2分析方法

合集 - 数据分析合集！(5)

1.2.注解2024-06-25

2.2分析方法2024-08-07

3.3.用数据分析解决问题2024-08-194.实战-国内电商行业2024-08-275.5跨境电商行业2024-08-28

收起

2分析方法

常用的分析方法

逻辑树分析方法——将复杂问题变简单——费米问题

PEST分析方法——行业分析——研究中国少儿编程行业 P政治（politics）E经济（economy）S社会（society）T技术（technology）

多维度拆解分析——多角度看待问题——相亲对象

对比分析方法——对比分析——问朋友自己胖不胖（直接竞争者、简介竞争者、可替代竞争者）

假设检验分析——想找到发生问题的原因——破案（提出假设-收集证据-得出结论）

相关分析——想知道A和B有什么关系——在豆瓣看喜欢的电影，下面的推荐和相关的电影（散点图、相关系数矩阵）

群组分析——用户留存和流失分析——微博用户留存分析

（1.群组分析是按某个特征，将数据分为不同的组，然后比较各组的数据。

   2.群组分析常用来分析用户的留存率（流失率）随时间发生了哪些变化，然后找出用户留下或者离开的原因。在金融行业，还可以用于用户逾期分析。

   3.如何用？找到留存率低或者留存率高的组，使用假设检验、相关分析等方法，研究为什么留存率低/高。数据比较多，可以绘制折线图。

   4.注意事项：需要注意如何分组，除了按时间分组，还可以根据具体的业务场景确定。）

RFM分析方法——对用户按价值分类——信用卡会员 对不同用户使用不同的营销策略                                             

（R最近最近一次消费时间间隔、F消费频率、M消费金额）

AARRR模型分析——分析用户行为或者做产品运营——拼多多用户进行分析

（Acquisition获取用户、Activation激活用户、Rrtention提高留存、Revenue增加收入、Referral用户推荐）

漏斗分析——分析用户的转化——店铺本周销量下降分析哪个业务出现了问题

（定位问题点，需要关注的指标：用户转化分析（用户转化率）、用户流失分析（用户流失率））

4个问题：

1.是什么？

2.有什么用？什么场景下使用

3.如何用

4.注意事项

2.1 5W2H分析（用户调研）

what（是什么）​：这是什么产品？

when（何时）​：什么时候需要上线？

where（何地）​：在哪里发布这些产品？

why（为什么）​：用户为什么需要它？

who（是谁）​：这是给谁设计的？

how（怎么做）​：这个产品需要怎么运作？

how much（多少钱）​：这个产品里有付费功能吗？价格是多少？

5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用。

这是因为复杂的商业问题不会只有一个原因，而是由多个原因引起的。

2.2逻辑树分析方法

先有个大目标，再将大目标细分为小目标。

注意事项：逻辑树分析方法在解决业务问题时，经常不是单独存在的，会融合在其他分析方法里，辅助解决问题

2.3行业分析方法——思考选择哪个行业更好的时候；当公司需要对外部环境或者行业竞争对手有所了解的时候。

政策：

相关法律有哪些？对公司有什么影响？

投资政策有哪些？对公司有什么影响？

最新的税收政策是什么？对公司有什么影响？

经济环境主要指一个国家的国民收入、消费者的收入水平等。经济环境决定着公司未来市场能做多大。

社会环境主要包括一个地区的人口、年龄、收入分布、购买习惯、教育水平等。

技术环境是指外部技术对公司发展的影响。

2.4多维度分析法

案例：

 假设在每个医院最近收治的1000例患者中，A医院有900例患者存活。然而，B医院只有800例患者存活（图2-24）​。这样看起来，A医院的存活率更高，应该选择A医院。你的选择真的是正确的吗？

我们来比较A医院和B医院的重症患者组。A医院有100例患者入院时是重症患者，其中20例存活。B医院有400例患者入院时是重症患者，其中200例被救活了。所以，对于重症患者，去B医院的存活率更高，是更好的选择。

辛普森悖论——考察数据整体和考察数据局部解，结论互相矛盾和冲突。例如平均收入。看实际需求，再去细分维度。如是轻症患者，则需从轻症入园人数和治愈人数的比重进行分析。

