10个常用分析方法

含10个常用分析方法及应用场景描述：5W2H分析法、PEST分析法（行业分析法）、漏斗分析法（AARRR模型分析法（海盗模型））、对比分析法、假设检验分析法、逻辑树分析法（麦肯锡逻辑树）、多维度拆解分析法、RFM分析法、相关分析法、SWOT分析法、回归分析法。

10个常用分析方法

• 5W2H分析法
  • What 是什么
  • When 什么时候
  • Where 什么地方
  • Why 为什么
  • Who 是谁
  • How 怎么做
  • How much 多少钱
  • 应用场景： 对于现象追问，需要解决问题的时候经常用到这个方法。 如何设计一款产品? 这个产品是什么？什么时间上线？哪里发布这个产品？为什么用户要用这个产品？给谁设计的？产品要怎么做？产品需要付费吗，价格多少？ 如何设计一个调查问卷？如何设计一场活动等
• 逻辑树分析法（麦肯锡逻辑树）
  • 把复杂的问题提拆解成若干个简单的子问题，像树枝一样展开分析
    • 应用场景： 比如年度计划怎么做？你可以拆解成 工作，健康，家庭，读书，履行，技能提升
• 多维度拆解分析法
  • 将一个事情/对象，拆解成多个维度去分析。这里引出一个概念，叫辛普森悖论：考察数据的整体，和考察数据的部分会得出相反的结论。也就是你看整体数据是一个结论，拆解细分数据进行分析后会得出来相反的结论。
    • 应用场景： 到底是哪些维度呢？一定是比较关键重要的维度，而在工作中一般从指标构成和业务流程中去拆解。 指标构成：比如某互联网公司业绩=产品A业绩+产品B业绩+产品C业绩，又如线下连锁店的业绩=门店A业绩+门店B业绩+门店C业绩。 业务流程：进入你店铺人数——浏览过某种商品人数——购买过该种商品人数
• PEST分析法（行业分析法）
  • P（Policy)政策
    • 国家制度
    • 政策方针
    • 法规法令
  • E（Economy)经济
    • 宏观经济环境
      • 国家人口数量及增长趋势
      • 国民收入
      • 国民生产总值及变化情况
      • 国民经济发展水平和发展速度
    • 微观经济环境
      • 所在地消费者收入水平
      • 消费偏好
      • 储蓄情况
      • 就业程度
  • S（Society)社会
    • 教育文化水平
    • 宗教信仰
    • 风俗习惯
    • 审美观点
    • 价值观
  • T（Technology)技术
    • 业务领域直接相关技术发展
    • 国家对科技开发的投资和支持重点
    • 技术领域发展动态
    • 专利保护情况
  • 应用场景： 对一个业务发展或者公司发展宏观环境的分析，经常用在行业分析里面。 经常用在公司战略规划、市场规划、产品经营发展、研究报告撰写中。
• 对比分析法
  • 和谁比
    • 与自己比
    • 与行业比
  • 怎么比
    • 数据整体的大小
      • 平均值
      • 中位数（一组数从小到大排列，中间的数）
    • 数据整体的波动
      • 变异系数（标准差/平均值）
    • 趋势变化对比
      • 时间折线图、环比、同比
  • 应用场景： 这个月比上个月，今年比去年数据变化等
• 假设检验分析法
  • 提出假设
  • 收集数据
  • 得出结论
  • 应用场景： 常常用在分析为什么。举例：有一个产品，在百度，360，搜狗进行了广告投放，这周通过这3个渠道来的线索（客户资源）相比上周下降了30%，具体是什么原因？
• 漏斗分析法
  • 这是数据领域最常见的一种“程式化”数据分析方法，它能够科学地评估一种业务过程，从起点到终点，各个阶段的转化情况。通过可以量化的数据分析，帮助业务找到有问题的业务环节，并进行针对性的优化
  • 要素
    • 时间
      • 时间指事件是何时开始、何时结束的，也包括我们应用漏斗模型进行研究的时间段（也即是取数的时间范围），还涵盖前后两个节点之间的时间间隔、某节点的停留时长等
    • 节点
