数据分析思维：分析方法和业务知识

1.业务指标

1.1 数据分类

用户数据、行为数据、产品数据

1.2 常用指标

1.2.1 用户数据指标

（1）对于新增用户使用的指标：日新增用户数

（2）对于活跃用户使用的指标：活跃率

日活跃用户数、周活跃用户数、月活跃用户数

（3）对于留存用户使用的指标：留存率

留存可以评估产品功能对用户的黏性

1.2.2 行为数据指标

• PV（Page View）访问次数

• UV（Unique Visitor）访问人数

• 转发率

• 转化率，如广告转化率=点击广告的人数/看到广告的人数

• K因子，用来衡量推荐的效果，即—个发起推荐的用户可以带来多少新用户。K因子＝平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。假设平均每个用户会向20个朋友发出邀请,而平均的转化率为10%的话,K因子＝20×10%＝2。
  当K＞1时，新增用户数就会像滚雪球一样增大。如果K＜1的话，那么新增用户数到某个规模时就会停止通过自传播增长。

1.2.3 产品数据指标

• 用来衡量业务总量的指标：如成交总额、成交数据量

• 用来衡量人均情况的指标：如客单价

• 用来衡量付费情况的指标：付费率、复购率

• 与产品相关的指标，如热销产品数、好评产品数、差评产品数

1.2.4 推广付费指标

（1）展示广告位

（2）搜索广告

（3）信息流广告：

按投放的实际效果付费（CPA,Cost Per Action）包括:
CPD（Cost Per Download）:按APP的下载数付费;
CPI（Cost Per Install）:按安装APP的数量付费,也就是下载后有多少人安装了App;
CPS（Cost Per Sales）:按完成购买的用户数或者销售额来付费

1.3 如何选择指标

（1）好的数据指标应该是比例。要将指标换算成比例。

（2）根据目前的业务重点,找到北极星指标。

要根据目前的业务重点，去寻找北极星指标。

1.4 指标体系和报表

1.4.1 什么是指标体系

一个指标没办法解决复杂的业务问题，这就需要使用多个指标从不同维度来评估业务，也就是使用指标体系。指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系＝指标＋体系,所以一个指标不能叫指标体系,几个毫无关系的指标也不能叫指标体系。

1.4.2 指标体系有什么用

• 监控业务情况
• 感通过拆解指标寻找当前业务问题
• 评估业务可改进的地方，找出下一步工作的方向

1.4.3 如何建立指标体系

（1）明确部门KPI（关键绩效指标法），找到一级指标。

一级指标是用来评价公司或部门运营情况最核心的指标

（2）了解业务运营情况,找到二级指标。

有了一级指标以后，可以进一步将一级指标拆解为二级指标。具体如何拆解，要看业务是如何运营的。例如销售部门一般按地区运营，就可以从地区维度拆解。市场部门—般按用户运营，就可以从用户维度拆解。

（3）梳理业务流程，找到三级指标。

把二级指标按照业务流程拆解为更细的三级指标

（4）通过报表监控指标,不断更新指标体系

报表就是报告状况的表，是通过表格、图表来展示指标，从而方便业务部门掌握业务的情况。

制作报表的步骤：需求分析、建立指标体系、设计展现形式、编写需求文档、报表开发。

1.4.4 建立指标体系的注意事项

（1）没有一级指标，抓不住重点。

（2）指标之间没有逻辑关系。

（3）拆解的指标没有业务意义。

（4）一个人就完成了指标体系和报表，也不和业务部门沟通。

2.分析方法

2.1 5W2H分析方法

5W是指对于所有的现象都追问5个问题:what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）
2H是指再追问2个问题;：how（怎么做）、how much（多少钱）。

5W2H分析方法可以帮助我们解决简单的问题，比如：

• 如何设计一款产品?

• 设计一款APP的调查问卷,如何设计问卷上的问题?

5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用。这是因为复杂的商业问题不会只有—个原因，而是由多个原因引起的。

2.2 逻辑树分析方法

逻辑树分析方法是把复杂问题拆解成若干个简单的子问题，然后像树枝那样逐步展开。

2.3 行业分析方法

进行行业分析，就是用PEST分析方法，PEST分析方法是对公司发展宏观环境的分析，所以经常用于行业分析。通常是从政策（Policy）、经济（Economy）、社会（Society）和技术（Technology）这四个方面来分析的。

2.4 多维度拆解分析方法

​ 通过多维度拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悸论”（Simpson’s Paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。

​ 只看数据整体，我们可能注意不到“数据内部各个部分构成的差异”。所以,我们需要从多个维度去观察数据,并相互验证，才能得出相对可靠的结论。

一般会从指标构成或者业务流程的维度来拆解。
1）从指标构成来拆解

2）从业务流程来拆解

2.5 对比分析法

（1）和谁比

和自己、和行业

（2）如何比较

数据整体的大小：平均值、中位数、或某个业务指标

数据整体的波动：标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况。

趋势变化：趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图、环比（和上一个时间段对比，用于观察短期的数据集）和同比（与去年同一个时间段进行对比，用于观察长期的数据集）。

（3）注意事项

在进行比较的时候，要注意比较对象的规模保持一致。

A/B Test

A／B测试的背后也是用了对比分析方法。什么是A／B测试?

