有一位朋友最近吐槽，他提交了一份7月數據分析報告給領導，報告里面放了很多圖表，也擺了很多數據，結果被痛批了一頓，覺得很委屈。其實，這位朋友與很多小伙伴一樣，做數據分析時，拿著手里的數據不知道怎么分析、從什么維度分析。
今天DataHunter數獵哥就來給大家分享7種最常用的數據分析方法，讓你輕松運用數據分析解決實際工作問題，提升核心競爭力。
一、漏斗分析法
漏斗分析法能夠科學反映用戶行為狀態(tài)，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(jiān)控、CRM系統(tǒng)、SEO優(yōu)化、產品營銷和銷售等日常數據運營與數據分析工作中。
例如：Data Analytics為網站制作的“促銷活動分析”
比如，對一些電商產品來說，最終目的是讓用戶下單并支付，但轉化率取決于整個流程。這時，我們就可以通過漏斗模型一步一步地進行監(jiān)測。如下圖所示，我們可以監(jiān)控用戶在流程中各個層級上的行為路徑，尋找每個層級的可優(yōu)化點。對沒有按照流程操作的用戶繪制他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間，最終提升整體轉化率。
漏斗模型除了在電商中應用的比較多以外，在落地頁、H5等也應用的比較多。我們可以反復優(yōu)化落地頁當中的圖片、文案、布局，進一步的提高整體轉化率。
二、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(xù)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。
這里需要注意的是，在做留存分析之前，我們首先需要了解用戶留存的特點：
比如，我們可以通過觀察不同時間段用戶留存的情況，通過對比各個渠道、活動、關鍵行為的用戶后續(xù)留存變化，發(fā)現提升用戶留存率的影響因素，例如觀察領取過優(yōu)惠券的用戶留存率是否比沒有領取優(yōu)惠券的用戶留存率更高。
除此以外，還可以針對流失高/留存高的用戶群組進行一對一的用戶行為分析，統(tǒng)計留存/流失用戶的行為特征，特別是針對流失用戶，通過流失用戶的行為分析總結流失原因，從而提升留存率。具體步驟如下圖所示：
三、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(guī)律性。
分組的目的就是為了便于對比，把總體中具有不同性質的對象區(qū)分開，把性質相同的對象合并在一起，保持各組內對象屬性的一致性、組與組之間屬性的差異性，以便進一步運用各種數據分析方法來揭示內在的數量關系，因此分組法必須與對比法結合運用。
如圖所示，分組分析在日常工作中應用的比較多的是用戶分層與分群，比如在發(fā)優(yōu)惠券的時候，可以通過紅包，滿減，限時券還有積分券等方式。我們可以針對不同的用戶發(fā)送不同的優(yōu)惠券以達到精細化運營的效果。那么當我們在做數據分析時，也可以從結果將用戶進行分層來進行判斷，這時同樣也可以得到優(yōu)化和改進業(yè)務的建議。
說了完用戶分層，接下來我們說說用戶分群。用戶分群和用戶分層其實是相關聯的，用戶分群是對用戶分層的補充，當用戶差異性較大，層級上不能再做用戶細分時，可以考慮將同一個分層內的群體繼續(xù)切分，滿足更高的精細化運營需要。
例如：Data Analytics制作的“客戶RFM群體分析”
RFM模型是客戶管理中的一個經典方法，它用以衡量消費用戶的價值和創(chuàng)利能力，是一個典型的用戶分群。它依托收費的三個核心指標：最近一次消費時間（Recency）、消費頻率（Frequency）和消費金額（Monetary）。
消費金額Monetary：衡量用戶對企業(yè)利潤的貢獻，消費金額越高的用戶，價值也就越高。
消費頻率Frequency：衡量用戶的忠誠度，是用戶在限定的期間內購買的次數，最常購買的用戶，忠誠度也越高。