总结：

1.是什么？

拆解问题，问题=维度1+维度2+…

2.有什么用？

只看数据整体，观察不到数据内部各个部分构成的差异。

3.如何用？

1）从指标构成来拆解：分析单一指标的构成。例如单一指标为用户，而用户又可以拆解为新用户、老用户。

2）从业务流程来拆解：按业务流程进行拆解分析，例如不同渠道的用户付费率。

4.注意事项——辛普森悖论

2.5对比分析法

价格锚定，通过和价格锚点对比，一些商品会卖得更好。

如何使用？

和谁比和谁比一般分为两种：和自己比，和行业比。

如何比较？

一般从3个维度比较：数据整体的大小、数据整体的波动、趋势变化。

1）数据整体的大小某些指标可用来衡量整体数据的大小。常用的是平均值、中位数，或者某个业务指标。

2）数据整体的波动标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况。

3）趋势变化趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比。

环比：和上一段时间比较 同比：和去年同一时间比较

多个设计方案采取：A/B测试就是为同一个目标制定两个版本，这两个版本只有某个方面不一样，其他方面保持一致。（实验组和对照组）

（AB测试就是发布两个功能相似的版本给到不同用户，然后将用户体验反馈收集并分析判断，用哪个版本比较好）

总结：

 

3如何用？

进行对比分析，我们要弄清楚两个问题：和谁比，如何比较。

和谁比是指，要弄清楚是和自己比还是和行业比。

和自己比是指和自己过去的历史数据比较。

遇到问题，想知道是行业趋势，还是自身原因，就可以和行业值对比。

对于如何比较，一般我们有以下3个维度：

（1）用平均值、中位数，或者某个业务指标来衡量整体数据的大小。

（2）用变异系数（标准差/平均值）来衡量整体数据的波动情况。

（3）从时间维度来看数据随着时间发生的趋势变化。常用的方法是时间折线图、环比和同比。

2.6假设验证分析

步骤：

1）提出假设

根据要解决的问题，提出假设。例如警察破案的时候会根据犯罪现场提出假设：这个人有可能是嫌疑人。

2）收集证据

通过收集证据来证明。例如警察通过收集嫌疑犯的犯罪数据，来作为证据。

3）得出结论

这里的结论不是你主观猜想出来的，而是依靠找到的证据得到的结论。例如警察不能主观地去猜想，然后下结论说这个人是罪犯，而是要通过收集的数据（证据）来证明这个人是不是罪犯。

假设验证分析有什么用？

假设检验分析方法的另一个作用是可以分析问题发生的原因，也叫作归因分析。

例如面试过程中，面试官问“为什么申请量上升了，放款量反而下降了？​”这类问“为什么”的题是工作中经常遇到的场景，例如是什么原因导致活跃率下降等。这类问题就是分析原因。通过找到问题发生的原因，才能根据原因制定对应的策略。

如何使用？

我们可以按用户、产品、竞品这3个维度提出假设。

从这3个维度，我们可以提出3种假设：

（1）假设用户有问题：可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因；

（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求；

（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了。

我们还可以从4P营销理论出发来提出假设。什么是4P营销理论呢？

（1）产品：公司提供给目标市场的有形或无形产品，包括产品实体、品牌、包装、样式、服务、技术等；

（2）价格：用户购买产品时的价格，包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等；

（3）渠道：产品从生产公司到消费用户所经历的销售路径。

（4）促销：是指企业利用各种方法刺激用户消费，来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。

为了寻找销售业绩下降的原因，可以利用4P营销理论从4个维度提出假设

下面通过一个案例来看下如何使用假设检验分析方法来查找问题发生的原因。

解读报表里数据的波动是数据分析的基本功，在面试中会经常考。

提出报表解读问题之前，对方通常会给你一个表格。

例如图2-55里的表格是一家公司App的一周日活跃率，老板交给你以下任务：

我们可以绘制出折线图（图2-56）​，看下数据随着时间变化的趋势。

环比，周六数据下降。但是有没有可能是这个app每周六就是不活跃，因为周末放假大家想休息。

所以，为了更好地对比分析，对于报表解读问题，你还要问面试官往前几周的数据是怎样的，这样可以从整体上看出数据在一个较长时间范围内是怎样变化的。同时，可以看出数据变化是规律的，还是真的有问题。进行同比。

