数据分析常用方法小结
逻辑树分析方法
逻辑树分析方法是把发杂问题拆解成若干简单的子问题，然后像树枝那样逐步展开，逻辑树能保证解决问题的过程的完整性。逻辑树分析方法不是单独存在的，经常融合在其他分析方法里面，辅助解决问题
行业分析方法PEST
PEST分析方法是对公司发展的宏观环境的分析，通常是从政策，经济，社会，技术这四个方面分析公司的外部环境
政策环境：主要是指一个国家的国民收入，消费者收入水平等。经济环境决定着公司未来市场能做多大
社会环境：主要包括一个地区的人口，年龄，收入分布，购买习惯，教育水平等
技术环境：指外部技术对公司发展的影响
多维度拆解分析方法
多维度拆解分析方法通过将数据从指标结构或业务流程角度进行多维度拆分，来观察数据的变动
指标拆解：比如用户分为新用户，老用户
业务流程拆解：比如不同渠道的用户付费率
对比分析方法
对比分析是最基础最常见的数据分析方法，能直观的看出事物某阶段的变化，并且可以准确，量化的表达出这种变化/差距是多少，重点是弄清楚“和谁比”和“如何比”
和谁比：和自己比，和行业比（可以知道数据的变化是行业趋势原因还是自身原因）
如何比：
- 数据整体的大小——用某些指标衡量数据整体的达标，常见的有平均值，中位数或者某个业务指标
- 数据整体的波动——用变异系数衡量整体数据的波动情况
- 趋势变化——从时间维度看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比
在用对比分析方法时，要注意对象的规模要一致
假设检验分析方法
假设检验分析方法分位三个步骤：
- 根据要解决的问题，提出假设
- 通过收集证据来证明
- 依靠找到的证据得出结论
得出结论后要多问几个为什么，可能的原因是什么，然后用数据去验证可能的原因，不断重复假设分析这个过程，直到找到问题的根源
为了能客观全面地提出假设，可以使用业务流程图，4P营销理论（产品，价格，渠道，促销）等来检验提出的假设是否有遗漏
4P营销理论
产品product：指企业提供给目标市场的有形与无形产品，包括产品的实体，品牌，包装，样式，服务，技术等
价格price：指用户购买产品时的价格，包括基本价格，折扣价格，付款期限及各种定价方法和定价技巧等
渠道place：是指产品从生产企业到消费用户所经历的销售路径。普通消费品会经过代理商，批发商，商场或零售店的环节。B2C模式中也有电话直销，网络直销，人员直销，专卖店直销等模式
促销promotion：是指企业利用各种方法来刺激用户消费，来促进销售的增长。包括广告，人员推销，营业推广等。例如买一送一，过节打折等
AARRR分析方法
分析用户的行为
AARRR可以应用到面向大众消费者的各个行业中
AARRR模型对应产品运营的5个重要环节，分别是：
①获取用户acquisition：用户如何找到我们？语言和渠道要匹配
要关注的指标包括：
- 渠道曝光量：有多少人看到产品推广的线索
- 渠道转换率：有多少用户因为曝光转换成客户
- 日新增用户数：每天新增用户是多少
- 日应用下载量：每天有多少用户下载了产品
- 获客成本：获取一个客户所花费的成本
②激活用户activation：用户的首次体验如何？找到用户的“啊哈时刻”
要关注的指标包括：
日/周/月活跃用户数（日/周/月活）：一天内登录或使用了某个产品的用户数
活跃率：活跃用户占比。某一段时间内活跃用户在总用户量的占比
提高留存retention：用户会回来吗？让用户养成使用习惯
要关注的指标：次日留存率，第3日留存率，第7日留存率，第30日留存率
③增加收入revenue：如何赚到更多的钱？从用户身上或得真正的收益
要关注的指标：
客单价：每位用户平均购买商品的金额。客单价=销售总额/顾客总数
PUR（pay user rate）：付费用户占比
ARPPU（average revenue per pay user）：某段时间内付费用户的平均收入
生命周期价值（LTV，life time value）：常用于游戏行业，平均一个用户在首次登录游戏到最后一次登录游戏内，为该游戏创造的收入总计
复购率：一定时间内，消费两次及以上的用户数/总购买用户数
销售额：用户数*转化率*客单价*购买频率
④推荐（refer病毒式营销）：用户会告诉其他人嘛
需要三个条件：
产品本身：是否解决了用户的痛点？
用户环境：用户在哪里，对应模型中的获取用户
⑤传播行为：人们会因为什么目的去分享产品，即对应模型的第5个环节
要关注的指标：
转发率：转发用户数/看到该功能的用户数
转化率：计算方法与具体业务场景有关。如淘宝转化率=某段时间内产生购买行为的客户人数/所有到达店铺的访客人数。广告点击率=点击广告进入推广网站的人数/看到广告的人数
K因子：衡量推荐的效果。K因子=每个用户发出的邀请数量*接受到邀请的人转化为新用户的转化率
杜邦分析方法
如何对公司的财务进行分析
杜邦分析方法是将各种财务指标综合在一起来评价公司财务管理效果。通常用于公司财务方面的分析
净资产收益率=销售净利率*总资产周转率*权益乘数
指标分析
指标可以理解为用来描述事物的数量。比如我们最为常见的指标：页面浏览量PV，也就是描述页被浏览的次数；再比如转化率，也就是描述目标被转化的次数。用一句话来将其分类就是：谁，干了什么，结果怎样。
明确重点关注的指标后，才能更好地做针对性的优化和改进，为产品运营的决策提供指导
比率分析
指通过计算某个维度所占维度总量的比例，分析部分与总数比例关系的一种方法