简单来说，A／B测试就是为同一个目标制定两个版本，这两个版本只有某个方面不一样，其他方面保持一致。

2.6 假设检验分析方法

假设检验分析方法分为3步：

（1）提出假设

（2）收集证据

（3）得出结论

假设检验分析方法可以分析问题发生的原因，也叫作归因分析。

如何使用假设检验分析方法？

如何客观地提出假设？
可以从按用户、产品、竞品3个维度提出假设，来检查提出的假设是否有遗漏。

（1）假设用户有问题:可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因
（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求
（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了

我们还可以从4P营销理论出发来提出假设：产品（product）、价格（price）、渠道（place）、促销（promotion）

2.7 相关分析方法

当我们研究两种或者两种以上的数据之间有什么关系的时候，就要用到相关分析。如果两种数据之间有关系，叫作有相关关系。

相关分析的作用：
（1）在研究两种或者两种以上数据之间有什么关系，或者某个事情受到其他因素影响的问题时，可以使用相关分析。

（2）在解决问题的过程中，相关分析可以帮助我们扩大思路，将视野从一种数据扩大到多种数据。

（3）相关分析通俗易懂，方便沟通。

X,Y的相关系数r=X与Y的协方差/根号下(X的方差*Y的方差)

相关系数的范围为[-1,1]

r的绝对值越大，表示相关性越强

r为正代表正相关

相关系数的两个作用:
（1）相关系数的数值大小可以表示两种数据的相关程度，系数值大于0.6或者小于-0.6，表示两种数据之间高度相关;
（2）相关系数数值的正负可以反映两种数据之间的相关方向。

如何判断两种数据之间是相关关系还是因果关系？
要用到“单变量控制法”，也就是控制其他因素不变，只改变其中一个因素，然后观察个因素对实验结果的影响。

例如，每天早上公鸡—打鸣，太阳就会升起，如果我们把公鸡杀掉，太阳还是会升起，完全不受公鸡的影响。所以， “太阳升起”和“公鸡打鸣”是相关关系，而不是因果关系。

2.8 群组分析方法

（1）是什么？

“群组分析方法’’（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。

（2）有什么用？

群组分析方法常用来分析用户留存率（流失率）随时间发生了哪些变化，然后找出用户留下或者离开的原因。

产品会随着时间发布新的版本，产品改版的效果如何?版本更新后用户是增长了，还是流失了?像这类问题就需要将用户按时间分组，然后比较不同组的用户留存率。

（3）如何用？

​ 先使用群组分析方法，找到留存率低或留存率高的组；然后使用假设检验、相关分析等方法，研究为什么这些组留存率低或留存率高。找到原因以后，就可以对应地优化产品。
​ 当群组分析表格里的数据比较多的时候，直接分析起来比较困难，这时可以把数据绘制成折线图，这样就可以很容易地发现数据发现了哪些变化。

​ 使用群组分析方法需要注意如何分组，除了按时间分组，还可以根据具体的业务场景来确定。

2.9 RFM分析方法

​ RFM是3个指标的缩写:最近1次消费时间间隔（Recency）、消费频率（Frequency）、金额（Monetany），通过这3个指标对用户分类的方法称为RFM分析方法。

• 各指标特征如下:
  对于最近1次消费时间间隔（R），上—次消费离得越近，也就是R的值越小，用户价值越高。
• 对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。
• 对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。
  

例如店铺某个月收入大幅下跌，通过分析，发现原来店铺几个重要的用户被竞争对手挖走了，而这几个用户贡献了店铺80%的收入。

通过RFM分析方法可以把用户分为8类，这样就可以对不同用户使用不同的营销策略，例如信用卡的会员服务。

不同业务中R、F、M的定义不同，要根据具体业务灵活应用。
R、F、M按价值确定打分的规则—般分为1～5分，也可以根据具体业务灵活调整。

2.10 AARRR模型分析法

AARRR模型对应产品运营的5个重要环节，分别是:
获取用户（Acquisition）:用户如何找到我们?
激活用户（Activation）:用户的首次体验如何?
提高留存（Retention）:用户会回来吗?
增加收入（Revenue）:如何赚到更多钱?
推荐（Referral）: 用户会告诉其他人吗?

​ 因为AARRR模型涉及用户使用产品的整个流程’所以它可以帮助分析用户行为,为产品运营制定决策，从而实现用户增长。例如，使用其他分析方法定位到问题的原因是留存率低，那么就可以参考AARRR模型里留存这一环节的策略来提高留存率。

2.11 漏斗分析方法

​ 从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。

​ 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。
经过各个业务环节转化下来的用户，会产生更大的价值。因为这部分用户更加忠诚，更认可业务的流程。随着转化用户的不断增加，留存用户的规模也在不断增大，产品的盈利规模也会随之增加。
​ 流失的用户数量在每个业务环节都不同。可以分析用户主要流失在哪个业务环节，以及为什么流失，是因为业务流程过于复杂，还是产品特性无法完全展现，或是其他原因，最终的目的都是不断减少用户流失率。

3.用数据分析解决问题

3.1 数据分析解决问题的过程

（1）明确问题

（2）分析原因

（3）提出建议

3.2 如何明确问题

（1）明确数据来源和准确性

• 时间
• 地点
• 数据来源

（2）业务指标理解

对于业务指标，可以分析指标含义、和谁比。

3.3 如何分析原因

如何知道哪些是“关键的因素”呢?可以在分析的过程中使用这3步来分析:
（1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题

（2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法’’等多个分析方法来辅助完成
（3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法’’进行深入分析。

3.4 如何提出建议

在提出建议这一步，常用的分析方法是回归分析或者AARRR模型
分析方法。

要注意的是:
（1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失,无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项
（2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动