三种数据分析方法数据分析方法有哪些? _经验分享

常用数据分析处理方法有哪些?1、漏斗分析法

漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。

2、留存分析法

留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。

3、分组分析法

分组分析法是根据数据分析对象的特征，按照一定的标志(指标)，把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。

4、矩阵分析法

矩阵分析法是指根据事物(如产品、服务等)的两个重要属性(指标)作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。
三种数据分析方法首先，常见的数据分析方法有9种：对比分析，多维度拆解分析，漏斗观察，分布分析，用户留存分析，用户画像，归因查找，路径挖掘，行为序列分析。
这里将重点展开分享前三种数据分析方法：对比分析，多维度拆解分析，漏斗观察。
1、对比分析
对比分析是最基础最常见的数据分析方法，能直观的看出事物某阶段的变化，并且可以准确、量化地表达出这种变化/差距是多少，重点从「比什么」「怎么比」「跟谁比」三个维度进行分析。
（1）比什么
比什么，分为绝对值（#）和比例值（%）的比较。
绝对值本身已是具备“价值”的数据，比如销售金额2000元，阅读数10000万，单看数字不易得知问题的严重程度；
比例值只有在具体环境中看比例才具备对比价值，比如活跃占比，注册转化率，单看比例值容易受到极端值的影响。
（2）怎么比
怎么比，分为环比和同比。
常见的环比有日环比，月环比，是指与当前时间范围相邻的上一个时间范围对比，主要用于对短期内具备连续性的数据进行分析，如指标设定；
常见的同比有周同比，年同比，是指与当前时间范围上层时间范围的前一范围中同样位置进行数据对比分析，主要用于观察更长期的数据集，消除短期数据的干扰。
（3）和谁比
和谁比，分为和自己比、和行业比。
和自己比，可以从不同的时间维度，不同的业务线，过往经验估计，跟自己比较；
和行业比，可以观察分析得出是自身因素，还是行业趋势，比如都跌的时候，能否比同行跌的少？都涨的时候，能都比同行涨的快？
现在回到上面这条「飞猪公关数据」“放假消息公布以后，10点到12点，国内机票的预定量，比上周同时段增长超过50%；国际机票的增长更加惊人，超过了150% 。”
很显然，
“50%，150%”都是比例值；
“比上周同时段增长...”由于是#五一放假4天#消息导致的数据短期内连续上涨，所以选择的是周同比；
“国内机票的预定…国际机票...”飞猪是在跟自己比，若有行业数据公布作为依据，可以判断飞猪是比同行涨的快/慢。
2、多维度拆解
多维度拆解，是最重要的一种思维方式，一个单一指标是不具备分析价值的，我们需要从多个维度进行拆解分析才有意义，最终以获得更加全面的数据洞察。
数据分析的本质是用不同的视角去拆分，观察同一数据指标。多维度拆解的本质多维度拆分指标/业务流程，来观察数据变动。
多维度拆解的适用场景：
（1）分析单一指标的构成、比例时，比如分栏目的播放量、新老用户比例；
（2）针对流程进行拆解，比如不同渠道的浏览、购买转化率，不同省份的活动参与漏斗；
（3）还原行为发生时的场景，比如打赏主播的用户的等级、性别、关注频道，是否在WiFi或4G环境下。
现在回到第一个场景：“比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析…”
这时就需要用到多维度拆解分析方法，大致的分析思路这样这样：
（1）从APP启动事件来分析
按照设备类型查看，比如Android、iPhone…不同机型的启动情况；
按照启动来源来看，比如是从桌面、短信、PUSH…不同来源的启动情况；
