数据分析

最新推荐文章于 2022-10-24 09:21:18 发布

Cool_Pepsi

最新推荐文章于 2022-10-24 09:21:18 发布

阅读量1.5k

点赞数 2

分类专栏：数据分析文章标签：数据分析流程

本文链接：https://blog.csdn.net/Cool_Pepsi/article/details/99332927

版权

数据分析专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1. 什么是数据分析？

数据分析是根据业务问题，对数据进行收集、清洗、处理和建模的过程，用于识别有助于业务的信息，获取关键业务结论并辅助决策制定。

2. 数据分析具体做什么？

业务问题界定→数据收集与清洗→处理分析与模型
更具体地：
在这里插入图片描述
在业务问题界定后，
前端：数据采集与数据存储
中间：数据清洗、数据挖掘、数据分析
后端：数据可视化、数据应用

3. 数据分析产生什么价值？

数据分析是为企业盈利的

提高收入
- 更低成本获客（客源）
- 提高现有顾客购买金额
- 让购买中低端产品的顾客购买更高价利润更高的产品
成本和风险控制
- 帮助企业预测市场走向
- 减少产品滞销和畅销产品断货的几率
- 优化内部经营效率

4. 数据分析诞生与发展

在这里插入图片描述

越发重要的原因：

数据增长，用户创造了大量的数据
例如现有的社交平台（微信、微博）为用户提供了非常方便的发布文字、音频和视频的工具，也许本身这些数据占有空间不大，但由于用户基数众多，也形成了巨大的数据量；
数据的储存与计算能力不断提升
硬件和软件各方面成本的降低，企业可以存储更大更丰富的数据；
持续迭代优化的算法模型可以满足实时的计算需求，例如淘宝上会出现“查看此产品的人还看过”、“店铺推荐、看了又看”；
在大数据环境下，基于分析所进行的各种场景优化都可以进行数据采纳和验证，使数据分析的价值可以量化。例如：以前，我知道我50%的广告费浪费了，但我不知道是哪个50%；现在明确哪些媒介与渠道浪费了。

5. 界定分析问题

WHAT 什么发生了
围绕企业关注的重点指标：利润/顾客，例如我们这个月收入和利润如何？每个顾客大概会花多少钱？
在找到重点指标后，还需进一步地拆分查询数据，例渠道流量可以进一步拆分为各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度等。
WHY 为什么会发生
关注业务背后现状背后的原因。
例如：

WHAT：2018年收入下降了。
分析：顾客数量上去了，但收入反而下降了，进一步看平均单价。
WHY：为什么顾客购买的平均单价在下降？

发现在高价产品上的花费的比例少了很多。
背后的原因可能涉及到经济，市场和其他等因素，但对该企业来说，直接的原因就是用户没有花钱在价格高的产品上。

在数据分析的过程中，会有很多因素影响到我们的指标，那么如何找到这些因素呢？

内外因素分解法

在这里插入图片描述
举个例子：

某社交招聘类网站，分为求职者端和企业端。其盈利模式一般是向企业端收费，其中一个收费方式是购买职位的广告位。业务人员发现， “发布职位” 的数量在过去的 6 月中有缓慢下降的趋势。对于这类某一数据指标下降的问题，可以怎么分析呢？

根据内外因素分解法，我们可以从四个角度依次去分析可能的影响因素。

内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。

外部可控因素：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化。

内部不可控因素：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）。

外部不可控因素：互联网招聘行业趋势、整体经济形势、季节性变化。

有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。

HOW 我们能做什么？
目标：我们就是要让他们在店里多花钱
传统零售企业：全场打折
数据驱动企业：精准营销

精准营销：识别高价值顾客，实施针对性的营销方案，发放专属优惠卷促进顾客购买。
此时，问题拆分为：

识别高价值顾客，识别高价值顾客的具体特征（统计分析或建模）
选择那些在收到优惠卷之后使用的顾客，跟踪分析后续的使用和购买情况

总结：
Step 1 识别关键环节，将 What 转变为 Why

与关键的业务人员一同参与，识别能用数据驱动业务发展的关键环节。
业务人员从自身角度出发往往是带着WHAT问题而来，
我们需要用数据引导他们走向WHY/HOW的问题层。

Step 2 选择分析计划

不同的分析方法在所需的数据准备工作上会有较大差别，实施时间长度也会有所不同，
根据业务目标找到所有可能解决的技术方法与所需数据，选择分析计划。

Step 3 明确衡量分析项目成功的标准

最终哪些数据的变化，能够体现数据分析实现的价值？
例如上个例子，高价值客群会收到优惠卷，但也随机选择其他客群的人发放优惠券，活动结束后对比两组人使用优惠券情况。

6. 数据清洗与整理

在5的业务界定问题中，我们界定了问题后就可以去收集对应的数据了，通过python或SQL完成从多个数据表中拼接聚合数据的过程，在确认数据在收集前后完整而且准确后，我们将进入下一步，对数据质量进行变量级别的清洗与整理。
在这个阶段中，工作包含两个方面，一个是“清洗“，即将有问题的数据排除出去，这里主要涉及对数据缺失，异常和其他问题的处理；另一个则是”整理“，即将数据转化成更有助于后续分析的样式，比如将实际年龄转换成80后，90后这样有业务意义的分组。