所以为什么本周六app活跃度下降。提出假设：

 

假设1用户问题：找到对应的用户数据。将活跃用户数按渠道维度拆解。发现来自渠道B的活跃用户数出现了明显的下跌。

假设2产品问题：例如，服务器是不是崩溃了？最近是否上线了产品新版本，其中新功能有问题？或者是没有处理产品版本问题导致？甚至可以去问客服，最近是不是有大量投诉，投诉原因是什么？还可以查看用户对产品满意度方面的数据。结论：产品没有问题。

假设3竞品问题：指竞争对手有什么大动作，例如竞争对手在搞活动促销，用户都跑到竞争对手那边了。通过调研发现，竞品最近没有搞大的活动。最后得出结论：没有竞品问题

找到问题需要继续深入询问，为什么渠道B数据下跌？

这时候可以跟负责渠道推广的同事了解情况，例如发现渠道B的投放活动在周六那天正好结束了，导致App的新用户少了，从而导致了日活跃率下降。

注意事项：

假设检验分析方法需要注意4个地方：

（1）第3步得出的结论不是主观猜想出来的，而是要依靠找到的证据去证明；

（2）假设检验的3步是一个需要不断重复的过程。在得出结论以后，分析还没有停止，要多问几个为什么，然后用数据去验证。不断重复假设分析的这个过程，直到找到问题的根源；

（3）在使用假设检验分析方法的过程中，还要用到其他分析方法；

（4）在开始分析之前，为了理清楚思路，可以做一个假设检验分析图，将问题、假设、数据从上至下连起来。

总结：留存率差？根据业务流程进行拆解。

用户注册--登录--查看推荐内容--搜索内容--留下来/流失

提出假设：1用户节假日的原因导致留存率低 2用户看到不感兴趣的内容 3用户搜索不到感兴趣的内容

收集证据：1查看周末留存率与工作留存率对比 2根据用户浏览习惯，发现推荐的内容不是用户喜爱的内容 3用户搜索不到喜爱的内容

 2.7相关分析

当我们研究两种或者两种以上的数据之间有什么关系的时候，就要用到相关分析。

相关分析的作用有以下三点：

（1）在研究两种或者两种以上数据之间有什么关系，或者某个事情受到其他因素影响的问题时，可以使用相关分析.

（2）在解决问题的过程中，相关分析可以帮助我们扩大思路，将视野从一种数据扩大到多种数据.

（3）相关分析通俗易懂.

散点图可以直观地显示出两种数据之间的相关关系。

相关系数是用以反映变量之间相关关系密切程度的统计指标。通常用字母r来表示。

（1）相关系数的数值大小可以表示两种数据的相关程度

（2）相关系数数值的正负可以反映两种数据之间的相关方向，也就是说两种数据在变化过程中是同方向变化，还是反方向变化。

如果相关系数=1，数据点都在一条直线上，表示两种数据之间完全正相关，两种数据是同方向变化。也就是数据a的值越大，数据b的值也会越大。

如果相关系数=-1，数据点都在一条直线上，表示两种数据之间完全负相关，两种数据是反方向变化。也就是数据a的值越大，数据b的值反而会越小。

如果相关系数=0，表明两种数据之间不是线性相关，但有可能是其他方式的相关（例如曲线方式）​。

相关系数的绝对值越大，说明两种数据的相关程度越高。

相关系数的数值大小可以表示两种数据的相关程度，系数值大于0.6或者小于-0.6，表示两种数据之间高度相关；

1）用excel画出散点图与分析出相关系数 绝对值>0.6 高度相关。

2）用散点图或许出现异常值，需要专门分析。根据实际情况分析，是否要去掉异常值。

注意事项：

相关关系不等于因果关系。在使用的时候注意这一点，可以提高分析的质量。

如何判断两种数据之间是相关关系，还是因果关系呢？可以使用“单变量控制法”​，也就是控制其他因素不变，只改变其中一个因素，然后观察这个因素对实验结果的影响。

人工智能技术就是建立在相关分析的基础上。xxapp的推荐，背后都是对用户的行为进行相关分析。

总结：

2.8群组分析

“群组分析方法”​（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。

这个分析方法在我们生活中经常可见，例如，在学校上体育课的时候，体育老师考虑到男生和女生的运动项目不一样，会把男生分为一组打篮球，女生分为一组跳绳。这其实是按性别对学生进行了分组。