按照城市等级观察，比如一线、二线、三线及以下…不同城市的启动情况；
按照新老用户细分，比如总体、新用户、老用户...不同用户群体的启动情况。
（2）从业务流程拆解
比如对于简单的“注册——>下单——>支付”流程而言：
支付漏斗按照渠道查看，渠道可能分为百度、头条、微信公众号…
支付漏斗按照城市来看，城市可能分为一线、二线、三线及以下…
支付漏斗按照设备来看，设备可能分为Android、iPhone…
3、漏斗观察
漏斗观察的分析方法我们常见且熟悉，它的运作原理是通过一连串向后影响的用户行为来观察目标。
适用于有明确的业务流程和业务目标的业务，不适用于没有明确的业务流程、跳转关系纷繁复杂的业务。
通过漏斗观察核心业务流程的健康程度。
盘点一下在建立漏斗时容易掉的坑：
（1）首先漏斗观察需要有一定的时间窗口，具体需要根据业务实际情况，选择对应的时间窗口。
按天观察，适用于对用户心智的影响只在短期内有效的情况，比如一些短期活动（当前有效，倒计时设置等）；
按周观察，适用于业务本身复杂，用户决策成本高，需要跨日才能完成的情况，比如投资理财，开户注资；
按月观察，适用于用户决策周期更长的情况，比如装修买房。
（2）其次漏斗观察是有严格顺序的，不可以用ABCDE（仅搜索途径的数据）的漏斗，看ACE（包含分类、搜索、推荐位三条途径的数据）的数据。
（3）漏斗的计算单位可以基于用户，也可以基于时间。
观察用户，是关心整个业务流程的推动；
观察事件，是关心某一步具体的转化率，但无法获知事件流转的真实情况。
（4）结果指标的数据不符合预期时，需要自查是否只有一个漏斗能够触达最终目标，也就是检查下，是否出现第二个坑的情况。
四、案例分享——某款社交APP在国庆期间数据猛涨原因分析
场景是这样，现在有一款匿名社交APP，类似于探探，数据范围在 2018 年 9 月 1 日 - 10 月 14 日之间，其中在国庆期间数据猛涨，试分析其原因。
（1）首先定义“数据猛涨”
作为一款匿名社交产品，可以选择观察「注册成功」事件。
由于产生行为数据的时间较短，所以最后选择关注“注册用户数的日环比是否有比较大的增涨”，并按照「注册成功」事件的「触发用户数」进行查看：
（2）发现异常定位问题
从上面这张注册成功的触发用户数折线图可以看出，国庆期间的注册用户日环比存在较高的数据增长差，就是折线右侧出现的一段高峰。
由此判断，国庆期间由于某种原因造成了注册用户数的大幅增长，具体原因，待进一步拆解分析。
（3）多维度拆解分析
按照操作系统区分观察，可以发现Android的涨幅明显高于iOS，iOS稍有涨幅，但涨幅不明显。
这一步仍无法直接定位问题，需进一步拆解分析。
上图按照注册方式观察，微信、微博、手机号这三种注册方式，在国庆期间均有涨幅且涨幅相似，可初步判断注册方式与此次数据异常无关。
上图按照性别观察，男生和女生在国庆期间均有涨幅，男生略高于女生，但仍无法直接定位问题，需进一步拆解分析；
上图按照年龄观察，不同年龄层的用户在国庆期间均有涨幅且涨幅相似，可初步判断年龄与此次数据异常无关。
问题来了！按照省份观察，上图明显看到有一根折现异常升高！
其实是海南省的日环比涨幅增高，除此之外，云南省的环比涨幅相较其他省份也明显升高。
综上观察分析基本可以判断，国庆期间数据猛涨，跟海南省、云南省的注册用户数大幅增长有关，具体原因待进一步拆解分析。
继续按照城市观察，筛选条件设置为省份等于海南省，云南省，直观看到丽江市、大理市、三亚市、海口市国庆期间数据猛涨。
综合以上多维度分析发现，国庆期间数据猛涨，主要是由于丽江市、大理市、三亚市、海口市四个城市有明显涨幅。
而这四个城市都属于旅游城市，且数据增长时期伴随国庆假期。
于是猜测可能是，该款匿名社交产品在国庆期间，面向这四个热门旅游目的地，做了推广活动，关于数据猛涨真实的具体原因，还需要与市场、运营、或负责增长相关的同事沟通确认。
数据分析常用的方法有哪些?1、简单趋势

