【三节课数据分析】ch3.数据分析的九种方法

01 对比分析

比什么？

1.绝对值or比例值

2.环比or同比

环比	同比
last period 与当前时间范围相邻的上一个时间范围对比	same period last year/month/day 与当前时间范围上层时间范围的前一范围中同样位置数据对比
与「上一个」统计周期比较 , 周环比：2021年51周与50周相比	与历史「同时期］比较, 月同比：9月7号与8月7号。
对短期内具备连续性的数据进行分析，需要根据相邻时间范围的数字对当前范围的指标进行设定。	观察更为长期的数据集，观察的时间周期里有较多的干扰，希望某种程度上消除干扰。

3.和自己比or和行业比

和自己比	和行业比
从时间维度	自身因素？行业趋势？是否比同行长得慢？是否比同行跌得快
从不同业务线
从过往经验估计

02 多维度拆解

用不同的视角去拆分，观察同一个数据指标。

运作原理：指标/业务流程需要按照多维度拆分，来观察变动
适用场景：分析单一指标的构成、比例等/ 针对流程进行拆解分析/ 还原行为发生时的场景

案例说明 数据涨跌如何处理

如何处理数据的涨跌？并不是只有📉才值得关注，不寻常的📈同样值得关注。
涨：弄清原因，放大涨势
跌：弄清原因，采取行动，及时减缓趋势

一般处理流程：

1. 发现异常
2. 确定问题（对比分析，周同比，月同比，是否是周期性现象？以前是否出现过？问题是否真实存在？）
3. 确定原因（多维度拆解，找到原因）根据实际分析，服务器？渠道商？存货？服务？价格？
4. 针对性解决问题
5. 执行

其中需要不断提出假设，并用数据去验证真实性。
一些常见假设：
活动影响：查对应活动页面及对应动作的数据波动。关注活动是否有地域属性。
版本：以版本号作为维度，区分查看。
渠道投放：查看渠道来源变化
策略调整：明确故障时间，按分钟或小时进行拆分

以某小型网站某段时间浏览量狂涨作为案例，进行分析：

• 按来源进行拆分：7.31～8.3这几天的浏览量激增
• 按访问城市进行划分：几乎都来自北京
• 按浏览器进行划分：几乎都是safari
• 查看浏览器版本号：版本号为空，可以确定是爬虫导致的高访问了量（经验累积）

03 漏斗观察

漏斗 = 一连串向后影响的用户行为

注意点：

• 漏斗一定是有时间窗口的
  考虑极端情况：23:59分执行第一步，次日00:02分执行第二步。
  或者，用户1月加入购物车，5月才购买。
  漏斗的时间窗口是以天？24h？月？年？为单位
  因此需要根据业务实际情况，选择对应的时间窗口
  按天：对用户心智的影响只在短期内有效（如短期活动）
  按周：业务本身负责，决策成本高，多日才能完成
  按月：决策周期更长
• 漏斗一定是有严格顺序的
  
  不可以用[ABCDE]的漏斗，看[ACE]的数据
• 漏斗的计数单位可以基于用户、也可以基于事件
  仍然要基于具体业务进行确定。基于用户往往是关心整个业务流程的推动，基于事件关心某一步具体的转化率，无法获知事件流转的真实情况。
• 结果指标的数据不符合预期
  自查：是否只有这一个漏斗能够达到最终目标？是否有其他路径？

运作原理
通过一连串向后影响的用户行为来观察目标

适用场景
适用：有明确的业务流程和业务目标
不太适用：没有明确的流程、跳转关系纷繁复杂的业务

案例

如何评估渠道质量 确定投放等级

常见的渠道划分方式