数据分析方法

作者：纳 阅读量：109 发布日期：2022-10-01

1、对比分析法

就是将某一指标与选定的比较标准进行比较，

比如：与历史同期比较、与上期比较、与其他竞争对手比较、与预算比较。一般用柱状图进行呈现。

举例：A公司本年度营业额为1000万，与去年900万的营业额比较增加了100万。

2、结构分析法

就是对某一项目的子项目占比进行统计和分析，一般用饼图进行呈现。

比如：A公司本年度营业额为1000万，其中饮料营业额占33.6%、啤酒占55%，其他产品的营业额占11.4%。

3、趋势分析法

就是对某一指标进行连续多个周期的数据进行统计和分析，一般用折线图进行呈现。比如：

A公司前年度营业额为880万，去年900万，本年度1000万，预计明年为1080万。

4、比率分析法

就是用相对数来表示不同项目的数据比率，

比如：在财务分析中有“盈利能力比率、营运能力比率、偿债能力比率、增长能力比率”。

5、因素分析法

就是对某一指标的相关影响因素进行统计与分析。

比如，房价与物价、土地价格、地段、装修等因素有关

6、综合分析法

就是运用多种分析方法进行数据的统计与分析，

比如：5W2H分析法、SWOT分析法、PEST分析法、漏斗分析法等。

注意事项：数据分析的目的是为了“发现问题、分析问题和解决问题”

6.1、5W2H分析法

应用场景：用于企业营销、管理活动，尤其适用于决策或执行类活动，既可以用于活动策划前的市场调研，也可以用于活动后的复盘反思、查漏补缺

WHY：用户购买的目的是什么？产品在哪些方面有优势吸引用户？

WHAT：产品能提供什么服务，能为用户解决什么需求？

WHO：谁是我们的用户，他们的特点是什么？

WHEN：用户什么适合使用产品，多久使用一次？

WHERE：用户的使用场景在哪？

HOW：用户通过什么方式使用产品？

HOW MUCH：用户使用产品花费多少时间金钱？产品获客用户花费多少金钱？

优势：5W2H分析法可以有效掌控事件的本质，抓住主骨架。同时有利于准确界定、清晰表达问题，让思路更条理化，提高工作效率。

 6.2、SWOT分析法

S 是优势、W是劣势、O是机会、T是威胁

所谓SWOT分析，即基于内外部竞争环境和竞争条件下的态势分析，就是将与研究对象密切相关的各种主要内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析，从中得出一系列相应的结论，而结论通常带有一定的决策性

6.3、RFM价值模型

应用场景：在时间紧任务重的工作情况下，为运营者提高一个方法，通过分析，可以得出哪些用户更容易召回？哪些用户可以暂时放弃？哪些用户在流失边缘可以通过什么手段转化？

指标：

- 最近一次消费 (Recency)

- 消费频率 (Frequency)

- 消费金额 (Monetary)

客户分类

以上三个指标会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个维度做一次两分即可，这样在3个维度上我们依然得到了8组用户。

