很多新人入門數(shù)據(jù)分析的時(shí)候，要么胡子眉毛一把抓，要么無從下手。這都是缺少分析思路的表現(xiàn)，在日常工作學(xué)習(xí)中需要熟記以下具體的方法來進(jìn)行。
Q：一般常用的分析方法有哪些？
A：一般分為7種，分別是趨勢(shì)分析；多維分解；用戶分群；用戶細(xì)查；漏斗分析；留存分析； A/B測(cè)試與A/A測(cè)試。
Q：這7種具體是些什么？
A：具體如下：
1. 趨勢(shì)分析
趨勢(shì)分析是最簡(jiǎn)單、最基礎(chǔ)，也是最常見的數(shù)據(jù)監(jiān)測(cè)與數(shù)據(jù)分析方法。通常我們?cè)跀?shù)據(jù)分析產(chǎn)品中建立一張數(shù)據(jù)指標(biāo)的線圖或者柱狀圖，然后持續(xù)觀察，重點(diǎn)關(guān)注異常值。
在這個(gè)過程中，我們要選定第一關(guān)鍵指標(biāo)(OMTM，One Metric That Metter)，而不要被虛榮指標(biāo)(VanityMetrics )所迷惑。
以社交類APP為例，如果我們將下載量作為第一關(guān)鍵指標(biāo)，可能就會(huì)走偏;因?yàn)橛脩粝螺dAPP并不代表他使用了你的產(chǎn)品。在這種情況下，建議將DAU(Daily Active Users，日活躍用戶)作為第一關(guān)鍵指標(biāo)，而且是啟動(dòng)并且執(zhí)行了某個(gè)操作的用戶才能算上去；這樣的指標(biāo)才有實(shí)際意義，運(yùn)營人員要核心關(guān)注這類指標(biāo)。
2. 多維分解
多維分解是指從業(yè)務(wù)需求出發(fā)，將指標(biāo)從多個(gè)維度進(jìn)行拆分；這里的維度包括但不限于瀏覽器、訪問來源、操作系統(tǒng)、廣告內(nèi)容等等。
為什么需要進(jìn)行多維拆解？有時(shí)候一個(gè)非?；\統(tǒng)或者最終的指標(biāo)你是看不出什么問題來的，但是進(jìn)行拆分之后，很多細(xì)節(jié)問題就會(huì)浮現(xiàn)出來。
舉個(gè)例子，某網(wǎng)站的跳出率是0.47、平均訪問深度是4.39、平均訪問時(shí)長是0.55分鐘。如果你要提升用戶的參與度，顯然這樣的數(shù)據(jù)會(huì)讓你無從下手；但是你對(duì)這些指標(biāo)進(jìn)行拆解之后就會(huì)發(fā)現(xiàn)很多思路。
下面展示的是一個(gè)產(chǎn)品在不同操作系統(tǒng)下的用戶參與度指標(biāo)數(shù)據(jù)。
仔細(xì)觀察的話，你會(huì)發(fā)現(xiàn)移動(dòng)端平臺(tái)（Android、Windows Phone、IOS）的用戶參與度極差，表現(xiàn)在跳出率極高、訪問深度和平均訪問時(shí)長很低。這樣的話你就會(huì)發(fā)現(xiàn)問題，是不是我們的產(chǎn)品在移動(dòng)端上沒有做優(yōu)化導(dǎo)致用戶體驗(yàn)不好？在這樣一個(gè)移動(dòng)互聯(lián)網(wǎng)時(shí)代，這是非常重要的一個(gè)問題。
3. 用戶分群
用戶分群主要有兩種分法：維度和行為組合。第一種根據(jù)用戶的維度進(jìn)行分群，比如從地區(qū)維度分，有北京、上海、廣州、杭州等地的用戶；從用戶登錄平臺(tái)進(jìn)行分群，有PC端、平板端和手機(jī)移動(dòng)端用戶。第二種根據(jù)用戶行為組合進(jìn)行分群，比如說每周在社區(qū)簽到3次的用戶與每周在社區(qū)簽到少于3次的用戶的區(qū)別，這個(gè)具體的我會(huì)在后面的留存分析中介紹。
4. 用戶細(xì)查
正如前面所說的，用戶行為數(shù)據(jù)也是數(shù)據(jù)的一種，觀察用戶在你產(chǎn)品內(nèi)的行為路徑是一種非常直觀的分析方法。在用戶分群的基礎(chǔ)上，一般抽取3-5個(gè)用戶進(jìn)行細(xì)查，即可覆蓋分群用戶大部分行為規(guī)律。
我們以一個(gè)產(chǎn)品的注冊(cè)流程為例：
用戶經(jīng)歷了如下的操作流程：【訪問官網(wǎng)】-【點(diǎn)擊注冊(cè)】-【輸入號(hào)碼】-【獲取驗(yàn)證碼】。本來是非常流暢的一個(gè)環(huán)節(jié)，但是卻發(fā)現(xiàn)一個(gè)用戶連續(xù)點(diǎn)擊了3次【獲取驗(yàn)證碼】然后放棄提交。這就奇怪了，用戶為什么會(huì)多次點(diǎn)擊驗(yàn)證碼呢？
