【业务数据分析】——十大常用数据分析方法
目录
一、数据分析方法
如果把数据分析比作盖房子，那么数据分析方法就是设计方案，解决房子装修的各种问题。
如果没有学习数据分析方法，在面对一堆数据分析问题时，只会手足无措，根本不知道从哪里开始分析，需要分析什么。
二、营销管理方法论
1、SWOT分析
SWOT分析来自企业管理理论中的战略规划，此理论由Boseman Phatak于1986年创建。SWOT分析即态势分析，是指将与研究对象相关的内部优势、劣势、机会、威胁等，通过调查列举出来。
● Strengths（优势）：产品的优势是什么，有什么地方比竞品更有竞争力。做优势分析，可以清晰地知道自己产品的优势在哪里，以便更好地发挥优势。
● Weakness（劣势）：产品的劣势是什么，比起竞品，自己的产品有什么不足，这些不足是否影响到了市场份额，这些不足怎样通过产品迭代和优化去改善。
● Opportunity（机会）：产品的未来有什么机会，用户现有的痛点是否有我们可以利用的机会。
● Treats（威胁）：现在产品面临的外部威胁是什么，这些威胁是什么原因造成的，我们该怎么去解决它。
2、PEST分析
PEST分析也是外部环境分析的一种方法。
P（Politics，政治要素）：是指对组织经营活动具有实际与潜在影响的政治力量和有关的法律、法规等因素。当政治制度与体制、政府对组织所经营业务的态度发生变化时，当政府发布了对企业经营具有约束力的法律、法规时，企业的经营战略必须随之做出调整。
E（Economic，经济要素）：是指一个国家的经济制度、经济结构、产业布局、资源状况、经济发展水平及未来的经济走势等。构成经济环境的关键要素包括GDP的变化发展趋势、利率水平、通货膨胀程度及趋势、失业率、居民可支配收入水平、汇率水平、能源供给成本、市场机制的完善程度、市场需求状况等。分析经济环境的目的是为了帮助企业做决策的方向。
S（Society，社会要素）：是指组织所在社会中成员的民族特征、文化传统、价值观念、宗教信仰、教育水平及风俗习惯等因素。社会要素主要是为了了解现有的一些用户群体的价值观念和教育水平，有助于产品本地化，做出更适合当地用户习惯的产品。
T（Technology，技术要素）：不仅包括那些引起革命性变化的发明，还包括与企业生产有关的新技术、新工艺、新材料的出现和发展趋势，以及应用前景。例如，一些风靡全球的社交软件，无不是因为通信技术、大数据处理技术、移动互联网等盛行后的技术积累。
3、4P理论
4P理论主要包括产品（Product）、渠道（Place）、价格（Price）、推广（Promotion）。
产品（Product）：市场营销的起点就是产品，一个企业最重要的东西和核心竞争力一定是产品，产品可以是有形的商品，也可以是无形的服务或者技术、知识等。产品之所以能够提供给市场，被人们使用和消费，是因为它满足了人们某种需要。企业的营销负责人在策划一个产品时，需要考虑这个产品解决了什么需求，卖给谁，有什么功能，它跟竞争对手的产品有什么差异，有时还要思考产品是要做单品爆款，还是要做各种产品线组合，以面对市场上的各种竞争。
渠道（Place）：渠道主要指可以触达到用户的地方，比如，让用户下载一个新的产品通常会通过在多个渠道投放广告来增加产品的曝光度和触达率。
价格（Price）：这是指用户在购买产品时的价格，包括折扣、支付期限等。价格的制定手段有很多，竞争比较法、成本加成法、目标利润法、市场空隙法，影响定价的主要因素有3个：需求、成本、竞争。在整个定价体系中，最高价格取决于市场需求，最低价格取决于这个产品的成本，在最高价格和最低价格的区间中，企业能把产品的价格定到多高，也取决于竞争对手的同类型产品的价格。
推广（Promotion）：推广包括品牌宣传（广告）、公关、促销等一系列营销行为。在移动互联网时代，推广和传播的方式也发生了巨大变化，从过去线下的电视广告、户外广告等传播方式走向多媒体渠道的推广方式。你的消费者可能在浏览微信、微博、今日头条、抖音，那么推广就要渗透到他们的生活轨迹，可以说，现在的推广已经从单一媒体发展到媒体组合的推广方式了。
三、常用数据分析方法论