通过实时访问趋势了解供应商及时交货情况。如产品类型，供应商区域(交通因子)，采购额，采购额对供应商占比。

2、多维分解

根据分析需要，从多维度对指标进行分解。例如产品采购金额、供应商规模(需量化)、产品复杂程度等等维度。

3、转化漏斗

按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有不同供应商及时交货率趋势等。

4、用户分群

在精细化分析中，常常需要对有某个特定行为的供应商群组进行分析和比对;数据分析需要将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。

5、细查路径

数据分析可以观察供应商的行为轨迹，探索供应商与本公司的交互过程;进而从中发现问题、激发灵感亦或验证假设。

6、留存分析

留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新新供应商”在一段时间内“重复行为”的比例。通过分析不同供应商群组的留存差异、使用过不同功能供应商的留存差异来找到供应链的优化点。

7、A/B 测试

A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同;然后以某种规则优胜略汰选择最优的方案。数据分析需要在这个过程中选择合理的分组样本、监测数据指标、事后分析和不同方案评估。
数据分析的几种常用方法21-10-27几种常见的数据分析分析方法：
1.周期性分析（基础分析）
What ：主要是从日常杂乱的数据中，发现周期性出现的现象，而从避免或改善问题的发生。常见的两种周期：自然周期和生命周期。
需要注意的点：虽然周期性分析主要针对时间序列，但不全是，例如公众号的文章阅读走势不仅和日期（工作日或周末）相关，也和文章类型相关。
例如：销售中3,6,9,12月，由于绩效考核出现的峰值
重点节假日对和交付的影响
产品销售的季节性影响（例如北方下半年的采暖产品，入夏空调的销售旺季等）
How：自然后期的时间维度，根据分析的需求，可从年（同环比，业绩达成、和行业趋势对比），月（淡旺季、销售进度、生产预测），周（一般较少），日（工作日，非工作日的差异分析），时（时间分布，工作时段，上下班高峰，晚上，主要和大众消费行为分析相关）进行展开
生命周期一种常见的分析就“商品生命周期”，商品销量随上市时间的变化，通过时间轴+指标走势组合出来的。这种分析对快消品或者产品迭代速度很快的商品（典型如手机）是比较重要的，可以用于监控产品的市场表现，对照市场活动可以量化活动效果以及产品线的经营情况，如持续跟进，则可针对性的提出产品上市的建议。
2.矩阵分析（重要分析方法）
矩阵分析是数据分析中非常重要的分析方法。主要解决分析领域的一个非常致命的核心问题：“到底指标是多少，才算好” 。
平均数是一个非常常用的数据维度，但是单一维度，并不能充分评价好坏。例如考核销售，如果只考核业务销售业绩，那么业务人员一定会倾向卖利润低的引流产品。那种利润高，价格高，不容易卖的利润型产品就没人卖了，最后销售越多，公司的利润反而下降了。这个时候通过两个维度：销售规模和销售利润，构建交叉矩阵，就能将业务业绩进行更有效的区分。
举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩用矩阵分析法进行分析（具体数据略）：
第一步：先对客户数量、业绩求平均值
第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类
第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类
矩阵分析把关键业务目标拆分为两个维度，每个维度进行高低分类，进而可以对目标进行更加立体的描述。维度高低分类多采用平均值作为参考值。
注意：有两个场景，是不适合用矩阵分析法：
一：有极大/极小值影响了平均值的时候，一般出现极大/极小值的时候，可以用：分层分析法。
二：两个指标高度相关的时候，例如用户消费金额与消费频次，两个指标天生高度相关，此时数据分布会集中在某一个或两个区域，矩阵分析法的业务解读能力接近0，可采用相关分析法
3.结构分析
What：结构分析是将分析的目标，向下分解，主要用于发现问题。
例如销售分析，可以按照区域—省—市一级级的分解，分解之后可以更好的看出影响销售业绩的影响因素在哪个位置。
