5种数据分析常⽤的思维⽅法！
在数据分析中，数据分析思维是框架式的指引，实际分析问题时还是需要很多“技巧⼯具”的。就好⽐中学⾥你要解⼀元⼆次⽅式，可以⽤公式法、配⽅法、直接开平⽅法、因式分解法。
数据分析⾥也有技巧，在⼀些通⽤的分析场景下可以快速使⽤，⽽且对未来构建数据分析模型也有帮助。
接下来就分享常见的5种数据分析⽅法，分别是：公式法、对⽐法、象限法，⼆⼋法，漏⽃法，常常多种结合⼀起使⽤。
注：主要偏思维层⾯的，基于业务问题对数据的探索性分析，不同于专业统计学中的数据处理⽅法。
01 公式法
所谓公式法就是针对某个指标，⽤公式层层分解该指标的影响因素，这个我在指标化思维中提到过。
某产品销售额=销售量 X 产品单价
销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量 + …
渠道销售量=点击⽤户数 X 下单率
点击⽤户数=曝光量 X 点击率
第⼀层：到产品销售额的影响因素。某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理?
第⼆层：到销售量的影响因素。分析各渠道销售量，对⽐以往，是哪些过低了。
第三层：分析影响渠道销售量的因素。渠道销售量=点击⽤户数X 下单率。是点击⽤户数低了，还是下单量过低。如果是下单量过低，需要看⼀下该渠道的⼴告内容针对的⼈和产品实际受众符合度⾼不⾼。
第四层：分析影响点击的因素。点击⽤户数=曝光量X点击率。是曝光量不够还是点击率太低，点击率低需要优化⼴告创意，曝光量则和投放的渠道有关。
通过对销售额的逐层拆解，细化评估以及分析的粒度。公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。
02 对⽐法
对⽐法就是⽤两组或两组以上的数据进⾏⽐较，是最通⽤的⽅法。
怎么做数据分析我们知道孤⽴的数据没有意义，有对⽐才有差异。⼀些直接描述事物的变量，如长度、数量、⾼度、宽度等。通过对⽐得到⽐率数据，增速、效率、效益等指标，这才是数据分析时常⽤的。
⽐如⽤于在时间维度上的同⽐和环⽐、增长率、定基⽐，与竞争对⼿的对⽐、类别之间的对⽐、特征和属性对⽐等。对⽐法可以发现数据变化规律，使⽤频繁，经常和其他⽅法搭配使⽤。
下图的AB公司销售额对⽐，虽然A公司销售额总体上涨且⾼于B公司，但是B公司的增速迅猛，⾼于A公司，即使后期增速下降了，最后的销售额还是赶超。
03 象限法
通过对两种及以上维度的划分，运⽤坐标的⽅式表达出想要的价值。由价值直接转变为策略，从⽽进⾏⼀些落地的推动。象限法是⼀种策略驱动的思维，常于产品分析、市场分析、客户管理、商品管理等。
⽐如，下图是⼀个⼴告点击的四象限分布，X轴从左到右表⽰从低到⾼，Y轴从下到上表⽰从低到⾼。
⾼点击率⾼转化的⼴告，说明⼈相对精准，是⼀个⾼效率的⼴告。
⾼点击率低转化的⼴告，说明点击进来的⼈⼤多被⼴告吸引了，转化低说明⼴告内容针对的⼈和产品实际受众有些不符。
⾼转化低点击的⼴告，说明⼴告内容针对的⼈和产品实际受众符合程度较⾼，但需要优化⼴告内容，吸引更多⼈点击。
低点击率低转化的⼴告，可以放弃了。
还有经典的RFM模型，把客户按最近⼀次消费(Recency)、消费频率(Frequency)、消费⾦额 (Monetary)三个维度分成⼋个象限。
象限法的优势：
1. 到问题的共性原因
通过象限分析法，将有相同特征的事件进⾏归因分析，总结其中的共性原因。例如上⾯⼴告的案例中，第⼀象限的事件可以提炼出有效的推⼴渠道与推⼴策略，第三和第四象限可以排除⼀些⽆效的推⼴渠道;
2. 建⽴分组优化策略
针对投放的象限分析法可以针对不同象限建⽴优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、⼀般发展客户、⼀般保持客户等不同类型。给重点发展客户倾斜更多的资源，⽐如VIP服务、个性化服务、附加销售等。给潜⼒客户销售价值更⾼的产品，或⼀些优惠措施来吸引他们回归。
04 ⼆⼋法/帕累托分析
⼆⼋法也可以叫帕累托法则，源于经典的⼆⼋法则。⽐如在个⼈财富上可以说世界上20%的⼈掌握着80%的财富。⽽在数据分析中，则可以理解为20%的数据产⽣了80%的效果需要围绕这20%的数据进⾏挖掘。
往往在使⽤⼆⼋法则的时候和排名有关系，排在前20%的才算是有效数据。⼆⼋法是抓重点分析，适⽤于任何⾏业。到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提⾼效果。
⼀般地，会⽤在产品分类上，去测量并构建ABC模型。⽐如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从⼤到⼩排列，并计算截⽌当前产品SKU的销售额累计合计占总销售额的百分⽐。
百分⽐在 70%(含)以内，划分为 A 类。
百分⽐在 70~90%(含)以内，划分为 B 类。
百分⽐在 90~100%(含)以内，划分为 C 类。
百分⽐在 90~100%(含)以内，划分为 C 类。
以上百分⽐也可以根据⾃⼰的实际情况调整。
ABC分析模型，不光可以⽤来划分产品和销售额，还可以划分客户及客户交易额等。⽐如给企业贡献8
0%利润的客户是哪些，占⽐多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。
05 漏⽃法
漏⽃法即是漏⽃图，有点像倒⾦字塔，是⼀个流程化的思考⽅式，常⽤于像新⽤户的开发、购物转化率这些有变化和⼀定流程的分析中。
上图是经典的营销漏⽃，形象展⽰了从获取⽤户到最终转化成购买这整个流程中的⼀个个⼦环节。相邻环节的转化率则就是指⽤数据指标来量化每⼀个步骤的表现。所以整个漏⽃模型就是先将整个购买流程拆分成⼀个个步骤，然后⽤转化率来衡量每⼀个步骤的表现，最后通过异常的数据指标出有问题的环节，从⽽解决问题，优化该步骤，最终达到提升整体购买转化率的⽬的。
整体漏⽃模型的核⼼思想其实可以归为分解和量化。⽐如分析电商的转化，我们要做的就是监控每个层级上的⽤户转化，寻每个层级的可优化点。对于没有按照流程操作的⽤户，专门绘制他们的转化模型，缩短路径提升⽤户体验。
还有经典的⿊客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即⽤户获取、⽤户激活、⽤户留存、⽤户收益以及⽤户传播。这是产品运营中⽐较常见的⼀个模型，结合产品本⾝的特点以及产品的⽣命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
从下⾯这幅AARRR模型图中，能够⽐较明显的看出来整个⽤户的⽣命周期是呈现逐渐递减趋势的。通过拆解和量化整个⽤户⽣命周期各环节，可以进⾏数据的横向和纵向对⽐，从⽽发现对应的问题，最终进⾏不断的优化迭代。
个⽤户⽣命周期各环节，可以进⾏数据的横向和纵向对⽐，从⽽发现对应的问题，最终进⾏不断的优化迭代。
不过，单⼀的漏⽃分析是没有⽤的，不能得出什么结果，要与其它相结合，如与历史数据的对⽐等。
End.
【零基础⼊职数据分析—就业班】1⽉24⽇准时开课
发布评论