从0到1搭建数据分析知识体系

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。一图教你初步搭建数据分析知识体系，运营入门知识。喜欢的小伙伴可以点个赞哦！

从0到1搭建数据分析知识体系

概念：数据和数据分析

什么是数据？

数据（data）是描述事物的符号记录，是构成信息或者知识的原始材料。

从来源看

数据是信息的载体和表现形式；信息是数据的内涵，信息加载于数据之上。

什么是数据分析？

数据分析是指从数据中提取有用的信息，并指导实践。

需要提取的是有用的信息

这些信息需要用来指导实践，而不是流于形式

思路：方法论和方法

方法论

PEST分析法：从政治（Politics）、经济（Economy）、社会（Society）、技术（Technology）四个方面分析内外环境，适用于宏观分析。

SWOT分析法：从优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）四个方面分析内外环境，适用于宏观分析。

5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。

4P理论：经典营销理论，认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。

AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节增长。

方法

趋势分析

通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。

以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏；因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU（Daily Active Users，日活跃用户）作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去；这样的指标才有实际意义，运营人员要核心关注这类指标。

在这个过程中，我们要选定第一关键指标（OMTM，One Metric That Matter），而不要被虚荣指标（vanity metrics ）所迷惑。

多维分解

从业务需求出发，将指标从多个维度进行拆分

这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。

举个例子，某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度，显然这样的数据会让你无从下手；但是你对这些指标进行拆解之后就会发现很多思路。 下面展示的是一个产品在不同操作系统下的用户参与度指标数据。

用户分群

维度

比如从地区维度分、从用户登录平台进行分群

行为组合

比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别

用户细查

在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。

用户行为轨迹

漏斗分析

用于衡量转化效率的工具

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

衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等

两个方面去分析留存

用户的留存率

产品功能的留存

A/B测试与A/A测试

一组用户采用A方案，一组用户采用B方案。

A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义

A/B测试之前最好有A/A测试或者类似准备

流程：宏观、中观和微观

宏观

1.中国古代朴素的分析哲学

通过 “历史统计”-“经验总结”-“预测未来”

2.精益创业的MVP（最简化可行产品）理念

中观

1.明确分析目的和思路 →2.数据收集 →3.数据处理 →4.数据分析 →5.数据展现 →6.报告撰写

微观

它的前提是用数据分析工具做好数据采集和监控工作，把精力集中在业务分析上。这个流程的核心是“MVP”的理念，“发现问题”-“设计实验”-“分析结果”，通过数据来不断优化产品和运营。

应用：体系和分析

学习：业务、工具和资源

业务层面

掌握好相应的概念、思路、流程，数据分析的目的是指导业务实践

工具层面

Excel 是最常见、最基础的数据分析工具，Excel 里面的图表、函数、透视表能满足大家基本的需求。

Python是一种高级的编程语言，可以用来做数据分析、编程或爬虫；R语言是一种数据分析工具，在统计学中广泛使用。目前，Python被广泛用来编写爬虫程序，获取网上的信息，这是对运营人员非常有帮助的。

Google Analytics、百度统计、友盟是常见的网站流量分析工具，Mixpanel、Heap、GrowingIO属于用户行为数据分析工具，较前者功能更加丰富、分析更细致。

资源层面

数据分析网（http://www.afenxi.com/ ）：覆盖统计理论、数据分析方法、业务分析等内容。

GrowingIO博客（https://blog.growingio.com/ ）：GrowingIO数据分析、增长实践等内容。

《精益数据分析》：从精益创业的角度，诠释业务增长的分析方法和前言案例。

《谁说菜鸟不会数据分析》：数据分析入门知识汇总。

留存魔法数字：首次注册微博，微博会向你推荐关注10个大V；首次注册LinkedIn，LinkedIn会向你推荐5个同事；申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖；很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。 在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的；运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。

第一个案例：以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。

某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。邮箱验证非常容易出现注册邮箱收不到邮件的情况，原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间过长等等。既然这么多不可控因素影响注册转化率，那就换一种验证方式。换成短信验证后，总体转化率提升到了43%，这是非常大的一个增长。

用户经历了如下的操作流程：【访问官网】-【点击注册】-【输入号码】-【获取验证码】。本来是非常流畅的一个环节，但是却发现一个用户连续点击了3次【获取验证码】然后放弃提交。走一遍注册流程，你会发现，点击【获取验证码】后，经常迟迟收不到验证码；然后你又会不断点击【获取验证码】，所以就出现了上面的情况。绝大多数产品都或多或少存在一些反人类的设计或者BUG，通过用户细查可以很好地发现产品中存在的问题并且及时解决。

移动端平台（Android、Windows Phone、IOS）的用户参与度极差，表现在跳出率极高、访问深度和平均访问时长很低。这样的话你就会发现问题，是不是我们的产品在移动端上没有做优化导致用户体验不好？在这样一个移动互联网时代，这是非常重要的一个问题。