数据分析框架和方法

常用分析理论

STP

市场细分（Segmentation）
目标市场选择（Targeting）
市场定位（Positioning）

4P

产品（product）
价格（price）
渠道（place）
促销（promotion）
以适当的价格、适当的渠道和适当的促销手段，将适当的产品或服务投向市场
主要用于行业分析

PESTEL

政治（political）
经济（economic）
社会（social）
技术（technological）
环境（environment）
法律（legal）
用于分析产品外部宏观环境

SWOT

优势（strength）
劣势（weeknesses）
机会（opportunity）
威胁（threats）
用于分析产品内部环境

5W2H

何事何物（what）
何解（why）
何人（who）
何时（when）
何地（where）
如何做（how）
做到什么程度（how much）
用于各类场景下的发现问题和解决问题的一种思路

绩效指标方法：SMART原则

S：具体(Specific)，指绩效考核要切中特定的工作指标，不能笼统；
M：可度量(Measurable)，指绩效指标是数量化的，验证这些绩效指标的数据或者信息是可以获得的；
A：可实现(Attainable)，指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；
R：相关性(Relevant），指绩效指标是与工作的其它目标是相关联的；绩效指标是与本职工作相关联的；
T：有时限(Time-bound)，注重完成绩效指标的特定期限。

逻辑树

又称问题树、演绎树或分解树，它是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展；用于保证解决问题思路的完整性。

使用原则：

要素化：把相同问题总结归纳成要素；
框架化：将各个元素组织成框架，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。

用户使用行为

—>认知—>熟悉
—>试用—>使用—>忠诚
—>流失—>回流
用于基于用户生命周期的整体性数据分析

AARRR

获取用户（acquisition）
活跃用户（activation）
留下用户（retention）
获取收入（revenue）
用户自传播（refer）
用于从企业的角度分析用户规模增长过程的数据

数据分析方法

方法	说明
对比分析	单一的数据毫无意义，只有经过对比才能体现数据的好坏。常见的对比类型有环比，同比等
细分分析	层层递进，在多个子维度上分析数据，时间维度和渠道的交叉分析
交叉分析	即在多个维度上对比分析数据
漏斗分析	主要用户转化率的分析
比率分析	更偏向属于一种数据展示手段，特别是在数据结论中。可以起到清晰强化对比的作用。
过去/现状/趋势分析	一个时间段的数据要么可以得出对过去和现状的总结，要么就是对未来的趋势分析。接下来都是指导我们该如何去做。
RFM模型	数据按维度细分的一种依据，按照最近一次购买时间（recency）、购买次数（frequency）和购买金额（monetary）

注：RFM模式主要是针对用户的属性进行细分分析，属于细分分析的一种。不同的产品需要对三个维度进行和实际业务相符的修改。例如针对内容型产品，“最近一次购买时间”可以改为“最近一次消费/贡献内容时间”，“购买次数”改为“内容消费/贡献次数”，“购买金额”改为“内容消费/贡献量”。同时还需要针对业务的特性增加维度，例如互联网金融产品可以增加“代偿金额”。

业务分析类方法：

1.1 杜邦分析法

主要用于财务领域，通过财务比率的关系来分析财务状况，
核心：将一个大的问题拆分为更小粒度的指标

GMV（Gross Merchandise Volume）网站成交金额

考核业绩最直观的指标
当GMV出现下滑时候，需要找到影响GMV的因素并逐一拆解。

GMV下降如果是因下单用户减少所造成的，那么

访客数（流量）减少了？
- 自然流量减少了？
  - 需要在用户运营和产品运营端发力
- 营销流量不足？
  - 通过营销活动或者站外引流的形式增加曝光量
还是转化率下降了呢？
- 需要对用户进行细分，针对不同阶段的用户采取不同的运营策略

如果是因为客单价不高

需要进行定价及促销的方案优化
- 比如识别具有GMV提升潜力的商品进行定价优化
- 针对选品、力度和促销形式进行优化。
通过关联商品的推荐或商品套装促销的形式
- 激发用户购买多件商品，也可以有效提高客单价。

1.2 同比热力图分析法

把 各个业务线 的同比数据放到一起进行比较，更为直观地了解 各个业务 的状况。

image

构建一张同比热力图大致需要三步：

1.按照杜邦分析法将核心问题进行拆解
以电商为例，GMV = 流量 × 转化率 × 商品均价 × 人均购买量；
2.计算每个业务各项指标的同比数据
3.针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式
首先，可以通过纵向对比了解业务自身的同比趋势
其次，可以通过横向对比了解自身在同类业务中的位置
还可以综合分析GMV等核心指标变动的原因