最近一次消費時間Recency：衡量用戶的流失，消費時間越接近當前的用戶，越容易維系與其的關系。1年前消費的用戶價值肯定不如一個月才消費的用戶。
四、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。
矩陣關聯分析法在解決問題和資源分配時，可以為決策者提供重要參考依據——先解決主要矛盾，再解決次要矛盾，這樣有利于提高工作效率，并將資源分配到最能產生績效的部門、工作中，最終有利于決策者進行資源優(yōu)化配置。
比如在電商行業(yè)，我們可以使用瀏覽量和加購數這兩個維度來進行矩陣分析，如圖所示，左上角的是瀏覽量低的，然后加購次數多的，這說明產品其實是有很大潛力的，這時需要將這部分產品放在更好的位置讓給用戶進行瀏覽；右下角的瀏覽量高，但加購數低的，說明這個時候他的資源位置是好的，但是用戶對這部分的產品并不感興趣的，我們就需要對其進行相應的位置調整。
五、關聯分析法
關聯分析法是一種簡單、實用的分析技術，是指從大量數據集中發(fā)現項集之間的關聯性或相關性。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯等。
關聯分析的一個典型例子是購物籃分析。該過程通過發(fā)現顧客放入其購物籃中的不同商品之間的聯系，分析顧客的購買習慣。通過了解哪些商品頻繁地被顧客同時購買，幫助零售商制定營銷策略。其他的應用還包括價目表設計、商品促銷、商品的排放和基于購買模式的顧客劃分。
可從數據庫中關聯分析出形如'由于某些事件的發(fā)生而引起另外一些事件的發(fā)生'之類的規(guī)則。如“67%的顧客在購買啤酒的同時也會購買尿布”，因此通過合理的“啤酒和尿布”的貨架擺放或捆綁銷售可提高超市的服務質量和效益。
六、指標分析法
在實際工作中，當拿到一些可視化數據圖表或者是Excel表格時，我們可以直接運用統(tǒng)計學中的一些基礎指標來做數據分析，比如平均數、眾數、中位數、最大值、最小值等，下面我們分別來介紹：
1.平均數
平均數、也叫平均分析法，是指運用計算平均數的方法來反映總體在一定時間、地點條件下某一數量特征的一般水平的分析方法。平均分析法常用指標有算術平均數、調和平均數、幾何平均數、眾數和中位數等，其中最為常見的是算術平均數，也就是日常所說的平均數或平均值。
平均數指標可用于對比同類現象在不同地區(qū)、不同行業(yè)、不同單位等之間的差異程度，比用總量指標對比更具說服力。除此以外，利用平均指標對比某些現象在不同歷史時期的變化，也更能說明其發(fā)現趨勢和規(guī)律。
比如，汽車行業(yè)的自媒體如果想要分析數據，可從兩個方面來分析：①外部：行業(yè)內整體公眾號的平均打開率是多少，我們距離行業(yè)平均水平相差多少，該如何去做一些優(yōu)化；②內部：針對每個月都在嘗試的各種選題和內容運營策略，可以分析本月比上月平均打開率又增加了多少，這個月的選題是否有一些爆款，爆款文章平均打開率是多少，標題有什么特點等等。
2.眾數、中位數
眾數也就是數據中的一種代表數，它反應的是數據的一種集中程度。比如說最佳，最受歡迎，最滿意都與眾數有關。眾數本質上來說，反映的是數據中發(fā)生頻率最高的一些數據指標，在做數據分析時，我們可以對這些數據指標提取一些共性的特點，然后進行提煉和總結，然后得出一些改進的意見。
中位數主要是反映的是一組數據的集中趨勢，像我們比較常見的正態(tài)分布，比如說我們想去統(tǒng)計某市的人均收入，其實，大部分的人均收入都是在一定范圍之內的，只有少部分是處于最低的和最高的，其實這是中位數帶來的意義。
在做數據分析時，如果各個數據之間的差異程度較小，用平均值就有較好的代表性；而如果數據之間的差異程度較大，特別是有個別的極端值的情況，用中位數或眾數有較好的代表性。
3.最大（小）值
最大（?。┲翟谄綍r做數據分析工作時比較常見，只是我們沒有特別去注意。最值是作為典型代表和異常值進行分析的，比如說銷售團隊里的銷售冠軍，電商爆款商品等，如圖所示，我們可以將銷售額最大的幾款商品提出來，然后我們去總結共性，找到原因，然后復制到其他的商品，最終提高平均轉化率。
