数据分析基础（5种常见方法）

数字化转型期，面对庞杂的数据，需要进一步的看懂数据、利用好数据并挖掘出数据的价值。但是往往面临着业务团队缺乏数据思维，对于数据指标的理解较浅，不知道应该重点关注哪些数据的问题。为了用数据赋能互联网业务人员，这里整理了数据分析5种分析方法，

• 整理人：晓晨
• 日期：2022-08-22
• 数据分析常见五种分析方法
• 【方法5】用户留存
  • 导读
    • 回顾【模块一】中关于“留存”的分析和计算方法，思考一下：
      • 1. 我们为什么需要看留存数据？
      • 2. 留存数据对于我们的业务有什么样的价值？
    • 本节将带你学习「用户留存」分析的运作原理和适用场景。
  • 回顾：留存
    • 为什么要看留存
      • 了解某一个渠道的质量——日留存
      • 观察整个大盘——周留存/月留存
    • 适用场景：验证产品长期价值（月留存）
    • 留存
      • 通常计算方法
        • 将某一时间段的用户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留存造成影响
      • 精准留存：
        • 过滤进行过指定行为的用户ID，在计算
        • 将用户分为不同的群体后，观察其之间留存的区别
    • 用户留存的「运作原理」和「适用场景」：
• 【方法4】分布分析
  • 导读
    • 一个事件不仅有累计数量这样的观察指标，我们还可以从该事件的不同维度的分布来观察。
    • 本节主要介绍了研究事件分布情况的分析方法，学习它的「运作原理」和「适用场景」。
  • 分布情况
    • 一个事件不仅只有累积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。
  • 常见的群体划分
    • 事件频率：
    • 一天内的时间分布
    • 消费金额的区间
  • 小结
    • 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的维度和价值将他们划为不同群体，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。
• [场景分析]如何评估渠道质量，确定投放优先级？
  • 导读
    • 在模块二的作业中，相信你已经了解到 “本班同学都是通过哪些渠道注册来到三节课” 的。
    • 结合业务，思考一下：
      • 1. 常见的渠道都有哪些？
      • 2. 如何去评估这些渠道的渠道质量？
      • 本节将带你学习常见渠道的分类，如何评估渠道质量，并确定投放的优先级。
  • 常见的渠道划分方式：
  • 如何评估渠道质量：
  • 案例：
    • 金融APP渠道数据
    • 通过渠道对比，查看激活的用户数以及人均使用次数与使用时长次日留存评估用户质量；
    • 不能单从新增看，要从新增的用户看看是不是我们的目标用户，设置目标转化时间，如金融平台最终看的是借款成功人数有多少，计算目标用户转化率，评估用户质量，看看什么渠道可以带来目标用户；
• 【方法3】漏斗观察
  • 导读
    • 学习本节内容前，先思考一下什么是“漏斗”，你在日常工作中接触过“漏斗模型”吗？什么样的场景下我们会用到“漏斗”观察呢？
    • 本节将会给你介绍「漏斗观察」分析方法的运作原理，适用场景，以及建立漏斗时容易掉的四个大坑。
  • 知识要点
    • 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：有明确的业务流程和业务目标
      • 不太适用：没有明确的流程、跳转关系纷繁复杂的业务
  • 漏斗=一连串向后影响的用户行为
    • 影响新用户充值数的转化漏斗
    • 建立漏斗时容易掉的坑
      • 【坑1】漏斗一定是有时间窗口的
        • 极端情况
        • 根据业务实际情况，选择对应的时间窗口
      • 【坑2】漏斗一定是有严格顺序的
      • 【坑3】漏斗的计数单数可以基于【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]：关心某一步具体的转化率，无法获知事件流转的真实情况
      • 【坑4】结果指标的数据不符合预期
        • 自查：是否只有这一个漏斗能够到达最终目标？
        • 通过自查会发现，这个留存并不是唯一漏斗，还有个H5营销页可以到的支付
  • 小结：漏斗观察
    • 运作原理：通过一连串向后影响的用户行为来观察
    • 适用场景：
      • 适用：有明确的业务流程和业务目标
      • 不太适用：没有明确的流程，跳转关系纷繁复杂的业务
• [场景分析]数据涨跌异动如何处理？
  • 导读
    • 想一想：你的以往工作中，有没有遇到异常的数据变动？你是如何思考，定位原因，并找到解决办法的？
    • 数据涨跌异动的处理方法：
    • 常见的假设
  • 涨跌：搞清楚每一次涨跌
    • 跌：采取动作，减缓趋势
    • 涨：弄清楚原因，并放大
    • 案例1：涨跌异动
      • 案例收入跌了10%
        • 小明
        • 老明
    • 案例1总结
      • 结论
      • 数据涨跌异动
      • 数据只是验证支撑工具，首先需要你有一个假设
    • 常见假设
      • 活动影响：查对应活动页面及对应动作的数据波动，关注活动是否有地域属性
      • 版本发布：将版本号作为维度，区分查看
      • 渠道投放：查看渠道来源变化
      • 策略调整：策略上线时间节点，区分前后关键指标波动
      • 服务故障：明确故障时间，按时间维度进行小时或者分钟级别的拆分；
    • 维度拆解分析是可以叠加的
      • 案例：网站浏览量狂涨
• 【方法2】多维度拆解
  • 课程导读
    • 这种思维模式是如何帮助我们解决业务问题的？
  • 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
    • 需要分析单一指标的构成、比例时
    • 需要针对流程进行拆解分析
    • 需要还原行为发生时的场景
  • 案例1：APP启动事件
    • 普通PM
      • 昨天有XX人启动过APP
      • 关键功能使用率XX%
      • 日活与留存是...
