径是用户最多访问的;走到哪一步时,用户最容易流失。
    (4)通过路径识别用户行为特征。例如:分析用户是用完即走的目标导向型,还是无目的浏览型。
    (5)对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户,并对每类用户进行不同访问任务的路径分析,比如意向型的用户,他进行不同车型的比较都有哪些路径,存在什么问题。还有一种方法是利用算法,基于用户所有访问路径进行聚类分析,依据访问路径的相似性对用户进行分类,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,也可能去取消订单,每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后,能为找到快速用户动机,从而引领用户走向最优路径或者期望中的路径。
    用户行为路径图示例:

     

    image.png

    八、留存分析

    用户留存指的是新会员/用户在经过一定时间之后,仍然具有访问、登录、使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,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,指的是每个月相对于第一个周的新增用户中,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(只有一半有数据),每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下,留存率会随着时间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:

     

    image.png

    九、聚类分析

    聚类分析属于探索性的数据分析方法。通常,我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。聚类结果要求组内对象相似性较高,组间对象相似性较低。在用户研究中,很多问题可以借助聚类分析来解决,比如,网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中,用户分类是最常见的情况。

    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:

    image.png

    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。当我们对数据进行聚类后并得到簇后,一般会单独对每个簇进行深入分析,从而得到更加细致的结果。



    作者:数据蝉
    链接:https://www.jianshu.com/p/d27563e492a0
    来源:简书
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    展开全文
  • 常用数据分析方法总结

    千次阅读 2019-11-02 14:06:23
    最近优化一个画像产品,用到一些数据分析方法,这里总结一下。 主要参考:https://www.jianshu.com/p/809fb2261b23,补充一些细节 一、描述统计 描述统计是通过图表或数学方法,对数据资料进行整理、分析,并对...
  • 数据分析方法》是为高等院校信息与计算科学专业本科生“数据分析课程”编写的教材,内容涉及常用统计数据分析的基本内容与方法,包括数据的描述性分析、线性回归分析、方差分析、主成分分析和典型相关分析、判别...
  • 常用的5种数据分析方法有哪些?

    千次阅读 2021-01-06 08:07:43
    常用数据分析方法有5种。 1.对比分析法 对比分析法指通过指标的对比来反映事物数量上的变化,属于统计分析中常用的方法。常见的对比有横向对比和纵向对比。 横向对比指的是不同事物在固定时间上的对比...
  • 统计学常用数据分析方法总结

    千次阅读 2020-11-05 13:46:23
    正文转载自:统计学常用数据分析方法总结 一、描述统计 描述统计是通过图表或数学方法,对数据资料进行整理、分析,并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为...
  • Python 数据分析,实用 Python 数据分析,实用 Python 数据分析,实用
  • 《企业经营数据分析——思路、方法、应用与工具》主要内容包括企业中的大数据介绍、数据分析的目的、数据分析的思路、对比与对标、分类、聚类、逻辑关系、预测、结构、各职能部门的具体数据分析常用数据分析工具...
  • 16种常用数据统计分析方法汇总
  • 常用的四种数据分析方法,以及介绍了常用的统计分析方法。
  • 数据分析方法论和数据分析方法

    千次阅读 2019-05-17 08:29:32
    首先,数据分析方法论就如同国家的方针政策,指导和决策我们分析的方向。从宏观角度知道如何进行数据分析,就像是一个数据分析的前期规划,知道着后期数据分析工作的开展。 数据分析法则就是指具体的分析方法,例如...
  • 16种常用数据分析方法汇总

    万次阅读 多人点赞 2017-04-04 16:16:33
    经常会有朋友问到一个朋友,数据分析常用的分析方法有哪些,我需要学习哪个等等之类的问题,今天数据分析精选给大家整理了十六种常用数据分析方法,供大家参考学习。 一、描述统计 描述性统计是指运用制表和...
  • 常用数据分析的基本方法

    千次阅读 2020-04-10 09:06:40
    常用数据分析的基本方法数据分析方法对比分析法分组分析法结构分析法平均分析法交叉分析法综合评价分析法杜邦分析法漏斗图分析法矩阵关联分析法(坐标象限法)高级数据分析方法 数据分析方法 之前学习了数据分析方法的...
  • 常用数据分析方法

    千次阅读 2019-01-09 09:25:03
    是最常见数据分析方法。在业务中,这种方法向数据分析师提供了重要指标和业务的衡量方法。 例如:每月的营收和损失账单。数据分析师可以通过这些账单,获得大量的客户数据。 了解客户的地理信息,就是“描述型分析...
  • Excel 数据中的数据分析功能提供了常用的一些统计方法和数据处理技巧,如下: 本文尝试从实践的角度去结合理论对这些统计方法一一介绍,不对的地方烦请指出,欢迎评论区一起交流讨论。 1. 处理技巧 处理技巧...
  • 统计学中常用数据分析方法汇总

    千次阅读 2020-06-21 15:38:22
    描述统计是通过图表或数学方法,对数据资料进行整理、分析,并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析、离中趋势分析和相关分析三大部分。 集中趋势分析集中...
  • 数据分析常见方法及模型分类

    千次阅读 2020-08-05 10:33:26
    今天跟大家分享一下比较常见数据分析方法以及模型分类。 在工作中,有很多的数据分析方法和模型,但是对于新入门的人来说,可能不能够一下子就找到合适的数据分析方法以及模型,进而影响到工作的进度。所以今天...
  • 常见的9种大数据分析方法

    万次阅读 2019-01-23 16:01:30
    数据分析是从数据中提取有价值信息的过程,过程中需要对数据进行各种处理和归类,只有掌握了正确的数据分类方法和数据处理模式,才能起到事半功倍的效果,以下是数据分析员必备的9种数据分析思维模式: 1. 分类 ...
  • 最近也快到年底了,老李就整理了15种常用/常见数据分析方法和模型,并将其分为两大类,方便大家理解记忆,话不多话,直接开盘! 对外部用户分析模型 1、RFM分析 以往文章:数据分析初学者必备!10分钟搭建RFM客户...
  • 什么是数据分析方法

    万次阅读 2018-09-04 09:26:21
    数据分析方法论 确定分析思路需要以营销、管理等理论为指导。...常用的数据几种数据分析方法:PEST分析法、5W2H分析法、逻辑树分析法、4P营销理论、用户行为理论。   数据分析方法论的重要性 很多人在做数...
  • 《企业经营数据分析——思路、方法、应用与工具》主要内容包括企业中的大数据介绍、数据分析的目的、数据分析的思路、对比与对标、分类、聚类、逻辑关系、预测、结构、各职能部门的具体数据分析常用数据分析工具...
  • 数据分析常用的十种数据分析思路
  • 【数据分析】最常用数据分析方法(干货)

    万次阅读 多人点赞 2018-09-25 11:51:54
    数据分析方法论 1、PEST分析法 2、SWOT分析法 3、5W2H分析法 4、4P理论 5、AARRR 数据分析的七个方法 1、趋势分析 2、多维分解 3、用户分群 4、用户细查 5、漏斗分析 6、留存分析 7、A/B测试与A/A测试 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 942,447
精华内容 376,978
关键字:

常用的数据分析方法