七大常见的数据分析方法

本文与你一起梳理常见的7大数据分析方法,如:对比分析、细分分析、A/B Test分析、漏斗分析、留存分析、相关分析、聚类分析。

在开展一个数据分析工作之前,首先要做的不是一头扎进去获取一堆数据、堆积一堆数据,而是先想清楚整体的分析框架是什么、采用什么数据分析方法。

数据分析方法,是你去组织哪些数据,指导后续整个数据工作的开展。本文与你一起梳理常见的7大数据分析方法,如:对比分析、细分分析、A/B Test分析、漏斗分析、留存分析、相关分析、聚类分析。

01、对比分析——没有对比就没有伤害

对比分析,是数据分析中最基础、最常用、也是最实用的分析方法之一。该方法主要是指将两个及以上对象的数据指标进行比较,阐述对比对象在数量上的差异,从而得出业务在不同阶段的变化趋势及规律。

比较常见的对比分析方式:从时间趋势上进行环比、同比、定基对比,从空间上进行A/B 测试对比、相似空间对比、先进空间对比,从特定标准上进行与目标值、假定值、平均值对比。

举个例子:转化/活跃指标,今天与昨天进行环比,本周一和上周一进行周同比,某个公司与行业平均水平对比……

02、细分分析——不细分无分析

“不细分无分析”, 这是我们细分分析时常见的一句话。足见细分分析是一个非常重要的手段,一步一步拆分,就是在不断问为什么的过程。

细分分析一般有两种:

(1)逐步细分,是由粗到细、由浅入深,逐步进行细分的过程。

比如:销售额下降或上涨,先拆到国家、省、市/地区、门店,对比观察哪个区域变大带来的;流量质量变差,先拆到付费、免费,付费拆到应用市场、社交媒体…,再拆到Google Play、App Store、Facebook、Twitter、Snapchat等。总结下来一句话:细分是逐步细化就步步向下钻取,拆解……

(2)交叉细分

交叉分析,是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法,它弥补了独立维度进行分析没法发现的一些问题。

比如:四象限、RFM模型。

图片

图片

03、A/B Test——分桶才是最科学的效果评估

“分桶才是最科学的”,A/B Test是为同一个目标制定两个方案,在同一时间维度,分别让相同(相似)的用户群组随机使用一个方案,收集各群组的用户体验数据和业务数据,最后根据显著性检验分析评估出更优方案并正式采用。

比如:比如有A、B两个文案,通过随机的方式让用户看到、使用其中一个文案,然后评估两组人群的跳出、点击、使用等数据。

图片

04、漏斗分析——每一步都是一个节点

漏斗分析是一套流程式数据分析,它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的重要分析模型。

常见于注册登录转化、浏览交易转化、进店销售转化等场景,通过量化每一步的转化率,来衡量一个商业或产品的成败及可优化调整的点。

比如:一款电商类APP,从用户下载APP、访问、注册、浏览、交易,计算出每一步的数值及漏斗比例。

图片

05、留存分析——用户来得快,走得也快

“用户来得快,走得也快”,留存率,是做运营或用户增长的同学都必看的一个指标,它是衡量一块业务是否健康的关键指标,做好留存会带来长远的复利效应,没有留存就没有未来。

留存分析,在数据运营领域有着十分重要的地位,常见留存指标有次日留存、七日留存率、次周留存率、次月留存率、T+N日/周/月留存率等等,表示目标用户在一段时间后回访产品或回到产品中完成某个行为的比例。

比如:有100人安装且访问了APP,次日有40人继续访问,次日留存率就是40%,第7天有20人继续访问,第7天留存率就是20%…

图片

06、相关分析——相关不等于因果

相关分析,研究现象之间是否存在某种依存关系,从而发现业务运营中的关键影响及因素。相关关系的测定方法包括:散点图、相关系数等。

相关分析,主要有以下3种类型:

(1)单相关:两个因素之间的相关关系叫单相关,即研究时只涉及一个自变量和一个因变量;

(2)复相关 :三个或三个以上因素的相关关系叫复相关,即研究时涉及两个或两个以上的自变量和因变量相关;

(3)偏相关:在某一现象与多种现象相关的场合,当假定其他变量不变时,其中两个变量之间的相关关系称为偏相关。

比如:受教育程度与收入、学习时间与学习成绩、用户浏览页面多少与购买商品数量的关系?

图片

07、聚类分析——物以类聚人以群分

“物以类聚人以群分”,聚类分析是常用的数据分析方法之一,其核心是基于数据之前存在相似性。聚类的方法有K均值(K-Means),谱聚类(Spectral Clustering),层次聚类(Hierarchical Clustering),具体就不赘述。常见于以下2个场景应用:

(1)用户细分:根据相似性将用户划分成不同的族群,并研究各个族群的特征并做业务应用。

(2)异常检测:发现正常与异常的用户数据,识别其中的异常行为。

比如:基于用户的注册信息、访问行为、交易信息(商品、金额等),通过聚类分析得到相似人群、不同人群,并对比在不同维度、指标的特征差异,制定精细化运营的策略。

图片

以上就是整理的7个常见数据分析方法,希望对你有所帮助。

作者:郑来轶,如若转载,转转请注明出处:https://www.zhenglaiyi.com/1039.html

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注