工作中对数据分析思路的一点思考

工作中，经常会遇到产品、运营等各方人员对某个数据的疑问，或者各种各样的数据需求和数据问题。对于数据从业者，我越来越意识到我们不仅仅需要掌握必要的编程基础和专业知识，也需要掌握一些常见的数据分析思路，进而提高自己的数据敏感度。以下内容是自己在工作中总结出来的一些数据分析思路。

解决数据问题的通用框架

通常，解决数据问题可以分为以下五步进行：
1、明确目标
1.1明确分析对象：确定分析对象，定义该对象，确定该对象的衡量标准；
1.2明确分析目的：为什么分析它？是否有更本质的问题？它的目标受众是什么？它的最终受益人又是谁？
1.3明确分析目标：解决该问题，是为了原因定位？还是为了方案调整？

2、界定问题
2.1准确描述问题
2.2结构化梳理问题：结构化梳理问题，可以采用5w2h的方法，具体内容如下：

5w2h	现状如何	为什么	能否改善	如何改善
对象	研究什么	为什么是这种产品	能否是别的产品	到底是何种产品
目的	什么目的	为什么是这个目的	有无其他目的	应该是什么目的
场景	什么场景？在哪里	为什么是这个场景	能否是别的场景	应该是什么场景
时间	什么时候？	为什么是这个时间？	能否是其他时间	应该什么时候做
谁	目标用户是谁？	为什么是这类人？	能否是其他人群	应该是什么用户群
方式方法	怎么做？	为什么这么做？	有无其他方法	应该用什么方法
程度	做到什么程度	为什么做到这个程度	能否更高或更低	应该做到什么程度

3、提出假设
3.1将问题拆至最小：将问题拆到最小后，最小问题之间，应该符合‘相互独立，完全穷尽’的原则。将问题拆分的方法，常见的有逻辑树分析法和公式拆解法。

逻辑树分析法（以次日留存率下降分析为例）
	时间	某日表现？还是某个时间段表现？
	渠道	全部渠道？还是某个渠道表现？
	转化漏斗	哪个环节下降影响？
	用户质量	具体是哪类用户变差？
	……

公式拆解法法（以GMV为例）
GMV=下单数*客单价	下单数	下单数又可以分为：DAU=sum(新用户+各日留存率）、用户下单转化率
GMV=下单数*客单价	客单价	客单价又可以分为：人均单量*复购率、笔单价

3.2确定主要问题：即将问题判定优先级，将主要精力投放到主要问题上。

4、验证假设
4.1收集信息数据
4.2构建分析框架
4.3选择分析方法：常见的分析方法包括象限法、二八法、漏斗法、对比法、SWOT法等。

对比分析	时间、空间、特定标准（经验）、计划标准
数值	GMV、平均数、众数、最大值、最小值、绝对值
比例值	活跃度、注册转化率
环比	与当前时间范围相邻的上一个时间范围对比
同比	与历史同时期相比较

统计模型
回归分析	一段时间内，某一个维度的信息
分类分析	分析影响活动的因素
聚类分析	细分用户
关联分析	哪个产品同时购买概率最大

5、输出结论
5.1背景说明：这一部分，可遵循“背景-冲突-疑问-回答”的顺序展开；
5.2结论输出：结论输出时，可遵循的原则包括：结论先行、上下对应、分析清晰、逻辑递进；
5.3执行方案：也就是输出科学数据报告（可视化）的过程。

常用的分析指标

1、用户数据

用户数据
	存量用户规模	DAU、MAU
	增量	新用户
	健康程度	留存率、复购率
	来源渠道

2、行为数据

行为数据
	频率	pv、uv、访问深度
	路径走通流程	转化率
	时间	时长
	质量	跳出率

3、业务数据

业务数据
	总量	GMV、访问时长
	人均	人均GMV、人均访问时长
	人数	下单人数