1.3 类波士顿矩阵（BCG Matrix）矩阵

以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判断各项业务所处的位置

类BCG矩阵：根据不同的业务场景和业务需求，将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。

商品引流能力和转化率：流量份额-转化率
商品对毛利/GMV的贡献：毛利率-销售额
基于[RFM]分析用户的价值：访问频率-消费金额

二、用户分析类方法

2.1 TGI（Target Group Index）目标群体指数

在分析用户时，通常的做法是将目标用户进行分类，然后对比各类用户与总体之间的差异性

TGI指数 = 用户分类中具有某一特征的群体所占比例 / 总体中具有相同特征的群体所占比例*100

比如在分析用户的年龄段：

香蕉城中----男性的用户占比为63%
水果国中----男性的用户占比为55%（总体平均值）
那么香蕉城的男性用户的TGI指数为63% / 55%=115，此值大于100，表示用户1中的占比高于平均值，香蕉城中男性较少。

TGI指数表征不同特征用户关注问题的差异情况

TGI指数等于100表示平均水平
高于100代表该类用户对某类问题的关注程度高于整体水平。

所以，在分析用户画像时，需要根据场景进行用户分类，并对比各类用户与总体间的差异，这样才能保证分析结果的可信性和适用性，而TGI指数就是很好的对比指标。

2.2 LRFMC模型

RFM模型 是衡量客户价值和客户创利能力的重要工具和手段，有3个要素构成，分成八个象限：

最近一次消费 (Recency)
消费频率 (Frequency)
消费金额 (Monetary)

Recency	Frequency	Monetary	客户	描述	后续
高	高	高	重要价值客户	最近有消费，消费频率高，消费金额大	维护
低	高	高	重要唤回客户	最近无消费，消费频率高，消费金额大	需要唤回
高	低	高	重要深耕客户	最近有消费，消费频率低，消费金额大	重点识别
低	低	高	重要挽留客户	最近无消费，消费频率低，消费金额大	可能流失，需要挽留
高	高	低	潜力客户	最近有消费，消费频率高，消费金额小	需要挖掘
高	低	低	新客户	最近有消费，消费频率低，消费金额小	容易丢失，有推广价值
低	高	低	一般维持客户	最近无消费，消费频率高，消费金额小	一般维持
低	低	低	流失客户	最近无消费，消费频率低，消费金额小	冬眠客户

这一模型还不够完善，比如对于M，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。

LRFMC模型 提供了一个更完整的视角，能更全面地了解一个用户的特征：

L(lifetime)：从用户第一次消费算起，至今的时间，代表了与用户建立关系的时间长度，也反映了用户可能的活跃总时间。
R(Recency)：用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。
F(Frequency)：用户在一定时间内的消费频率，反映了用户的忠诚度。
M(Monetary)：用户在一定时间内的消费金额，反映了用户的购买能力。
C(CostRatio)：用户在一定时间内消费的折扣系数，反映了用户对促销的偏好性。

以去哪儿的业务为例，通过LRFMC模型综合分析用户的习惯偏好和当前状态，从而指导精准营销方案的实施。

L(lifetime):用户来多久了？
R(Recency) :用户最近是否有消费，如果来了很长时间都未消费，是否需要进行唤醒？
F(Frequency) :用户出行的频率如何，如果是固定周期出行，是否应该进行复购提醒？
M(Monetary) :用户的消费金额是多少，是单价高（购买头等舱），还是频次高？
C(CostRatio):用户对折扣的偏好如何，是为用户增加权益还是降价促销？

三、产品运营类

常用指标如下：

使用广度：总用户数，月活；
使用深度：每人每天平均浏览次数，平均访问时长；
使用粘性：人均使用天数；

综合指标：
月访问时长 = 月活 × 人均使用天数 × 每人每天平均浏览次数 × 平均访问时长

产品所处阶段不同，运营的侧重点也会有所不同：

在产品初期，核心的工作是拉新，应该更加关注产品的使用广度
产品的中后期，应该更加注重使用深度和使用粘性的提升。

对于不同的产品也需根据产品的性质来确定核心指标

对于社交类产品，使用广度和使用粘性至关重要
对于一些中台分析类产品，提升使用深度和使用粘性更有意义