结构分析可以有多个维度，取决于我们需要分析的方向。例如还是销售分析，可以从产品构成进行拆解，也可用从业务形态拆解
How：如何进行结构分析？
第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）
第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）
第三步：跟踪关键指标的走势，了解指标结构变化情况
第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题
注意：结构分析的不足
结构分析法是一种：知其然，不知其所以然的方法。只适用于发现问题，不能解答问题
4.分层分析
What：分层分析，是为了应对平均值失效的场景。典型的平均值失效例如平均工资，很多人都被“代表” 。这个时候需要把收入群体分成几类，例如土豪，普通百姓，穷光蛋等，后面进行分析时就比较清楚了。业内也有一些不同的叫法，比如应用于商品的，叫ABC分类，应用于用户的，叫用户分层，应用于业务的，叫二八法则。本质都是一回事。
How：如何进行分层分析
1.明确分层对象和分层指标
例如：想区分用户消费力，分层对象就是：用户，分层指标就是：消费金额
想区分商品销售额，分层对象就是：商品，分层指标就是：销售金额
想区分部销售额，分层对象就是：分部，分层指标就是：销售收入
2.查看数据，确认是否需要分层。分层是应对平均值失效的情况的，存在极值影响的情况，则适合分层。
3.设定分层的层级。最好的解决办法是老板拍板，其次可以用“二八原则”，以上述销售业绩分层为例，可以先从高到低排序，然后把累积业绩占80%的人选出来，作为“第1层级（优等）”，其他的归为“第2层级（次等）” 。有时如果颗粒度不够，也可以用“二四六八十”法则” 。
如何应用分层
分层的最大作用是帮我们看清楚：到底谁是主力，谁是吊车尾。从而指导业务，从人海战术向精兵简政思考。
根据分层的结果找出差距，进而提出（假设）差异背后可能的原因，通过其它方式进行
应用：客户分析，目前系统中客户超5000个，为了更好的了解客户结构，可以通过分层分析的方法对这5000个客户进行分层，分层的方式通过年销售规模，可以按照累计规模排序，一般采用4-6个层级，每个层级可以给一个标签。例如王者客户，腰部客户，mini客户等。分层后，便可以针对性的进行分析，例如客户层级的销售占比，变动，各层级客户的销售构成，结合其它方法就可以有较全面的分析
5.漏斗分析（待补充）
6.指标拆解（待补充）
7.相关性分析（待补充）
What ：两个（或多个）因素之间的关系。例如员工人数与销售额，市场推广与销售业绩，天气和销售表现等
很多因素我们直观的感觉到之间有联系，相互影响，但具体的关系是什么，如何产品影响的，可以通相关性分析来量化。
例如，客户开拓中拜访客户的次数和客户成交是否有关系？
拜访次数多，表明客户也感兴趣，所以成功几率大
拜访这么多，客户还不成交，成功几率不大
客户成交和拜访关系不太大，主要看你是否能打动他
How ：两种联系：直接关系，间接关系
直接关系：整体指标与部分指标的关系——结构分析，例如销售业绩与各中心的业绩
主指标与子指标的关系——拆解分析，例如总销售规模和客户数量与客户销售规模
前后步骤间的关系——漏斗分析：例如销售目标和项目覆盖率，储备率，签约等因素间的关系
联系中，指标之间出现一致性的变化，基本是正常，如果出现相反的变动，则需要关注，这可能是问题所在
间接关系：要素之间没有直接的联系，但存在逻辑上的连接。例如推广多了，知名度上市，进而销售额上升。
由于关系非显性，需要通过处理进行评价，常用的就是散点图和excel中的相关系数法
在明确相关性后，就可以通过改变其中一个变量来影响和控制另一个变量的发展。
注意：相关性分析也存在很大的局限。主要体现在相关性并不等同因果性。例如十年前你在院子里种了一颗树，你发现树每天的高度和中国近十年GDP的增速高度相关，然后这两者间并没有什么实质性的联系。此次相关性分析过程中一定注意要找到关联的逻辑自洽。
8.标签分析（待补充）
9.
【三种数据分析方法数据分析方法有哪些?】关于数据分析方法有哪些和数据分析方法有哪些?的内容就分享到这儿！更多实用知识经验，尽在 www.hubeilong.com

三种数据分析方法 数据分析方法有哪些?

三种数据分析方法数据分析方法有哪些?