公式：比率=某纬度数值/总量*100%
该方法较为适合多产品，多地区推广
转化分析
转化分析指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率
计算公式为：转化率=（转化次数/点击量）*100%
常用的转化分析模型是漏斗分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况。漏斗分析模型已经广泛应用于网站用户行为分析和APP用户行为分析的流量监控，产品目标转化等日常数据运营和数据分析的工作中
漏斗分析要注意的两个要点：
不但要看总体的转化率，还要关注转化过程每一步的转化率
漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异
留存分析
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法
衡量留存的常见指标有：次日留存率，7日留存率，30日留存率等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存
一个精准的留存分析功能能够评判出产品对用户的价值高低，到底这个产品有没有能力留住用户。我们最理想的是说让用户的生命周期（使用产品的）跟随产品的生命周期保持一致，这样产品才能良性健康发展下去
分群分析
即用户分群是指用户信息标签化，通过用户的历史行为路径，行为特征，偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析
在日常的数据工作中，经常会有这样的需求：想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道具体是哪些人符合这些条件。然后查看这些人的数据导出用户名单，针对性的发送tips消息。有时还想进一步查看某些人在使用某功能上的具体操作行为。用户分群，就是用来满足这类需求的工具方法，它能够帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径
常见的用户分群主要有两种分法：
用户画像分群。如年龄，性别，地域，用户偏好等，画像建设的焦点是为用户群打“标签”，一个标签通常是人为规定的高度精炼的特征标识，最后将用户分群的标签综合，即可勾勒出该用户群的立体“画像”。画像分群让我们真正了解了用户的某些特征，对业务推广帮助很大
用户行为分群，根据用户的注册渠道和活跃习惯，制定不同的营销推广策略，有针对性的进行优化
交叉分析
交叉分析法又称立体分析法，是在纵向分析法和横向分析法的基础上，从交叉，立体的角度出发，由浅入深，由低级到高级的一种分析方法。当我们需要找到变量之间的关系，从而发现数据特征，找到异常数据时会用到它
简单来说交叉分析就是多条件分析数据。对数据对象，在不同的时间，空间下，会有不同的数据展现，我们想要理清楚一个对象的具体情况，不能仅仅只考虑一个条件，而是要综合多个条件进行分析。
例如，在分析商品在不同城市的市场容量时，将商品销量作为横向变量，城市作为纵向变量，两者组合建立交叉表，从而确定不同城市的商品市场规模。然而在实际案例中，数据项目往往有多项，此时分析者同样可以使用交叉分析的思路来理清数据间的关系
分布分析
分布分析是在特定维度下针对不同指标来对用户进行归类展现。它可以展现出用户对产品的依赖程度
分布分析主要作用
找到用户分布规律：对同一指标下有关数据的统计和分析，挖掘用户使用产品的规律，进一步修正和指定产品策略
增加客户回访率：分布分析从多角度分析帮助公司判断用户对产品的依赖程度
快速识别核心用户群体：核心用户群体是对公司贡献最大的用户群体，是公司最大的利润来源。分布分析通过不同的维度筛选出核心用户群体，做好资源配置，以最小的成本实现公司利润最大化
应用场景
用户在一个月内购买产品的支付次数分布
按照省份查看用户在一个月内的购买产品的支付次数分布
用户在一个月内实际支付订单金额总和分布
矩阵分析
矩阵分析利用数学上矩阵的形式表示因素间的相互关系，从中探索问题所在并得出解决问题的设想。它是进行多元思考，分析问题的方法。矩阵图可以让数据分析变得简单
矩阵图是由两个或多个数据维度组成。两个维度就可以确定一个点的相对位置。横轴合纵轴的两个维度可以把矩阵分成四个象限，每个象限可以针对不同的策略，所以可以根据点的相对位置所在的象限直接得出决策。灵活是因为矩阵图的维度没有固定的维度，不同的两种维度的组合可以分出不同的象限，不同的象限可以对应不同的决策
当我们进行顾客调查，产品设计或者其他各种方案选择，做决策的时候，往往需要确定对几种因素加以考虑，然后，针对这些因素要权衡其重要性，加以排队，得出加权系数。譬如，我们在做产品设计之前，向顾客调查队产品的要求，具体如下：
市场调查数据分析。当我们进行顾客调查，产品设计开发或者其他各种方案选择时，往往需要考虑多重影响因素，并确定各因素的重要性和优先考虑次序。矩阵数据分析法可以帮助我们通过对市场调查数据分析计算，判断出顾客对产品的要求，产品设计开发的关键影响因素，最适宜的方案等
多因素分析。在某工序影响因素复杂且各因素间存在可量化的关系时，可以进行较准确地分析
复杂质量评价。通过对影响质量的大量数据进行分析，确定哪些因素是质量特性
关联分析
