数据分析 之八种方法

上篇介绍了三个经典的分析思路,它们可以帮你搭建一个清晰的分析框架。那么对于具体的业务常见问题,我们又该怎么办呢?
我们可以用常见的八种方法来进行数据分析。
1.数字和趋势
看数字、看趋势是最基础的展示数据信息的方式。在数据分析中,我们可以通
过直观的数字或趋势图表,迅速了解市场的走势、订单的数量、业绩完成的情况
等,从而直观地吸收数据信息,有助于决策的准确性和实时性。
例如对于电子商务网站,流量是非常重要的指标,我们可以将网站的UV、PV等指标汇聚到一起,做出数据报表或数据看板。这样核心数据和趋势就非常清晰,方便业务监控。

2.维度分解
当单一的数字或趋势过于宏观时,我们需要通过不同的维度对于数据进行分
解,以获取更加精细的数据洞察。在选择维度时,需要仔细思考其对于分析结果的
影响。
比如,当监测到网站流量异常时,可以通过拆分地区、访问来源、设备、浏览
器等维度,发现问题所在。例如,我们发现当天网站的访问用户量明显高于上周,
这是什么原因呢?当我们按照访问来源对流量进行维度拆分时,不难
发现直接访问来源的访问量有非常大的提升,这样就进一步把问题聚焦了。

3.用户分群
针对符合某种特定行为或背景信息的用户,进行归类处理,这就是我们常常讲到的用户分群(segmentation)的手段。我们也可以通过提炼某一群用户的特定信息,创建该群体用户的画像。例如访问购物网站、寄送地址在北京的用户,可以被归类为“北京”用户群体。而针对“北京”用户群体,我们可以进一步观察他们购买产品的频度、类别、时间,这样我们就创建出了该用户群体的画像。
在数据分析中,我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化,效果会更加明显。例如我们能将一次促销活动中支付失败的用户挑选出来,然后推送相应的优惠券。这样精准
的营销推广,可以大幅度提高用户支付的意愿和销售金额。

4.4.转化漏斗
绝大部分商业变现的流程,都可以归纳为漏斗。漏斗分析是我们最常见的数据
分析手段之一,无论是注册转化漏斗,还是电商下单漏斗。通过漏斗分析可以从前
到后还原用户转化的路径,分析每一个转化节点的效率。
其中,我们往往关注三个要点:
第一,从开始到结尾,整体的转化效率是多少?
第二,每一步的转化率是多少?
第三,哪一步流失最多,原因是什么?流失的用户符合哪些特征?

5.行为轨迹
关注行为轨迹,是为了真实地了解用户行为,数据指标本身往往只是真实情况的抽象。例如,网站分析如果只看UV和PV这类指标,断然无法全面理解用户是如何使用你的产品的。通过大数据手段,还原用户的行为轨迹,有助于关注用户的实际体验、发现具体问题,根据用户使用习惯设计产品、投放内容。

6.留存分析
在人口红利逐渐消退的时代,留住一个老用户的成本要远远低于获取一个新用户。每一款产品,每一项服务,都应该重点关注用户的留存,确保做实每一个客户。我们可以通过数据分析了解留存情况,也可以通过分析用户行为或行为组与回访之间的关联,找到提升留存的方法。
除了需要关注整体用户的留存情况之外,市场团队可以关注各个渠道获取用户的留存度,或各类内容吸引来的注册用户回访率,产品团队关注每一个新功能对于用户的回访的影响等,这些都是常见的留存分析场景。

7.A/B测试
A/B测试用来对比不同产品设计/算法对结果的影响。产品在上线过程中经常会使用A/B测试来测试不同产品或者功能设计的效果,市场和运营可以通过A/B测试来完成不同渠道、内容、广告创意的效果评估。
要进行A/B测试有两个必备因素:第一,有足够的时间进行测试;第二,数据量和数据密度较高。因为当产品流量不够大的时候,做A/B测试得到统计结果是很难的。

8.数学建模
当一个商业目标与用户行为、画像等信息有关联性时,我们通常会使用数学建模、数据挖掘等手段进行建模,预测该商业结果的产生。

你可能感兴趣的:(数据分析,数据挖掘,big,data)