业务分析入门（四）

 这一小节内容介绍了常见的9种数据分析方法。视频来源https://www.bilibili.com/video/BV1R44y1z7M7?p=44

---

目录

1. 对比分析

（1）比什么

（2）怎么比

2. 多维度拆解（※）

（1）适用场景

（2）案例：涨跌异动

3. 漏斗观察

（1）原理

（2）案例：评估渠道质量，确定投放优先级

4. 分布情况

（1）常见的群体划分

（2）适用场景

5. 用户留存

（1）查看原因

 （2）计算方式

（3）案例分析：一个功能/内容上线后，如何评估其价值

6. 用户画像

（1）概念定义

（2）应用场景

（3）案例：精准运营

7. 归因查找

 （1）运作原理

（2）适用场景

8. 路径挖掘

（1）运作原理

（2）适用场景

9. 行为序列

（1）运作原理

（2）适用场景

（3）案例：找到薅羊毛的用户

总结

（1）九种数据分析方法

（2）五类常见的业务场景（案例分析）

一些想法

---

1. 对比分析

（1）比什么

绝对值：本身具有价值的数字，但不容易知道问题的严重性。

比例值：在比较下才有价值的数字，但容易受到极端值影响。（比如2个用户转化2个，转化率100%，1000个用户转化900个，转化率90%，光看比例会觉得前者更好）

（2）怎么比

指标	定义	适用场景
环比	和当前时间范围相邻的上一个时间范围对比 比如2022年5月的环比是和2022年4月对比	对短期内具备连续性的数据进行分析，同时可能没有历史数据 比如推出新活动拉新人
同比	不同时间层的相同位置的时间相比 比如2022年5月的年同比是和2021年5月对比	观测更长的数据集，同时观察的时间周期内有较多的干扰，希望能够消除这些干扰 比如一周的购物欲望是不同的，学生党玩游戏时长在一周内也是不同的

（3）和谁比

	对比角度
和自己比	时间维度（连续数据） 不同业务线 过往经验
和行业比	自身因素还是行业趋势（比如牛市客户经理业绩自然好）

2. 多维度拆解（※）

数据分析的本质就是用不同的角度去拆分、观察同一个数据指标。

（1）适用场景

• 分析单一指标的构成、比例时
• 针对流程进行拆解分析（新老用户漏斗分析）
• 需要还原行为发生时的场景

（2）案例：涨跌异动

案例一：收入跌10%

•  思考步骤

        ①这是个问题吗：进行环比同比，查看下跌10%是否正常。

        ②如果是一个问题，根据过往经验进行假设

假设	证明	结论
如果是技术问题，应该存在断崖式下跌，且修复后会好回来	按照小时查看，符合平时流量规律	服务器没问题
如果是渠道问题，应该存在某个渠道远低于平时流量	按照渠道拆解，发现A渠道流量低于平时的20%	A渠道下跌
如果是发货问题，应该存在某个地区低于平时销量	按地域维度拆解流量，XY低了很多	怀疑和当地动作有关（比如仓储、物流有问题）

         ③综合分析得到结论：收入下跌10%确实是个问题，异动原因是XY的A渠道低于平时，需要询问市场部门，于是问同事渠道投放是否有问题。

        ④最后可以知道问题所在。

结论：数据只是验证支撑工具，首先需要有一个假设，而提出假设的前提是要有业务洞察。

• 常见的数据异动假设

        ①活动影响：查对应活动页面和对应动作的数据波动，关注活动是否有地域属性。

        ②版本发布：将版本号作为维度，区分查看。

        ③渠道投放：查看渠道来源变化。

        ④策略调整：查看策略上线时间节点，区分前后关键指标波动。

        ⑤服务故障：明确故障时间，按时间为维度进行小时或者分钟级别的拆分。

案例二：浏览量狂涨

多维度可以叠加，也就是多个维度拆解后综合分析。

3. 漏斗观察

（1）原理