    • 经验丰富PM
      • 把每天启动次数启动人数按照使用不同设备拆分
      • 按照启动来源划分
      • 按照城市拆分
      • 按新老用户拆分
      • 结论
  • 案例2
    • 支付订单案例
      • 按渠道
      • 按城市
      • 按设备
  • 多维度拆解的适用场景
    • 分析单一指标的构成
      • 分栏目的播放量
      • 新老用户比例
    • 针对流程进行拆解分析
      • 不同渠道的浏览、购买转化率
      • 不同省份的活动参与漏斗
    • 还原行为发生时的场景
      • 打赏主播的等级、性别、频道
      • 是否在WiFi 或4G环境下
• 【方法1】对比分析
  • 数据需要有对比才能看出来异常
  • 比什么
    • 绝对值
      • 本身就具备价值的数字
      • 销售金额
      • 阅读数#
      • 只看绝对值问题：不宜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
      • 活跃占比%：月活/历史用户总数
      • 注册转化率
      • 只看比例值问题：易受到极端值影响
  • 怎么比
    • 环比和同比并不和具体的年月日绑定在一起
    • 环比：Last Period
      • 与当前时间范围相邻的上一个时间范围对比（红色：当前时间范围，黄色：上一个时间范围）
      • 如10日按日环比看，10日的日环比就是和9号对比；周环比就是，如2018年的52周周环比就是2018年的51周相比，月环比同理；
      • 日环比：今天VS昨天
      • 月环比：本月Vs上月
      • 对短期内具备连续性的数据进行分析
      • 需要根据相邻时间范围的数字对当前时间范围的指标进行设定
    • 同比：Same Period Last Year/Month/Day/...
      • 与当前时间范围上层时间范围的前一范围中同样位置数据对比
      • 红色为：当前时间范围；黄色为：同样位置数据；蓝色：上层时间范围的前一范围；
      • 如五年计划：第三个五年计划和第2个五年计划的第三年作对比；
      • 要确定上层时间范围是什么数值，是年月周还是日，然后在确定当前要观察的时间范围，在回到上层时间范围对位位置做比较
      • 年同比：今天Vs去年今日
      • 周同比：今日VS上周周X
      • 观察更为长期的数据集
      • 观察的时间周期里有较多干扰，希望某种程度上消除这些干扰
  • 和谁比
    • 和自己比
      • 从时间维度
      • 从不同业务线
      • 从过往经验估计
    • 和行业比
      • 是自身因素，还是行业趋势？
      • 相对竞争环境，行业都跌的时候，对比跌的多少，都涨的时候，对比长得快慢，是否比同行涨的多？
• 概述：数据分析
  • 数据分析前思考
    • 你都接触过哪些数据指标？
    • 数据分析在你的工作中有什么样的价值？
  • 数据分析的价值
    • 比如可以解决以下问题
      • 新购的这批视频到底有没产生价值？
      • 浏览到消费的转化率一直超不过1%，产品到底该优化那里？
      • 上个预装渠道进来的量，表现如何？
      • 按销售额来看这个月绩效该怎么分配？
      • 精准广告投放该怎么选择对象入群？
      • 该引入哪些新的商品种类？
    • 5种数据分析的方法
      • 对比分析、多维度拆解、漏斗观察、分布分析、用户留存