      • 节点包括起点、终点和过程性节点，涵盖这些节点的命名、标识等，节点的数量对应于漏斗的层级数
    • 研究对象
      • 研究对象指的是参与事件或流程的主体，可能是一群人、某类用户或某个人
    • 指标
      • 指标则是对整个事件流程进行分析的工具，也是对漏斗的描述与刻画
  • 特点
    • “四分”反映结构
      • 所谓“四分”是指流程分步骤，时间分先后，结果分层级，用户有分流。漏斗分析中的节点将流程分解为多个步骤，各个步骤有先后顺序和时间间隔，经过中间步骤的筛选得到的结果形成自然的分层，每次中间步骤的过滤是对用户的分流。
    • 指标描述漏斗
      • 漏斗的形成过程会自然的生产出数据，指标是从数据的角度对漏斗模型的描摹，用指标可以全面解读漏斗模型。这些指标可分为用户类指标、时长类指标和比率类指标等
    • 过程影响结果
      • 漏斗的作用过程是环环相扣的，前面的步骤会影响后续的步骤，上个步骤的结果会影响下个步骤的表现，过程的不断累积会影响到最终的结果
  • 步骤
    • 第一步：梳理关键节点，绘制流程与路径
      • 根据业务场景的设定规则或节点的定义，绘制事件的流程；比如：电商购物、APP获客等场景下都有一些通用的流程与路径描述模板，借助这些模板可以快速定义关键节点、绘制出漏斗的大致轮廓
    • 第二步：收集对各环节的痕迹数据，进行数据分析
      • 针对整个漏斗形成过程首先要进行指标的定义和数据的收集。指标的定义不外乎从行为、时间、比率等角度入手，指标对应数据的获取可以通过爬虫、埋点等方式。收集到相应数据后就可以开始进行数据分析了。基于数据分析，用EXCEL等工具绘制出漏斗图，标上相应的指标数据
    • 第三步：确定需要优化的节点
      • 通过在关键指标上与同类用户的平均水平、行业平均水平等进行比较，分析差距、找到自身的薄弱环节；通过与自身历史同期水平进行比较，确定某一流程中需要优化的节点，采取措施进行针对性整改
  • 应用场景： 广泛应用于网站用户行为分析和APP用户行为分析中，在流量监控、产品目标转化等日常数据运营与数据分析工作中应用很广泛：电商购物、APP获客与增长、用户消费决策分析 漏斗分析最常用的是转化率和流失率两个互补型指标，流失率=1-转化率 漏斗分析模型常用于6个方面的应用场景：电商购物漏斗分析模型、AARRR模型、AIDMA模型、AISAS模型、营销广告投放漏斗模型、招聘漏斗模型
• AARRR模型分析法（海盗模型）
  • A（Acquisition）获客
    • 用户数量
      • 点击用户数
      • 安装用户数
      • 注册用户数
      • 在线用户数
        • 最高在线
        • 平均在线
      • 自然增长用户
        • 非推广手段获取的用户
      • 推广获得用户数
      • 虚假用户数
    • 渠道
      • （分渠道）转化率
        • 点击-安装-注册-登录转化比率
      • 渠道增长率
        • 评价渠道长期运转健康
      • 渠道份额
        • 渠道份额
    • 用户获取成本CAC
  • A（Activation）激活
    • 活跃用户
      • 活跃用户比例
      • 日/周/月活跃用户数
      • 日活跃/月活跃
    • 平均使用时长
    • 每日平均启动次数
    • 一次性用户数
      • 迄今为止只启动过一次的用户，评价渠道质量
      • 一次性用户比例
  • R（Retention）留存
    • 日留存
    • 周留存
    • 月留存
  • R（Revenue）盈利
    • 平均每用户收入ARPU
    • 平均每付费用户收入ARPPU
    • 付费用户比例
      • =月付费用户数/月活跃用户数
    • 用户生命周期价值LTV
      • 一个用户在全周期内创造的收入总和
    • 利润最大化
      • =LTV-CAC
  • R（Referral）推荐
