我们生活在数据驱动一切的这个时代，随着基础设施和硬件能力的上来，数据采集和存储也变得越来越容易，企业会积累越来越多的数据，而数据挖掘和数据分析就是这个时代的“淘金”，从国家、企业、组织到个人，都一定会关注各种数据，从这些数据中得到价值。

数据分析是什么？

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。

白话来说，就是对杂乱无章的数据进行提炼出信息的过程。可以类比做饭：

step1-买菜：采集信息step2-洗菜、摘菜：对数据进行清洗和分类step3-切菜：对数据进行加工和处理step4-炒菜：数据建模和分析step5-品菜：根据数据分析的报告进行决策

数据处理流程

怎么做数据分析？

数据分析过程：

定义：明确问题，确定指标获取：注意来源，Double Check分析：确认思路，探索分析呈现：金字塔，用图说话跟进：效果跟进，随时调整

具体流程细化如下图：

数据分析流程

需求层沟通需求，了解业务需求的背景、目的，想要的效果和实现的方式，一个好的数据分析师是需要深入了解业务，并且多花点时间和业务同学的沟通上的，有时候业务同学表达的意思和他想的完全不一样，或者他的需求其实不是表面上那么简单，需要数据分析师去深挖冰山下的需求。数据层：分析好需求后，需要确定指标，指标是数据分析的关键。接下来，就是收集相关的数据，一般的话都是通过python、sql等获取想要的数据，进行数据的清洗、整理，如缺失值处理、异常值处理、数据标准化等，将数据处理汇总成标准格式。分析层：接下来就是对处理的数据进行建模分析，运用数据分析的方法对数据进行加工，可视化呈现，并在此过程中结合业务，通过一些异常得到洞察或者假设，通过数据验证去证实假设的真实性，并且不断切换模型和特征，去多方面科学验证。输出层：好的数据分析师不是一顿操作输出一些数据上看似合理的建议和结论就完事了，还要和业务同学沟通，推断结论的可行性，输出对业务有帮助的分析报告指导决策，并且能将决策转化成可行性的行动方案，并协助将方案转化成行动落地下去，追踪落地的效果，形成PDCA的数据驱动闭环。

数据分析的应用场景：

衡量——业务发展，产品效果监控——数据异常寻因——找到数据变化的原因论证——产品上线是否有效，新策略能否上线，是否起了作用探索——优化方案，专题报告，增长黑客预测——预测销量，制定目标

常见的数据分析方法

1、公式拆解法

所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。

举例：分析某产品的销售额较低的原因，用公式法分解如上图所示。

第一层： 销售额 = UV X 转化率 X 客单价 = (免费流量 + 付费流量) x 访问-支付的转化率 x （件单价 x 连带率)

= .....

这时候销售额较低的异常问题就可以展开来分析，当然这里先不考虑外部等因素的影响，单纯从指标拆解来分析销售额下降的问题。销售额下降可以先转化成分析1级指标：UV、转化率、客单价的影响，找到影响最大的一级指标再逐级往下递归的分析2级指标和3级指标，巴拉巴拉，经过一顿分析发现这个月转化率、客单价几乎没变化，主要是付费流量下的直通车最近表现不佳导致流量下降所致，和业务同学了解后发现最近直通车功能有个调整变化导致曝光减少，找到具体原因后针对性地调整和优化业务，最终就能解决销售额下降的问题，这就是指标拆解的魔力。

需要强调的是，指标是分级的，是有体系的。不同业务发展阶段，不同产品、用户生命周期，存在侧重不同的指标，关注的要点都有所不同。在应用指标的时候，一定要有侧重点，切记什么都看就是什么都没看，必须抓大放小。

2、对比分析

对比分析法就是用两组或两组以上的数据进行比较，是最通用的方法。

孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。

上图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超B公司。

3、A/Btest实验分析法

A/Btest多用于互联网行业，是将Web或App界面或流程的两个或多个版本，在同一时间维度，通过适当地控制变量分别让不同访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：

