数据分析的价值是针对问题找到相关的数据作为理论依旧去支撑
常见数据分析方法如下：
一、对比分析
(一)拿什么比
绝对值（本身具有价值的数字），看销售金额，阅读数。缺点不易得知问题的严重程度
比例值（在具体环境中看比例才具备对比价值）看活跃占比，注册转化率。缺点易受到极端值影响
(二)怎么比
环比：与当前时间范围相邻的上一个时间范围对比，对短期内具备连续性的数据进行分析。
同比：与当前时间范围相邻的上层时间范围的前一范围中同样位置数据对比，观察更为长期的数据集。优势是某种程度上消除观察时间周期里的干扰。
(三)和谁比（对比的对象）
和自己比，从时间维度，从不同业务线，从过往经验估计（往期均值）
和行业比，是自身因素还是行业趋势？都跌，能否比同行跌得少？都涨，是否比同行涨得慢？
二、多维度拆解
数据分析的本质是用不同视角去分析，观察同一个数据指标
运作原理：指标/业务流程需要按照多维度拆分，来观察变动
适用场景：分析单一指标构成，比例；分栏目的播放量；新老用户比例；针对流程进行拆解分析
三、漏斗观察
漏斗是指一连串向后影响的用户行为。比如：新用户充值数的转化漏斗。包含安装、注册、阅读产品说明、选择产品、支付几个环节
运作原理：通过一连串向后影响的用户行为来观察目标
适用场景：适用于有明确的业务流程和业务目标；不太适用于没有明确的流程，跳转关系纷繁复杂的业务
建漏斗的注意事项：
1.漏斗一定是有时间窗口的，根据业务实际情况，选择对应时间窗口。可按天、按周、按月简历时间窗口。
2.漏斗一定是有严格顺序的
3.漏斗的计数单位可以基于用户，也可以基于事件。基于用户，关心整个业务流程的推动；基于事件，关心某一步的具体转化率以及无法获知事件流转的真实情况
4.结果指标的数据不符合预期，需自查是否只有一个漏斗能达到最终目标
四、分布情况
一个事件不仅只有累计数量这么一个可以观察的指标，还可以从该事件在不同维度中的分布来观察。
运作原理：从事件在不同维度中的分布来观察，以便理解该事件除了累计数量和频次外，更多维度的信息
适用场景：已经知道一群用户完成了指定事件，但需要对用户群体进行细分，按不同维度和价值将他们划分为不同群体，分别进行后续的维护或分析；已经知道单个事件的完成次数，希望知道这些次数拆分到不同维度上后的分布情况，以便更清晰地了解该事件的完成情况
常见群体划分：事件频率，一天内的时间分布，消费金额的区间
五、用户留存
留存的一般计算方式是将某一段时间段的用户ID与另一时间段的用户ID做交叉去重。产品，运营，技术，市场每个环节都会对用户留存造成影响
精准留存需过滤进行过指定行为的用户ID，再计算；或将用户分为不同的群体后，观察其之间留存的区别
运作原理：大盘留存是将某时间段与另一时间段的用户ID交叉去重；精准留存是过滤进行指定行为的用户ID，再计算将用户分为不同群体后，观察其之间留存的区别
适用场景：评估产品功能粘性、验证产品长期价值
六、用户画像
本质是通过用户各类特征进行标识给用户贴上给各类标签，通过这些标签将用户分为不同群体。以便对不同群体分别进行产品/运营动作
适用场景：市场营销、个性化运营、业务分析、用户研究
（一）标签类型
基础属性（所有用户都有的）：年龄、性别、生日、星座、身高、职业……
社会关系：婚姻、有无小孩……
行为特征：基本行为和业务行为。基本行为包含注册时间、来源渠道、活跃时间等；业务行为包含购买特惠商品等
业务相关：比如健身类记录高矮胖瘦、体脂率，健身计划等
（二）标签来源
1.用户直接填写
2.通过用户自己已有的业务特征推断
3.通过用户身边距离相近，行为相似的人推断
4.某些属性周围的人都具备，用户大概率也具备
七、归因查找
归因查找是指找出事件发生的主要原因
运作原理：将事件拆解，并根据业务性质，确定影响事件完成的关键部分
适用场景：对业务中明确的业务目标（购买，留资料，充值等）归因；将目标的达成拆分到各个模块，方便统计各模块的贡献；获悉当前指标达成的主要原因，获得如何提升业务指标的洞见
常见归因类型：
末次归因：转化路径短，且事件之间有很强的关联性
递减归因：转化路径长，非目标事件差异不大，没有完全主导的
首次归因：强流量依赖的业务，拉人比后续所有事都重要
八、路径挖掘
运作原理：逐级展开某一事件的前一级（后一级）观察其流向
适用场景：有明确的起始场景；希望观察这个场景它之后发生了什么；有明确的结果目标；希望观察来的用户是如何到达的
九、行为序列
运作原理：将单一用户的所有行为以时间的形式进行排列
适用场景：观察掩盖在统计信息下更细致的信息，还原用户具体的使用场景。通过观察具体的行为特征，找打提升产品价值的机会点
作者：朱 二，微信：朱二（xiaopihai0610）一个待业的产品，爱拍照，爱旅游。
期待能与你一起交流，一起进步。
来源参考三节课