编号次序RFM,1代表高，0代表低

重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！

重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠诚客户，我们需要主动和他保持联系。

重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。

重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当给予挽留措施

6.4、PEST分析法

PEST分析是指宏观环境的分析，宏观环境是指一切能够影响行业或者企业发展的宏观力量或者因素。一般适用于大型公司的战略规划：

- P：政治Politics

- E：经济Economy

- S：社会Society

- T：技术Technology

6.5、SMART分析法

SMART分析方法是一种基于目标的管理方法，即对目标的：

- S（Specific）：明确性

- M（Measurable）：可衡量性

- A（Attainable）：可实现性

- R（Relevant）：相关性

- T（Time-based）：时限性

比如小明同学最近想找一份兼职的工作：

6.6、4P营销理论

所谓的4P指的是：

- 产品Product

- 价格Price

- 渠道Place

- 促销Promotion

这是一种以市场为导向的组合营销理论。通过将四者的结合，同时协调配合发展，从而提高企业的市场份额，达到最终的营销获利目的。

6.7、QQ模型

应用场景：业务规模足够大、对分析质量高

数量（Quantity），通常是指用户数量、人口数量、收入等绝对数，用来衡量业务规模的大小情况。

质量（Quality），通常是指人均消费额度、利润率、留存率、流失率等相对数，用来衡量业务发展的质量高低。

6.8、用户行为理论

应用场景：适用于TOC端业务，通过对用户的行为梳理，理清各关键指标之间的逻辑关系，尤其适用于电商类业务公司。

认知：网站访问——PV/UV量、访问来源

熟悉：网站浏览——浏览时长、跳出率、页面偏好

试用：用户注册——注册量、注册转化率

使用：用户登录——登录访问数、访问比，用户订购——订单数、转化率

忠诚：用户粘性——回访率、访问深度、复购率，用户流失——流失数、流失率

优势：对用户生命周期有从0到1的认识，通过用户行为分析、渠道质量评估，能及时了解用户的情况。找到产品改进的关键点、找到促进核心转化的相关因素，调整运营战略，从而促进精细化运营，最终达到精准营销。

6.9、AARRR模型

应用场景：本质是一个流量漏斗模型，以增长和提高收入为目标。AARRR模型中每个环节的转化都会有一定的用户流失，但相应的用户价值也会提高。【桑基图】

获取用户：新产品开发后，把产品与服务主动推送到用户前面，通常获取渠道有社交平台、搜索引擎优化、公关、营销活动等。

激发活跃：激活新用户，让新用户使用产品的核心功能，体验到产品的价值。需要对这些激活行为设置衡量指标，发现有效激活。

提高留存：让老客户重新回到网站或重新复购。通常而言，获取新客户的费用是留住现有客户的五倍，因此提高留存是至关重要的。一般留存手段有客户服务、激励与忠诚度活动、电子邮件回访等。

增加收益：也可称之为变现，对产品来说是最最重要的一步，一个产品开发出来最终都是为了盈利。

传播推荐：通过社交网络，产品进行自传播，让用户群像滚雪球一样越滚越大，产生良好的循环。

优势：AARRR模型属于用户相关的指标，为拉新留存运营提供了很好的思考方向。同时这是一个整体设计，构成了增长闭环，每个环节转化率都将影响整个复利增长值。

6.10、人货场模型

应用场景：适用于线上零售类业务公司，销售=流量*客单价*转化率。

人：用户属性、用户数、留存率。传统行业的人货场中的人是指售货员，但在互联网行业里人是指用户，因此人的分析也更倾向于用户属性分析。

货：上市季节、产品价格、购买频率、购买频次

场：便利性、整洁程度、商品数量、动销率

优势：该模型同样与用户行为紧密相连，并且商品属性、卖场属性、用户习惯上有一些规律可循。

7、描述性统计

描述性统计，是指运用制表和分类，图形以及计算概括性数据来描述数据特征的各项活动。

描述性统计分析要对调查总体所有变量的有关数据进行统计性描述，主要包括数据的频数分析、集中趋势分析、离散程度分析、分布以及一些基本的统计图形。

①数据的频数分析。在数据的预处理部分，利用频数分析和交叉频数分析可以检验异常值。

②数据的集中趋势分析。用来反映数据的一般水平，常用的指标有平均值、中位数和众数等。

③数据的离散程度分析。主要是用来反映数据之间的差异程度，常用的指标有方差和标准差。

④数据的分布。在统计分析中，通常要假设样本所属总体的分布属于正态分布，因此需要用偏度和峰度两个指标来检查样本数据是否符合正态分布。

⑤绘制统计图。用图形的形式来表达数据，比用文字表达更清晰、更简明。在SPSS软件里，可以很容易地绘制各个变量的统计图形，包括条形图、饼图和折线图等

8、多维度分析

多维度分析实质是细分分析，多维度分析对精细化运营的作用非常重要。

多维度分析主要基于两个地方展开，一个是指标的细化，一个是维度的多元，比如时间维度，竞品维度等。

管理层通常看的是综合指标，总值。但是这些总值无法真正发现问题。而运营通常需要根据具体的、细分的数据来支撑决策。

比如从用户角度看，每天访问用户100万，每天购买的用户1万，但这100万个用户是通过什么渠道知道平台的，在平台哪个模块停留时间长，哪个模块转化率高需要通过指标细分，才能下结论。