如何使用？

分析留存率，按照月份分组算出几月份的留存率，并绘制折线图。

 

复盘下用户流失分析这个案例。

第1步，使用群组分析方法，找到留存率低的组；

第2步，分析为什么这些组留存率低，可以使用假设检验、相关分析等方法进一步研究。

 

2.9RFM分析——会员制度-精细化运营

RFM是3个指标的缩写：最近1次消费时间间隔（Recency）​、消费频率（Frequency）​、消费金额（Monetary）​

这里举个例子来说明这3个指标是什么意思。你有一家店铺，小明是这家店铺的用户，今天是这个月的30号。

（1）最近1次消费时间间隔（R）是指用户最近一次消费距离现在多长时间了。小明最近1次在店铺买东西是这个月26号，上一次消费距离现在（这个月30号）过去了4天，所以小明的最近1次消费时间间隔是4天。

（2）消费频率（F）是指用户一段时间内消费了多少次。如果对“一段时间”的定义是最近30天，发现小明最近30天在店铺消费了2次（小明在1号、26号进行了消费）​。

(3）消费金额（M）是指用户一段时间内的消费总金额。如果对“一段时间”的定义是最近30天，发现小明最近30天总共在店铺消费5000元。

各指标特征如下：

·　对于最近1次消费时间间隔（R）​，上一次消费离得越近，也就是R的值越小，用户价值越高。

·　对于消费频率（F）​，购买频率越高，也就是F的值越大，用户价值越高。

·　对于消费金额（M）​，消费金额越高，也就是M的值越大，用户价值越高。

用户分类规则

RFM分析方法把用户分为8类，对不同价值的用户使用不同的运营决策，把公司有限的资源发挥到最大的效果。

日常生活中接触到的会员服务就是这方面的经典案例，按会员等级提供不同的服务。

用RFM对用户分类的过程如下：

（1）使用原始数据计算出R、F、M值；

（2）给R、F、M值按价值打分，例如按价值从低到高分为1～5分；

（3）计算价值的平均值，如果某个指标的得分比价值的平均值低，标记为“低”​。如果某个指标的得分比价值的平均值高，标记为“高”​；

（4）和用户分类规则表比较，得出用户分类。

（1）重要价值用户，RFM三个值都很高，要提供VIP服务；

（2）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；

（3）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；

（4）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。

 

2.10AARRR模型分析

AARRR模型对应产品运营的5个重要环节​，分别是：

（1）获取用户（Acquisition）​：用户如何找到我们？

（2）激活用户（Activation）​：用户的首次体验如何？

（3）提高留存（Retention）​：用户会回来吗？

（4）增加收入（Revenue）​：如何赚到更多钱？

（5）推荐（Referral）​：用户会告诉其他人吗？

AARRR模型分析方法有什么用？

因为AARRR模型涉及用户使用产品的整个流程，所以它可以帮助分析用户行为，为产品运营制定决策，从而实现用户增长。例如，使用其他分析方法定位到问题的原因是留存率低，那么就可以参考AARRR模型里留存这一环节的策略来提高留存率。

AARRR模型分析方法如何使用？有哪些注意事项？

1．获取用户：用户如何找到我们？

（1）渠道曝光量：有多少人看到产品推广的信息；

（2）渠道转换率：有多少人因为看到广告转换成用户；

（3）日新增用户数：每天新增用户是少；

（4）日应用下载量：每天有多少用户下载了产品；

（5）获客成本：获取一个客户所花费的成本。

2．激活用户：用户的首次体验如何？

关注注册、初次使用情况和活跃指标。

3．留存：用户会回来吗？留存的核心目标是让用户养成使用习惯。

 

2.11漏斗分析

从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。

漏斗分析中要关注两个指标：用户转化率和用户流失率。