    • K因子
      • 病毒式营销
      • =每个用户发出邀请数*转化率
  • 应用场景： 判断用户流失大致处于哪个阶段，进而对问题阶段的用户进行细分，精细化运营，完成用户向成熟用户和付费用户的引导，实现用户增长
• RFM分析法
  • 通过这3个指标对用户分类的方法
    • 最近1次消费时间间隔(Recency)
    • 消费频率(Frequency)
    • 消费金额(Monetary)
  • 判断用户价值
    • R↑F↑M↑：重要价值客户
    • R↑F↑M↓：一般价值客户
    • R↑F↓M↑：重要发展客户
    • R↑F↓M↓：一般发展客户
    • R↓F↑M↑：重要保持客户
    • R↓F↑M↓：一般保持客户
    • R↓F↓M↑：重要挽留客户
    • R↓F↓M↓：一般挽留客户
  • 运营策略
    • 重要价值用户，RFM三个值都很高，要提供VIP服务；
    • 重要发展用户，消费频率低，但是其他两个值很高，要想办法提高他的消费频率；
    • 重要保持用户，最近消费时间距离现在较远，也就是R值低，但是消费频率和消费金额高。这种用户，是一段时间没来的忠实客户。应该主动和客户保持联系，提高复购率；
    • 重要挽留客户，最近消费时间距离现在较远，消费频率低，但消费金额高。这种用户即将流失，要主动联系用户，调查清楚哪里出了问题，并想办法挽回。
  • 应用场景： 判断客户价值
• 群组分析法
  • 按照某个特征，将数据分为不同的组对比各个组的数据差异
    • 应用场景： 比如我们的营销数据就可以按时间进行划分，得到月度季度年度数据，进行专题分析
• 相关分析法
  • 绘制散点图
    • 散点图可直观显示两种数据之间的相关关系
  • 计算相关系数r
    • r用于衡量两种数据的相关程度
      • r的大小表示两个变量的相关关系
      • r的整个正负表示两个变量的相关方向
      • 判断相关关系
        • 弱相关
          • 0£ïrï<0.3
        • 中度相关
          • 0.3£ïrï<0.6
        • 高度相关
          • 0.6£ïrï£1）
  • 异常数据查看及整理
    • SEPT1：计算相关系数
    • SEPT2：做出散点图，并在散点图上写上相关系数
    • SEPT3：查看是否存在异常值
      • 属于异常值，去掉异常点，r变化很大
    • SEPT4：异常值处理
      • 修正
        • 数据被错误记录
      • 删除
        • 不属于数据集
      • 保留
        • 被正确记录并且属于数据集，但某些原因的发生导致出现异常值
  • 哪些因数与分析目标相关
    • SEPT1：使用假设检验分析法探究可能的原因
    • SEPT2：使用相关分析方法探究假设与目标结果之间的相关关系
  • 应用场景： 研究两种或者两种以上的数据之间有什么关系 比如，一群学生的数学成绩和物理成绩是否具有相关性？挺多的场景可以用，只要你想去了解，提出问题，然后搜集尽量完善和具有权威意义的数据，去做分析。
• 回归分析法
  • 回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系
    • 应用场景： （1）司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归 （2）在当前的经济条件下，你要估计一家公司的销售额增长情况。现在，你有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况
• SWOT分析法
  • S（strengths）优势
  • W （weaknesses）劣势
  • O （opportunities）机会
  • T （threats）威胁
  • 应用场景： 用于制定集团发展战略和分析竞争对手情况，在战略分析中，它是最常用的方法之一