1、指标

所谓指标，指的是用来记录关键流程的，衡量目标的单位或方法。指标的细化需要根据对业务的深入理解来拆解，公司通常有很多业务线，每个业务都会涉及相应的流程，每个流程都能用相应的指标来监控对总KPI的贡献。比如一个部门的KPI考核指标为营收，这个部门的主营业务是toC的商品销售，主要业务路径为：

>  流量引入——>精准匹配——>实现转换——>营收

具体对KPI的拆解按如下形式来进行：商品营收=（新用户数+老用户数）x 商品订单转化率 x 客单价

2、维度

所谓维度，即观察指标的角度。维度独立存在对于业务来说没有太大意义，所有维度指标都要在熟知业务的情况下具体划分。**常见的网站分析的维度包括时间，地理位置，来源，渠道，浏览器，关键词，竞品**等。

比如说上述的商品营收，分解成不同指标后，可以按不同的维度对比。新用户的获取渠道，性别，年龄，地区，每日新增的用户数量等等。

3、多维度拆解的适用场景有哪些？

（1）对单一指标的构成或比例进行拆解分析时

比如，某产品APP做了一波推广活动，想看推广效果如何。我们可以从以下几个维度来分析。

（2）对业务流程进行拆解分析：比如上述toC营收的业务流程：流量引入——>精准匹配——>实现转换——>营收，在这个流程中，我们关注三个指标：浏览——>加购——>支付，我们用多维度拆解的方法，对这个业务流程进行拆解。

以渠道来源为例进行拆解分析，由下图可以看出，百度来的流量虽然不少，但是下单和支付的转化率相比其他渠道较低。可以减少百度广告的投放力度，加强其他渠道的广告投放力度。

常用分析方法：

匹配一下分析方法，便于后面的分析：

各行业指标：

1、电商指标

电商行业应用 

网站分析：基于客户浏览数据进行分析和优化

用户画像：基于大量线上、线下数据了解你的顾客。

产品分析：通过数据挖掘某种产品品类已有用户的特征，定位某潜在买家 

运营分析：针对的是运营活动前、活动中、活动后的分析。包括活动前的预期分析、用户分析、市场策划等；活动中的效果监控、A/B测试等；活动后的专题活动分析等 

市场分析：了解行业分析数据，间接监控竞争对手的数据 

物流分析

绩效分析：包括业绩每年季度、年度的经营分析情况 

问答：

1、如何搭建数据指标体系

　　随着业务规模的扩大，各类相关的数据量增大、数据指标也越来越多，如果缺乏指标体系就会造成难以衡量产品/活动效果、难以判断整体业务发展状况等问题。那么如何搭建数据指标体系?

　　1、明确工作目标，清晰主指标

　　这是最重要的第一步，先整明白：我做这一堆指标为的是什么。把主指标树清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。只要是在企业上班的部门，都有各自KPI，因此主指标是肯定能找到的。

　　2、清晰判断标准

　　这一步也非常重要，涉及到这是“一个有用的报表”还是“一堆花花绿绿的数字”。什么算“好”是一个非常关键的问题。既然已经找到了主指标，就得为它建立配套的判断标准。这样才能解读数据含义，才知道怎么看分类维度。

　　3、了解业务管理方式，找合适的子指标

　　有了主指标和主指标的判断标准以后，可以进一步梳理子指标。子指标和业务管理方式有直接关系。比如销售金额，既能以分公司为单位进行指标拆解，也能以用户为单位进行。

　　4、梳理业务流程，设定过程指标

　　过程指标理论上越多越好，越多过程指标，可以越细的追踪流程，发现问题。但在业务上，不见得每个动作都做了数据采集，因此要结合具体业务流程来，在关键节点加以控制。

　　5、添加分类维度

　　有很多维度都能当分类维度，选用哪些，完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。

　　数据分析是产品和运营的一项基本功，好的运营和产品总是会通过数据去发现问题，并且解决问题。而完善的数据体系可以让这件事情变得事半功倍，从源头发现问题，借助体系化的工具，工作也可以很轻松。

2、用户画像搭建数据指标体系

- 数据指标体系：根据业务线梳理，包括用户属性、用户行为、用户消费、风险控制等维度的指标体系。

纳

2022-10-01