這個(gè)時(shí)候我建議您去親自體驗(yàn)一下您的產(chǎn)品，走一遍注冊(cè)流程。你會(huì)發(fā)現(xiàn)，點(diǎn)擊【獲取驗(yàn)證碼】后，經(jīng)常遲遲收不到驗(yàn)證碼；然后你又會(huì)不斷點(diǎn)擊【獲取驗(yàn)證碼】，所以就出現(xiàn)了上面的情況。
絕大多數(shù)產(chǎn)品都或多或少存在一些反人類的設(shè)計(jì)或者BUG，通過用戶細(xì)查可以很好地發(fā)現(xiàn)產(chǎn)品中存在的問題并且及時(shí)解決。
5. 漏斗分析
漏斗是用于衡量轉(zhuǎn)化效率的工具，因?yàn)閺拈_始到結(jié)束的模型類似一個(gè)漏斗，因而得名。漏斗分析要注意的兩個(gè)要點(diǎn)：
第一，不但要看總體的轉(zhuǎn)化率，還要關(guān)注轉(zhuǎn)化過程每一步的轉(zhuǎn)化率；
第二，漏斗分析也需要進(jìn)行多維度拆解，拆解之后可能會(huì)發(fā)現(xiàn)不同維度下的轉(zhuǎn)化率也有很大差異。
某企業(yè)的注冊(cè)流程采用郵箱方式，注冊(cè)轉(zhuǎn)化率一直很低，才27%；通過漏斗分析發(fā)現(xiàn)，主要流失在【提交驗(yàn)證碼】的環(huán)節(jié)。
經(jīng)過了解發(fā)現(xiàn)，郵箱驗(yàn)證非常容易出現(xiàn)注冊(cè)郵箱收不到郵件的情況，原因包括郵件代理商被屏蔽、郵件含有敏感字被歸入垃圾郵箱、郵件送達(dá)時(shí)間過長等等。既然這么多不可控因素影響注冊(cè)轉(zhuǎn)化率，那就換一種驗(yàn)證方式。換成短信驗(yàn)證后，總體轉(zhuǎn)化率提升到了43%，這是非常大的一個(gè)增長。
6. 留存分析
留存，顧名思義就是新用戶留下來持續(xù)使用產(chǎn)品的含義。 衡量留存的常見指標(biāo)有：次日留存率、7日留存率、30日留存率等等。我們可以從兩個(gè)方面去分析留存，一個(gè)是新用戶的留存率，另一個(gè)是產(chǎn)品功能的留存。
第一個(gè)案例：以社區(qū)網(wǎng)站為例，“每周簽到3次”的用戶留存率明顯高于“每周簽到少于3次”的用戶。簽到這一功能在無形中提升了社區(qū)的用戶的粘性和留存率，這也是很多社群或者社區(qū)主推這個(gè)功能的原因。
第二個(gè)案例：首次注冊(cè)微博，微博會(huì)向你推薦關(guān)注10個(gè)大V；首次注冊(cè)LinkedIn，LinkedIn會(huì)向你推薦5個(gè)同事；申請(qǐng)信用卡時(shí)，發(fā)卡方會(huì)說信用卡消費(fèi)滿4筆即可抽取【無人機(jī)】大獎(jiǎng)；很多社交產(chǎn)品規(guī)定，每周簽到5次，用戶可以獲得雙重積分或者虛擬貨幣。
在這里面“關(guān)注10個(gè)大V”、“關(guān)注5個(gè)同事”、“消費(fèi)4筆”、“簽到5次”就是我想說的Magic Number，這些數(shù)字都是通過長期的數(shù)據(jù)分析或者機(jī)器學(xué)習(xí)的方式發(fā)現(xiàn)的。實(shí)踐證明，符合這些特征的用戶留存度是最高的；運(yùn)營人員需要不斷去push，激勵(lì)用戶達(dá)到這個(gè)標(biāo)準(zhǔn)，從而提升留存率。
7. A/B測(cè)試與A/A測(cè)試
A/B測(cè)試是為了達(dá)到一個(gè)目標(biāo)，采取了兩套方案，一組用戶采用A方案，一組用戶采用B方案。通過實(shí)驗(yàn)觀察兩組方案的數(shù)據(jù)效果，判斷兩組方案的好壞。在A/B測(cè)試方面，谷歌是不遺余力地嘗試；對(duì)于搜索結(jié)果的顯示，谷歌會(huì)制定多種不同的方案（包括文案標(biāo)題，字體大小，顏色等等），不斷來優(yōu)化搜索結(jié)果中廣告的點(diǎn)擊率。
這里需要注意的一點(diǎn)，A/B測(cè)試之前最好有A/A測(cè)試或者類似準(zhǔn)備。什么是A/A測(cè)試？A/A測(cè)試是評(píng)估兩個(gè)實(shí)驗(yàn)組是否是處于相同的水平，這樣A/B測(cè)試才有意義。其實(shí)這和學(xué)校里面的控制變量法、實(shí)驗(yàn)組與對(duì)照組、雙盲試驗(yàn)本質(zhì)一樣的。
聯(lián)系客服