七、對比分析法
對比分析法是指將兩個或兩個以上的數據進行比較，分析它們的差異，從而揭示這些數據所代表的事物發(fā)展變化情況和規(guī)律性。它可以非常直觀地看出事物某方面的變化或差距，并且可以準確、量化地表示出這種變化或差距是多少？對比分析法可分為靜態(tài)比較和動態(tài)比較兩類。
靜態(tài)比較：在同一時間條件下對不同總體指標的比較，如不同部門、不同地區(qū)、不同國家的比較、也叫橫向比較，簡稱橫比；
動態(tài)比較：在同一總體條件下對不同時期指標數值的比較，也叫縱向比較，簡稱縱比。
這兩種方法既可單獨使用，也可結合使用。
進行對比分析時，可以單獨使用總量指標、相對指標或平均指標，也可將它們結合起來進行對比。比較的結果可用相對數表示，如百分數、倍數等指標。
在使用對比分析法時，需要先注意以下幾個方面：①指標的口徑范圍、計算方法、計量單位必須一致，即要用同一種單位或標準去衡量；②對比的對象要有可比性；③對比的指標類型必須一致。無論絕對數指標、相對數指標、平均數指標，還是其他不同類型的指標，在進行對比時，雙方必須統(tǒng)一。
1.時間維度對比
同一指標在不同時間維度下的對比，如同比、環(huán)比、定基比等。同比就是與去年的同一個時間段進行對比分析，可以是季、月、周、天；環(huán)比就是和上一個時間段來對比（也有和下一個時間段對比的，也叫后比），例如本月和上月，本周和上周對比；定基比是和某個指定的時期進行對比分析，比如2013年每個月都和2013年1月的銷售額進行對比取值。
如圖為各月銷售額對比，時間范圍一致（均為月匯總）、指標一致、指標含義一致、其表現的為整個企業(yè)信息，總體性質可比。
2.空間對比
就是不同空間數據的對比，比如華北區(qū)和華南區(qū)對比，北京和上海，上海古北店和成都春熙路店進行對比。相似空間的對比對象必須是形態(tài)上比較接近，先進空間則是和同一種形態(tài)中的優(yōu)秀空間進行對比，與擴大空間的對比，比如北京和全國的數據對比，北京王府井店和全北京的數據對比，和競爭對手的對比也在此列。
如圖為2018年全年各銷售小組銷售額對比，其對比的時間范圍一致、指標一致、指標含義一致、維度為各個銷售小組，具有相同性質。
3.計劃對比
和計劃標準的對比是銷售追蹤中非常重要的一環(huán)，所有的績效考核都是計劃標準，例如銷售實際達成金額與銷售計劃達成金額對比，看銷售是否完成當初指定的計劃，如果沒有完成，原因在哪里。
4.與經驗值或理論值對比
其中的經驗標準是在大量的實踐過程中總結出來的值，而理論標準則是根據理論推斷出來的值，平均值則是某一空間或時間的平均值。如，一單一品率：所有銷售小票中只有一個商品的小票數量占比。參考值為小于40%，如果數據超過了40%，則需要考慮如何調整策略，幫助客戶做關聯購買。而參考值小于40%，就是一個理論值。
以上就是7種常見的數據分析方法，在不同領域的工作中，它們通常都是以不同的形式展現出來的，我們需要在擁有數據面前，清晰知道應用哪一個或幾個方法來分析實際問題最為有效，結合場景靈活運用，沒有最好的分析方法只有最適合的。
關于 DataHunter
DataHunter 是一家專業(yè)的數據分析和商業(yè)智能服務提供商，注冊于2014年。團隊核心成員來自 IBM、Oracle、SAP等知名公司，深耕大數據分析領域，具有十余年豐富的企業(yè)服務經驗。
DataHunter 旗下核心產品智能數據分析平臺 Data Analytics、數據大屏設計配置工具 Data MAX 已在業(yè)內形成自己的獨特優(yōu)勢，并在各行業(yè)積累了眾多標桿客戶和成功案例。
成立以來，DataHunter就致力于為客戶提供實時、高效、智能的數據分析展示解決方案，幫助企業(yè)查看分析數據并改進業(yè)務，成為最值得信賴的數據業(yè)務公司。
