常用的数据分析方法有哪些？方法合集分享——九数云
随着数据化的不断发展，学习常用的数据分析方法有哪些，可以帮助我们提升业务处理水平，下面和九数云一起看看吧
数据分析作为处理数据的常见手段，你知道常用的数据分析方法有哪些吗？下面这篇文章将为您介绍一下常见的数据分析方法。
01常用的数据分析方法有哪些：对比分析
1、定义
也称比较分析，是基于相同数据标准下，把两个及以上指标数据进行比较的数据分析方法。
2、对比内容
绝对值和相对值
3、对比标准
- 空间标准
定义：选择同一指标在不同空间的数据表现进行比较。
示例：”去年，XX品牌手机销售量高于所有品牌手机的平均销量
- 时间标准
定义：选择同一指标在不同时间的数据表现进行比较。
示例：企业常用”同比“、”环比“来比较业绩水平” 本店电脑今年第1季度的销量较上一年同期增长10%
- 经验/理论标准
定义：与对大量历史资料的归纳总结而得到的标准进行比较
示例：恩格尔系数、标准BMI、消费者物价指数
- 计划标准
定义：与提前计划/规划好的目标数据进行
比较示例：“年初的个人成长计划中要赚100万，如今才完成一半，要抓紧时间了”
02常用的数据分析方法有哪些：归因分析
1、定义
也称因果分析，是通过某些方法，寻找事物的产生原因的数据分析方法。
2、常见归因模型
- 首次归因
定义：将贡献/功劳归功于第一次触达用户的互动环节上，忽略之后的活动。
适用场景：强流量依赖的业务场景，拉新是最重要的。如：一个活动不同渠道入口带来的用户数;用户办理信用卡的途径。
- 末次归因
定义：将贡献/功劳归功于最后一次触达用户的互动环节上，忽略之前的活动。
适用场景：转化路径短，且最后一次活动与结果关联性强的业务。如：用户常用的产品登录方式；用户喜欢的笔记类型。
- 递减归因
定义：将贡献/功劳归功于每一次触达用户的互动环节上，但认为越接近结果，影响力就越大。
适用场景：转化周期较长但每个环节都有存在价值的场景。如：大型B端/G端产品的销售转化网路。
- 线性归因
定义：将贡献/功劳归功于每一次触达用户的互动环节上，认为所有环节同等重要
适用场景：转化周期适中，且所有环节同等重要的场景如：产品从成长期到成熟期的过渡阶段，拉新、激活、留存、变现、推荐同样重要
3、应用场景
找出事件发生的主要原因，对业务中明确的目标归因。如：
业绩爆发或骤降：分析达成当前指标的主要因素掌握得提升业务指标或阻止其骤降的方法
部门绩效分配：将目标拆解为各个模块，分配给各小组的工作人员，以统计各模块的贡献
03常用的数据分析方法有哪些：漏斗分析
1、定义
将用户行为中的各个环节作为节点衡量转化效果，以便分析优化的数据分析。
方法常见的漏斗分析模型：AARRR海盗模型，
2、应用场景
一切有明确流程/用户行为流转的业务场景。
3、注意事项
1）时间窗口
- 根据业务实际情况，选择对应的时间窗口(业务转化周期，即完成一次漏斗所需要的时间)。
- 按天、按周、按月甚至按年计算的业务转化周期都有如:社交平台的拉新活动一半会在几天内完成，而企业SaaS的拉新可能需要几周/几月。
- 如果漏斗没有时间窗口，在分析时，可能需要把很长时间段内的用户行为数据都包含进来。如：用户可能去年注册了账号、今年激活使用、明年才完成购买。
- 除了整体的时间窗口，漏斗中每个节点的时间也应当关注。如：某节点消耗时间突然异常，则可能有问题产生
2）节点选择
每个漏斗分析事件的节点都有固定的顺序组合。
- 不可以随意新增或删除节点，也不可以修改节点顺序。
- 若有增删改，则应当将改动后的漏斗事件当作新的来分析，不可与原漏斗事件混淆。
3）计算结果
节点转化率=上个节点的流量/当前节点的流量*100%
- 节点的流量计数可能基于用户数、也可能基于事件数。
- 如：注册登录转化率一般基于用户数=登录用户数/注册用户数*100%
结算结果不符合预期怎么办?