数据清洗

数据清洗涉及数据缺失，异常和其他问题的处理。

数据缺失（处理缺失值常用思路）
- 缺失的信息来源与哪个表？在原表中它们也是缺失的吗？
- 原表也缺失，那有没有可能是收集信息时有缺漏？例如用户注册填写性别时就是不填。那么可以系统强制填写。如果业务团队反馈数据收集过，那么说明底层数据录入时有问题。
- 在排除了系统和流程问题后，考虑技术处理方法。当缺失比列超过90%时，可以进行删除；若缺失比例较低，可以用均值、中位数、回归等方法进行填充。
数据异常（有三种类型）
- 数据有明显违背常理的错误。收入是负数，中国人口一共1.3亿等，这里可以直接删除或当成缺失值，然后再用处理缺失值的手段处理；
- 特殊数字来标注的“缺失值”。例如收入这字段中，其他收入数据都是整数，突然出现一个99999，那么考虑用户没填这个信息，系统默认值是99999，相当于标注了缺失值，可以用处理缺失值方法处理。
- 数据的离群值。离群值是指与其他数据差异较大，会对数据分析结果产生影响的观测值。

单变量异常值识别：

连续变量

箱型图：
在这里插入图片描述
经验法则：
类似于箱线图的方法，我们通常把在“平均值+/-3*标准差”之外的数据标识为异常值。

平均值和标准差”这个方法来自于经验法则，我们知道在正态假定下，区域“平均值+/-3*标准差”包含了99.7%的数据，所以如果根据这个规则找到一个异常值，它是由正态分布产生的概率（即跟其他数据以相同机理产生的概率）小于0.3%，故应为异常值。但是这个方法的应用是有前提条件的，即数据是服从正态分布的，而现实生活中的很多数据都是偏态的，例如一家公司的工资分布是右偏的。相比于这个方法，箱线图的识别方法是依据实际数据绘制，并没有对数据本身作任何限制性的假定（例如服从正态分布），它只是真实地表现数据分布的本来面貌。而且其判断标准依据的是四分位数以及四分位差，分位数本身具有一定程度的鲁棒性（或称稳健性，Robustness）。

名义变量或者有序变量

针对名义变量或者有序变量，我们可以根据需求灵活地定义某一类别的频率数，比如总体的1%以下就是异常的。

多变量异常值识别：

基于聚类的方法
基于邻近性的方法
基于分类的方法

异常值处理

在识别异常值后，如何处理？

直接删除
用缺失值替代或盖帽法
进行针对性的研究

当只有极个别异常值存在（即比例很小时）又或者从业务上已经很清楚的找到了产生的原因（例如年龄是239岁，那肯定是输入错误等），我们可以直接删除或者用缺失值替代。缺失值替代了以后，我们可以用处理缺失值的方法处理，如删除、赋值、替换等。如果找到了一定比例的异常值，在业务逻辑上发现其背后可能代表着一些特殊的机制、人群、原因、事故等，我们则可能要进行针对性分析了。所以说基于统计分析找到的异常值只是可疑的值，要跟具体的业务逻辑联系起来，具体判断是否是异常值以及进行对应的研究。

另外在实际应用中，有一些分析方法对异常值很敏感如回归，我们需要特别注意异常值，而有一些方法对异常值比较包容如神经网络，我们可以放宽处理水平。再有，一些数据变换的手段如分箱，也能在一定程度上处理异常值。

数据整理

对数据进行统一的格式化和命名规则处理，例如城市中有上海市，上海，北京市，北京等；
对某些信息进行重新编码以满足后续分析需求，可以挖掘新的信息，例如年龄→80后、90后，2019/08/02 15:07 → workday afternoon

7. 数据探索与可视化

在这里插入图片描述

7.1 通过数据可视化，实现单变量分布情况分析

描述统计、箱型图、对变量分组后的柱状图，时间趋势图、累计占比图
在这里插入图片描述

7.2 多变量之间的相关关系

在这里插入图片描述

衍生变量

基于业务需求，在最初的数据架构表之外，产生的变量称为衍生变量

8. 数据分析的 8 种方法

那么对于具体的业务场景问题，我们又该怎么办呢？我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

8.1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。
在这里插入图片描述
对于电子商务网站，流量是非常重要的指标。上图中，我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard），并且实时更新。这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

8.2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。
在这里插入图片描述
举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。图 7 中，当天网站的访问用户量显著高于上周，这是什么原因呢？当我们按照访问来源对流量进行维度拆分时（图 9 ），不难发现直接访问来源的访问量有非常大的提升，这样就进一步把问题聚焦了。

8.3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群（segmentation ）的手段。我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。
在这里插入图片描述
在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

8.4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。

其中，我们往往关注三个要点：

第一，从开始到结尾，整体的转化效率是多少？

第二，每一步的转化率是多少？

第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？
在这里插入图片描述
上图中注册流程分为 3 个步骤，总体转化率为45.5%；也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。但是我们不难发现第二步的转化率是 56.8% ，显著低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。显而易见第二步的提升空间是最大的，投入回报比肯定不低；如果要提高注册转化率，我们应该优先解决第二步。

8.5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量（UV）和页面访问量（PV）这类指标，断然是无法全面理解用户如何使用你的产品。

通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。
在这里插入图片描述
上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。网站购买转化率低，以往的业务数据无法告诉你具体的原因；通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题（比如是不是商品不匹配等等），从而为决策提供依据。

8.6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。
在这里插入图片描述

8.7 A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。
在这里插入图片描述
举个例子，我们设计了两种不同的产品交互形式，通过比较实验组（A 组）和对照组（B 组）的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。

要进行 A/B 测试有两个必备因素：第一，有足够的时间进行测试；第二，数据量和数据密度较高。因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。