常見的數(shù)據(jù)分析方法（一）對比分析

——沒有對比就沒有傷害

對比分析，是數(shù)據(jù)分析中最基礎(chǔ)、最常用、也是最實(shí)用的分析方法之一。該方法主要是指將兩個及以上對象的數(shù)據(jù)指標(biāo)進(jìn)行比較，闡述對比對象在數(shù)量上的差異，從而得出業(yè)務(wù)在不同階段的變化趨勢及規(guī)律。

比較常見的對比分析方式：從時間趨勢上進(jìn)行環(huán)比、同比、定基對比，從空間上進(jìn)行A/B 測試對比、相似空間對比、先進(jìn)空間對比，從特定標(biāo)準(zhǔn)上進(jìn)行與目標(biāo)值、假定值、平均值對比。

常見的數(shù)據(jù)分析方法（二）細(xì)分分析

——不細(xì)分無分析

細(xì)分分析一般有兩種：

（1）逐步細(xì)分

是由粗到細(xì)、由淺入深，逐步進(jìn)行細(xì)分的過程。比如：銷售額下降或上漲，先拆到國家、省、市/地區(qū)、門店，對比觀察哪個區(qū)域變大帶來的；流量質(zhì)量變差，先拆到付費(fèi)、免費(fèi)，付費(fèi)拆到應(yīng)用市場、社交媒體...，再拆到Google Play、App Store、Facebook、Twitter、Snapchat等。

（2）交叉細(xì)分

交叉分析，是在縱向分析法和橫向分析法的基礎(chǔ)上，從交叉、立體的角度出發(fā)，由淺入深、由低級到高級的一種分析方法，它彌補(bǔ)了獨(dú)立維度進(jìn)行分析沒法發(fā)現(xiàn)的一些問題。

比如：四象限、RFM模型。

常見的數(shù)據(jù)分析方法（三） A/B Test

——分桶才是最科學(xué)的效果評估

A/B Test是為同一個目標(biāo)制定兩個方案，在同一時間維度，分別讓相同（相似）的用戶群組隨機(jī)使用一個方案，收集各群組的用戶體驗(yàn)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后根據(jù)顯著性檢驗(yàn)分析評估出更優(yōu)方案并正式采用。

常見的數(shù)據(jù)分析方法（四）漏斗分析

——每一步都是一個節(jié)點(diǎn)

漏斗分析是一套流程式數(shù)據(jù)分析，它能夠科學(xué)反映用戶行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)化率情況的重要分析模型。

常見于注冊登錄轉(zhuǎn)化、瀏覽交易轉(zhuǎn)化、進(jìn)店銷售轉(zhuǎn)化等場景，通過量化每一步的轉(zhuǎn)化率，來衡量一個商業(yè)或產(chǎn)品的成敗及可優(yōu)化調(diào)整的點(diǎn)。

常見的數(shù)據(jù)分析方法（五）留存分析

——用戶來得快，走得也快

留存率，是做運(yùn)營或用戶增長的同學(xué)都必看的一個指標(biāo)，它是衡量一塊業(yè)務(wù)是否健康的關(guān)鍵指標(biāo)，做好留存會帶來長遠(yuǎn)的復(fù)利效應(yīng)，沒有留存就沒有未來。

留存分析，在數(shù)據(jù)運(yùn)營領(lǐng)域有著十分重要的地位，常見留存指標(biāo)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，表示目標(biāo)用戶在一段時間后回訪產(chǎn)品或回到產(chǎn)品中完成某個行為的比例。

常見的數(shù)據(jù)分析方法（六）相關(guān)分析

——相關(guān)不等于因果

相關(guān)分析，研究現(xiàn)象之間是否存在某種依存關(guān)系，從而發(fā)現(xiàn)業(yè)務(wù)運(yùn)營中的關(guān)鍵影響及因素。相關(guān)關(guān)系的測定方法包括：散點(diǎn)圖、相關(guān)系數(shù)等。

相關(guān)分析，主要有以下3種類型：

（1）單相關(guān)：兩個因素之間的相關(guān)關(guān)系叫單相關(guān)，即研究時只涉及一個自變量和一個因變量；

（2）復(fù)相關(guān) ：三個或三個以上因素的相關(guān)關(guān)系叫復(fù)相關(guān)，即研究時涉及兩個或兩個以上的自變量和因變量相關(guān)；

（3）偏相關(guān)：在某一現(xiàn)象與多種現(xiàn)象相關(guān)的場合，當(dāng)假定其他變量不變時，其中兩個變量之間的相關(guān)關(guān)系稱為偏相關(guān)。

常見的數(shù)據(jù)分析方法（七）聚類分析

——物以類聚人以群分

聚類分析是常用的數(shù)據(jù)分析方法之一，其核心是基于數(shù)據(jù)之前存在相似性。聚類的方法有K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering），具體就不贅述。常見于以下2個場景應(yīng)用：

（1）用戶細(xì)分：根據(jù)相似性將用戶劃分成不同的族群，并研究各個族群的特征并做業(yè)務(wù)應(yīng)用。

（2）異常檢測：發(fā)現(xiàn)正常與異常的用戶數(shù)據(jù)，識別其中的異常行為。

編輯：jq