1、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
2、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。
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）发布新版本：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。
4、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。
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。
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。
5、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。
在帕累托的分析图中，有两个纵坐标，一个横坐标，一个柱形图和一条折线图，以下图为例，X轴是按照商城各个品牌销售额从大到小排序，左侧Y轴为各品牌产品的销售额，右侧Y轴为各品牌累计销售额占总销售额的百分比。
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，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。
7、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。
8、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：
9、5W2H分析法
在数据分析岗位的面试中，你是否不止一次遇到以下问题。
● DAU降低了怎么分析？
● 用户留存率下降了怎么分析？
● 订单数量下降了怎么分析？
像这样的问题，如果没有科学的思维框架来梳理思路，就会有一种想要说很多个点，但不知道先说哪一个点的问题。这会造成回答很乱，没有条理性，同时有可能会漏掉很多内容。回答这种类似的问题时，大多数情况下都可以利用5W2H方法组织思路，做到逻辑清晰。DAU下降了，5W2H分析法会教你如何拆解DAU下降的原因，并归类及给出建议。用户留存率下降了，5W2H分析法会教你拆解用户，归纳不同群体的用户留存率下降的原因。订单数量下降了，5W2H分析法助力漏斗分析，可以快速挖掘流失的关键步骤、关键节点。
5W2H分析法主要由5个以W开头的英语单词和两个以H开头的英语单词组成，这7个单词为我们提供了问题的分析框架。
● What：发生了什么？即问题是什么，What的精髓在于告诉我们第一步要认清问题的本质是什么。
● When：何时？在什么时候发生的？问题发生的时间，比如，DAU下降了，就是下降的具体时间分析，这个时间是不是节假日等。
● Where：何地？在哪里发生的？拆解其中一个环节，比如，DAU下降了，那么是哪一个的地区DAU下降了，是哪一个功能的使用人数下降了等。
● Who：是谁？比如，DAU下降了，是哪一部分的用户群体在降，年龄、性别、使用APP时长等。
● Why：为什么会这样？比如，某个地区的DAU下降了，其他地方的没有下降，那可能是这个地区的APP在使用过程中有什么问题。
● How：怎样做？知道了问题是什么以后，就到了策略层，我们要采取什么方法和策略去解决DAU下降的问题。
● How much：多少？做到什么程度？这个主要是采取对应的策略可能花费的成本是多少，以及这个问题要解决到什么程度才可以。
举例：
某APP的付费人数一直在减少，如何通过数据分析帮助产品和业务人员挖掘对应的付费用户的流失原因，并给出对应的解决策略。
(When)不同用户的流失周期比例分析如图。大部分群体的流失周期还不是很长，说明整体来说用户的流失是最近刚发生的，同时说明我们有能力可以针对这部分流失用户利用策略进行挽留。
(Where)不同付费入口的拆解分析：
