图解数据分析(6) | 核心步骤3 - 业务分析与数据挖掘（数据科学家入门·完结）

• 作者：韩信子@ShowMeAI
• 教程地址：https://www.showmeai.tech/tutorials/33
• 本文地址：https://www.showmeai.tech/article-detail/139
• 声明：版权所有，转载请联系平台与作者并注明出处
• 收藏ShowMeAI查看更多精彩内容

---

数据分析分核心步骤分为：业务认知与数据探索、数据预处理、业务认知与数据探索等三个核心步骤。本文介绍第三个步骤——业务认知与数据探索。

一、业务分析模型

1.1 AB测试

AB测试，简单来说，就是为同一个产品目标制定两个方案（比如两个页面一个用红色的按钮、另一个用蓝色的按钮），让一部分用户使用A方案，另一部分用户使用B方案，然后通过日志记录用户的使用情况，并通过结构化的日志数据分析相关指标，如点击率、转化率等，从而得出那个方案更符合预期设计目标，并最终将全部流量切换至符合目标的方案。

1.2 RFM分析

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，是最流行、最简单、最有效的客户细分方法之一。

• Recency最近一次消费：用户最近一次消费距离现在的时间。例如，1周前消费过的用户比1年前消费过的用户价值大。

• Frequency消费频率：用户在统计周期内购买商品的次数。例如，购买频率高的用户价值比偶尔来一次的客户价值大。

• Monetary消费金额：用户在统计周期内消费的总金额。例如，消费越多的用户价值越大。

1.3 漏斗分析 / AARRR

漏斗分析模型是一套流程式分析模型，已经广泛应用于流量监控、产品目标转化等日常欻据运营与数据分析中，可以帮助我们把握每个转化节点的效率，能够直观的发现问题所在，从而优化整个业务流程。

AARRR是一个产品的生命增长周期，描述了不同阶段的用户参与行为的深度，即： Acquisition（获取用户）、 Activation（激发活跃）、Retention（提高留存）、 Revenue（增加收入）、 Referral（传播推荐）。它能通过层与层之间用户的转化数，即转换率，来定位问题出在哪。

1.4 同期群分析

同期群分析，是通过分析性质完全一样的、可对比群体随时间的变化，来分析哪些因素影响用户的留存。只用简单的个图表，就直接描述了用户在一段时间周期的留存或流失变化情况。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。

1.5 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。

（1）时间对比

最常用的就是同比和环比，通过时间周期的数据对比，了解目前数据水平的高低。

• 同比：对比上一个周期的相同时段做比较。例如，今年6月比去年6月。

• 环比：联系两个时长相等的时段做比较例如，今年6月比去年5月。

（2）标准对比

通过目前数据与设定的目标计划之间的对比，了解目前发展进程，完成进度等，了解差距后可以及时调整策略。例如：在图表中设置目标值、平均值、中位数等标准，与实际数据形成标准对比，分析数据情况。

（3）空间对比

在相同时间范围内与不同空间指标数据进行对比例如：各省份订单销售数据的差别对比，可以得出产品的优势地区重点突破，平衡人力物力等

1.6 来源分析

来源是指访问我们网站的用户是如何到达我们的网站的。要想深入分析不同渠道、不同阶段效果，可以通过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，从而指导网站的优化，最终达到提升用户转化率的目的。

1.7 细分分析

（1）多层钻取

将每层数据进行嵌套，点击不同维度数据，进行细分分析，通过多层钻取，直接在图表中点击查看细分数据，每层数据均可选择适合的图表类型进行展。

（2）聚焦下钻

对于数据中的一些重点数据，进行聚焦分析，在整体分析中，想要查看特别关注的部分数据详情，可以使用聚焦及下钻的功能，进行自由分析。

1.8 用户分析

常用的用户分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

以『活跃分析』为例，可以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。然后，通过用户行为事件序列，对用户属性进行分群，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。

1.9 聚类分析

聚类分析是将数据分为相对同质的群组的分析方法。网站分析中的聚类主要分为：用户聚类、页面或内容聚类或来源聚类。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，来源聚类主要包括渠道、关键词等。

二、数据挖掘与机器学习应用

2.1 监督学习

• 分类
  • 逻辑回归
  • 朴素贝叶斯
  • 决策树
  • 随机森林
  • K近邻
  • 支持向量机
• 回归
  • 线性回归

2.2 无监督学习

• 聚类
  • K均值聚类
• 降维
  • 主成分分析PCA

一键运行所有代码

图解数据分析系列 配套的所有代码，可前往ShowMeAI 官方 GitHub，下载后即可在本地 Python 环境中运行。能访问 Google 的宝宝也可以直接借助 Google Colab一键运行与交互学习！

下载数据分析速查表

Awesome cheatsheets | ShowMeAI速查表大全 系列包含『编程语言』『AI技能知识』『数据科学工具库』『AI垂直领域工具库』四个板块，追平到工具库当前最新版本，并跑通了所有代码。点击 官网 或 GitHub 获取~

数据分析相关速查表（部分）：

内容	速查表(部分)	Github代码
Python 3速查表		一键运行速查表代码 - Python
Numpy 速查表		一键运行速查表代码 - Numpy
Pandas 速查表		一键运行速查表代码 - Pandas
Matplotlib 速查表		一键运行速查表代码 - Matplotlib
Seaborn 速查表		一键运行速查表代码 - Seaborn

拓展参考资料

• 利用Python进行数据分析·第2版
• w3schools pandas tutorial
• Kaggle的Pandas入门教程
• 十分钟入门 Pandas
• Pandas可视化教程
• Pandas官方教程
• Seaborn官方教程

ShowMeAI图解数据分析系列推荐（数据科学家入门）

• 图解数据分析(1) | 数据分析介绍
• 图解数据分析(2) | 数据分析思维
• 图解数据分析(3) | 数据分析的数学基础
• 图解数据分析(4) | 核心步骤1 - 业务认知与数据初探
• 图解数据分析(5) | 核心步骤2 - 数据清洗与预处理
• 图解数据分析(6) | 核心步骤3 - 业务分析与数据挖掘
• 图解数据分析(7) | 数据分析工具地图
• 图解数据分析(8) | Numpy - 统计与数据科学计算工具库介绍
• 图解数据分析(9) | Numpy - 与1维数组操作
• 图解数据分析(10) | Numpy - 与2维数组操作
• 图解数据分析(11) | Numpy - 与高维数组操作
• 图解数据分析(12) | Pandas - 数据分析工具库介绍
• 图解数据分析(13) | Pandas - 核心操作函数大全
• 图解数据分析(14) | Pandas - 数据变换高级函数
• 图解数据分析(15) | Pandas - 数据分组与操作
• 图解数据分析(16) | 数据可视化原则与方法
• 图解数据分析(17) | 基于Pandas的数据可视化
• 图解数据分析(18) | 基于Seaborn的数据可视化

ShowMeAI系列教程精选推荐

• 大厂技术实现：推荐与广告计算解决方案
• 大厂技术实现：计算机视觉解决方案
• 大厂技术实现：自然语言处理行业解决方案
• 图解Python编程：从入门到精通系列教程
• 图解数据分析：从入门到精通系列教程
• 图解AI数学基础：从入门到精通系列教程
• 图解大数据技术：从入门到精通系列教程
• 图解机器学习算法：从入门到精通系列教程
• 机器学习实战：手把手教你玩转机器学习系列
• 深度学习教程：吴恩达专项课程 · 全套笔记解读
• 自然语言处理教程：斯坦福CS224n课程 · 课程带学与全套笔记解读
• 深度学习与计算机视觉教程：斯坦福CS231n · 全套笔记解读