ABtest实验流程图

（1）现状分析并提出假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了

（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。

（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。

（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。

（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。这个上线实验的监控时间很微妙，太短可能会因为偶然因素的影响误导决策，太长会影响项目进度，增加成本，互联网行业本身就是瞬息万变的，需要通过实验快速迭代，一般持续俩个星期可以得到稳定的数据反馈。

（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。

4、象限分析

通过对两种及以上维度的综合考虑，运用坐标的方式表现分析对象在坐标体系下维度的分布情况。通过象限赋予价值，由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

广告投放象限分析

高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

RFM用户分群

象限法的优势：

（1）找到问题的共性原因

通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；

（2）建立分组优化策略针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。

(3) 四象限分析也可以用于引流拉新的渠道分析，去综合分析各渠道的质量，将有限的资源多倾斜于优质的渠道上，实现资源利用的最大化。同理，这种思维也常用于商业分析中，对公司业务发展的战略决策也有异曲同工之妙，最常见的就是波士顿矩阵法，其实就是运用了象限分析的方法，如下图：

对所有业务通过市场占有率和市场增长率两个维度四个象限进行矩阵划分，通过综合分析，有策略地进行资源的划分和倾斜，促进公司业务健康发展，降低风险。

5、漏斗分析法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的下单流程漏斗图，形象展示了从用户选择商品到最终转化成购买这整个流程中的每个子环节转化情况。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。

整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验，尽可能减少用户在购买过程中过多的思考时间，从而提高选购-支付的转化率。

还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是用户运营中比较常见的一个模型，结合产品本身的特点以及用户的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。

AARRR海盗模型

从上面这幅AARRR模型图中，能够比较明显地看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断地优化迭代。

6、帕累托累计贡献分析

帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。二八法是抓住重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

因为公司的资源是有限的，时间也是有限的，要做到面面俱到是很不现实的，所以要知道少即是多。所以，数据行业中广为流传的字不如表，表不如图，亦是如此。往往做到20%的范围就能带来80%的收益。

一般的，帕累托分析会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就需要重点维护这20%类客户。

ABC商品分析

7、用户路径分析

用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？

（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。

（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。

（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。

（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。

（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能够快速获取用户动机，从而引领用户走向最优路径或者期望中的路径。用户行为路径图示例：

神策分析系统截图

数据分析的价值

数据分析的定义：

从历史数据中获得的洞察转化为可执行的决策或推荐的过程，将计算机技术、管理科学和统计学结合以解决实际问题。

数据分析主要分为：

描述性数据分析知道业务现在发生了什么，好还是不好！探索性数据分析探究业务发生变化的原因，知其然更知其所以然！预测性/验证性数据分析预测性告诉后面会发生什么，及时避免风险或者扩大影响！

数据分析师工作的本质，就是通过对既有信息的采集，整合、梳理、分析等，从而令我们对事物的认知更加清晰，做出更为明智的决策。数据分析归纳起来主要有三个作用：降本、增效、抗风险。

数据分析师于公司的作用就像古代军队中的军师一样，理论上(为啥是理论上请读者自行体会[奸笑]）数据师不会骗人的，而且数据师可以反映业务发展状况的，利用好数据可以运筹帷幄，决胜千里。

写在最后

随着大数据技术的发展与成熟，大数据应用在各行各业的不断深入，越来越多的公司开始进行数字化转型。用户行为甚至是跨域、多维度的数据分析越来越受到重视，有数据驱动意识、能够很好地从数据中发现规律并充分利用这些规律的公司才能够在激烈的市场竞争中更好地生存下来，是否能够利用数据来驱动业务发展已经成为公司的核心竞争力。

声明:本文由"麦兜"发布，不代表"破站"立场，转载联系作者并注明出处：https://www.848586.cn/232815.html