对比4个主要的付费入口，分析每天付费人数的走势，发现付费人数的减少主要集中在“我的”页面入口，“我的”页面入口付费降低的可能原因是什么呢？这就需要与业务方一起分析对应的原因，比如，可能要分析这个位置的付费功能的每一个环节的流失情况（结合漏斗分析）。分析出“我的”页面中付费功能具体的流失环节后，再有针对性地进行调整迭代。
(Who)用户特征分析:
从用户特征分析可以看出流失的用户群体是哪一类人，具有什么特点，可以使我们对流失的用户群体有一个更清晰完整的洞察。这里以年龄为例，分析流失的付费用户的年龄特征，会发现主要集中在18岁以下的未成年群体，这部分用户群体为什么流失呢？就需要结合用户反馈等一起分析。除了年龄，还可以分析流失用户的性别特征、城市级别特征、活跃时长和活跃天数、经常使用的功能等。
原因总结归纳。通过分析，流失的主要原因是由于“我的”页面的付费功能，可能是具体的某个付费转化环节出现了问题。流失的用户群体主要是18岁以下、男性、三线城市（假设）。流失的用户群体的活跃时长、活跃次数、活跃天数等没有明显下降。
策略落地。本环节需要与业务方反馈数据分析结论，然后结合产品经理或运营人员的经验及用户反馈等进一步确定原因。如果确定是“我的”页面中付费功能的某个环节出现问题，就需要有针对性地进行改进，同时采用A/B测试的方法验证策略是否有效。
5W2H分析法从问题出发，有一套科学完整的分析思路，可以对造成问题的原因进行推测，并提出相应的解决方案，最终解决问题，形成闭环。当然，理论很美好，在实际应用过程中可能还会遇到各种各样的业务场景，针对不同的业务场景，整体的框架还是不变的，但分析的维度需要根据不同的产品形态和业务特性来进行调整。
10、麦肯锡逻辑树分析法
逻辑树又被称为问题树、演绎树或者分解树，是麦肯锡公司提出的分析问题、解决问题的重要方法。首先它的形态像一棵树，把已知的问题比作树干，然后考虑哪些问题或者任务与已知问题有关，将这些问题或子任务比作逻辑树的树枝，一个大的树枝还可以继续延续伸出更小的树枝，逐步列出所有与已知问题相关联的问题。
总的来说，逻辑树满足以下3个原则。
● 要素化：把相同问题总结归纳成要素。
● 框架化：将各个要素组织成框架，遵守不重不漏的原则。
● 关联化：框架内的各要素保持必要的相互关系，简单而不孤立。
逻辑树的作用：在数据体系的搭建过程中，需要借助逻辑树的思路将业务的整体目标进行结构化拆解，然后转化成可以量化的数据指标，再转变为指标体系。例如，如下图所示的用OSM模型搭建数据体系的思路就是借助了逻辑树的思路。
业务的整体目标是提高表情的分发次数，让沟通中使用表将会更有趣、更简单。通过逻辑树分析法，我们可以进行第一步的目标拆解，将整体目标拆解为提高表情发送次数、提高表情下载次数、提高表情传播数。
提高表情发送次数，可以通过内容和功能维度去解答。在内容方面，要提升表情的丰富度、有趣度、新颖度和表达度等，让用户有发这个表情的欲望；在功能方面，也要有针对性地进行优化，比如，想要提高用户查找表情的效率，就要缩短查找表情的时间。
提高表情下载次数，也同样分为内容和功能两个方面。在功能方面，涉及怎样把每个用户喜欢的表情排在前面，这样用户可以快速找到他们想要下载的表情。另外，也要通过功能的优化，提高用户进入表情商店的比例，从源头上保证有足够的用户数都能够进入表情商店。在内容方面，要对表情商店中表情的丰富度和吸引力等方面进行优化。
提高表情传播次数，也需要在内容和功能方面进行优化，这就涉及社交关系的传播和表情的关系，除了要引导用户下载自己喜欢的表情，还要引导用户下载他和朋友共同喜欢的表情。
举例：
某电商APP的DAU(日活)下降了，需要分析为什么DAU会下降，这也是数据分析面试中的经典问题。在回答这个问题时，为了使答案具有条理，需要应用逻辑树分析法分析思路。
首先，从最大的两个思路切入，拆分成外部和内部因素。一般在分析这个问题时，很容易忽略外部因素，外部因素也是很重要的一部分。外部因素主要分析两个方面，竞品和行业。
竞品分析，分析是否因为竞品的崛起而导致一部分用户转移到他们那边去了。
行业分析，可以借助PEST等分析方法，分析这个行业的外部环境是否变得恶劣，比如生活、经济、政策、政治等外部原因。
参考内容：
《数据分析方法和业务实战》
更多博客：
- 点赞
- 收藏
- 关注作者
评论（0）