关联分析是一种简单，实用的分析技术，是指从大量数据集中发现项集之间的关联性和相关性。若两个或多个变量的屈指之间存在某总规律性，就称为关联。关联可分为简单关联，时序关联，因果关联
关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁的被顾客同时购买，这种关联的发现可以帮助零售商制定营销策略。其他的应用还包括价目表设计，商品促销，商品的排放和基于购买模式的顾客划分
可从数据库中关联分析出形如“由于某些事件的发生而引起另外一些事件的发生”之类的规则。如“67%的顾客在购买啤酒的同时也会购买尿布”，因此通过合理的“啤酒与尿布”的货架摆放或捆绑销售可提高超市的服务质量和效益
同期群分析
同期群分析，目的是比较相似群体随时间的变化规律。举两个例子：
- 80后、90后在20岁、30岁、40岁时的人均收入各是多少？
- 各日注册的新用户，在后续各日的充值金额是多少？
为什么要进行同期群分析？
- 产品周期：产品从初期到后期的成熟稳定，产品形态和商业模式都是在不断迭代的，前后用户体验的差异是巨大的；
- 用户质量：产品发布初期的种子用户和后续买量带来的用户，在用户质量上的差异也是很大的。
所以，我们要将用户按照同期性构成一个群组，比较不同的同期群在生命周期内的变化，以此分析产品的变化。
同期群分析实例
从以上数据中，能提取出什么信息？
- 随时间推进，新增逐渐增长；
- ARPU值基本稳定；
问题是：充值情况真的是稳定的吗？还是变好或是变坏？
从ARPU值是看不出来的，因为新老用户混在一起，且各月新老用户分布比例是不同的。
这时，需要进行同期群分析，将相同注册时间的用户归为同一群体，对比不同群体相同生命周期下的充值数据：
分析结论：
- 如果只看ARPU，似乎收入稳定不变，但经过同期群分析可以看出，收入业务是在茁壮成长的，因为新用户首月充值金额逐渐提升
- 用户自首月消费后，后续消费金额逐渐递减
- 前几个月用户充值衰减幅度较大，3月4月开始衰减趋有所缓解
同期群分析能够观察到不同生命周期客户的行为模式，而不是一刀切的统一指标看数据，经过同期群分析，能够清楚知道接下来要怎么做
同期群分析适用于收入，流失，活跃等任何你关注的指标分析
好的数据指标会改变行为，这是重要的评判标准：随着指标的变化，你是否会采取相应的措施
公式法
所谓公式法就是针对某个指标，用公式层层分解该指标的影响因素，这个我在指标化思维中提到过
举例：分析某产品的销售额较低的原因，用公式法分解
- 某产品销售额=销售量 X 产品单价
- 销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量 + …
- 渠道销售量=点击用户数 X 下单率
- 点击用户数=曝光量 X 点击率
第一层：找到产品销售额的影响因素。某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理？
第二层：找到销售量的影响因素。分析各渠道销售量，对比以往，是哪些过低了
第三层：分析影响渠道销售量的因素。渠道销售量=点击用户数X 下单率。是点击用户数低了，还是下单量过低。如果是下单量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高
第四层：分析影响点击的因素。点击用户数=曝光量X点击率。是曝光量不够还是点击率太低，点击率低需要优化广告创意，曝光量则和投放的渠道有关
通过对销售额的逐层拆解，细化评估以及分析的粒度
公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽
象限法
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，常于产品分析、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
象限法的优势
- 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
- 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
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
二八/帕累托分析
二八法也可以叫帕累托法则，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
漏斗法
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
从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代
不过，单一的漏斗分析是没有用的，不能得出什么结果，要与其它相结合，如与历史数据的对比等
5W2H分析法
为什么why，什么事what，谁who，什么时候when，什么地方where，如何做how，什么价格how much，主要用于用户行为分析，业务问题专题分析，营销活动等
该方法是一个非常简单，方便又实用的工具，以用户购买行为为例：
Why：用户为什么要买？产品的吸引点在哪里？
What：产品提供的功能是什么？
Who：用户群体是什么？这个群体的特点是什么？
When：购买频次是什么？
How：用户怎么购买？购买方式什么？
How much：用户购买的成本是什么？时间成本是什么？