1）检查漏斗时间窗口和节点选择是否正确
2）根据数据业务分析排查系统产品问题
04常用的数据分析方法有哪些：多维度分析
1、定义
也称细分分析，是一种把指标/业务目标放到二维以上的空间坐标中进行分析的数据分析方法。
2、应用场景
- 拆解单一指标。如: GMV可按品类、季度、门店等划分
- 还原行为场景。如:游戏充值场景可按支付方式、网络环境、产品类型等维度划分
- 拆解业务流程。如: 活动转化可按渠道、地区、类型划分
3、案例
线上店铺做了推广，推广效果如何？
- 指标构成拆解：将新增用户数拆解为从城市、性别和渠道进行分析，得到：一线城市占比较高、男性人数高于女性人数和渠道 A 新增用户数最多。
- 接着对不同渠道新增用户按照业务流程进行分析，用户从看到广告、进入店铺、选择商品到购买，发现虽然渠道 A 获得新增用户最多，但是购买转化的渠道 B 效果最好。
05常用的数据分析方法有哪些：同期群分析
1、定义
同期群分析：将对象群体进行同期群划分后，分析各个同期群组的相同指标随时间变化情况的数据分析方法。
同期群：将对象群体按共同行为特征划分为不同群组，得到的每个群叫一个同期群。
共同行为特征：意味着指在某个时间段内有相似行为。
2、应用分类
1）用户同期群
产品发生变化对不同同期群中的用户，产生的影响是不同的，分群分析才更能客观评估产品变化的效果。
如：产品为了提高注册转化率，对注册页面进行了调整。将改版前2周新注册的用户和改版后2周新注册的用户划分为4个同期群，比较4群的注册转化率，以衡量改版效果。
2）商品同期群
也被称为商品 LTV 模型。方法如下：
- 设定商品等级（ A 、 B 、 C 级）
- 从商品上市时，开始观察观察商品上市后销量／利润走势，对比每个等级商品是否达成该商品平均水平。如表现优于平均，则重点关注缺货问题，保障供给。如表现劣于平均，则重点关注积压问题，减少库存。
3）渠道同期群
评估产品投放渠道的质量，方法如下：
- 按渠道和投放广告时间进行用户分群，
- 关注同期群用户后续 x 天的转化率或付费率，计算用户产生的消费，对比渠道投放成本。
- 针对转化好的渠道，考虑追加投放。针对转化差的渠道，消减预算和整改投放措施。
06常用的数据分析方法有哪些：留存分析
1、定义
是通过分析留下来继续使用产品的用户，了解自身的留存能力，指导产品的迭代优化的数据分析方法。
2、展现形式
留存分析的结果一般用表格方式呈现，称之为用户留存表。（留存表里的每一行其实就是一个同期群）
3、指标计算
- 初始行为用户数：某一天／周／月发生初始行为（完成指初始定事件）的用户的去重设备／登录用户数
- 留存用户数： N 天／周／月后发生了回访行为（完成指定回访事件）的用户的去重设备／登录用户数
- 留存率：留存用户数／初始行为用户数＊100%
- 精准留存率：根据需要将用户分群后，再计算留存率
注意：在实际使用留存分析时，请精准表达留存率指定的时间间隔。
如：计算7日留存率，是第7日还是7日后那日的留存？
1.第7日日留存：第7天／第1天＊100%。只关心到特定日的留存情况，避免了其他日数据的干扰
2.7日后留存：第7天／第0天＊100%。新增当天为第0日，下一日为第1日，可以消除星期几带来的数据波动
4、应用场景
1）局部健康程度监测：如：观察某个渠道的质量，观察新功能点上线的影响。
- 一般采用日留存／周留存。
- （指定日／周回访活跃用户数）/（第1日／周初始活跃用户数）*100%
2）产品整体健康情况监测：观察产品对用户的粘性随时间变化的情况。
- 一般采用周留存／月留存。
- （指定日／周回访活跃用户数）/（第1日／周初始活跃用户数）*100%
07常用的数据分析方法有哪些：用户画像
1、定义
通过对用户的各类特征进行标识，给用户贴上各类标签，将用户区分为不同的群体，以便分别进行产品运营动作的数据分析方法。
2、用户画像 VS 同期群分析、多维度分析
3、适用场景
用户画像多被用于个性化运营、市场营销和产品优化中。数据分析处理后得到一张张用户画像（用户群体的抽象代表），各部门人员都有针对性地为不同用户群体设计产品运营、市场营销方案。
08常用的数据分析方法有哪些：行为路径
1、定义
通过分析用户在使用产品时的路径分布情况，，来了解用户偏好，及产品优化／营销推广效果的数据分析方法。
2、展现形式
用户行为路径通常采用"桑基图"来表现：
3、应用分类
1）路径挖掘
- 适用场景：观测在产品使用过程中，整体用户在一些场景里的行动轨迹。如：观察用户到达某个指定场景之后发生了什么，再或者观察用户是如何到达这个指定场景。
- 背景：有些产品用户行为非常随机，没有明确的步骤流转（无法用漏斗分析等方法，有时候关键漏斗其实就是从行为路径分析中发现的），这时需要将所有事件都放到流里统计分析
- 方法：逐级展开某一事件的前一级或者后一级事件，观察其流向。
2）行为序列
- 适用场景：观测在产品使用过程中，某个用户所有的行动轨迹。如： B 端／ G 端产品，常用此法来评估单个试用用户对产品的兴趣和依赖程度，以此来决定下一步是否跟进销售
- 背景：路径挖掘只能看到产品中各事件流的整体局势，但无法知道具体单个用户的情况
- 方法：将指定的单一用户，在指定时间窗口内的所有行为，以时间线的形式进行排列
上一篇: 产品销售数据分析，销售必看！——九数云
下一篇: 聊一聊什么是安全库存管理——九数云
