数据分析-大框架1

案例：

老板问：“好时光”的线上活动流量情况怎么样？

一.找出问题：精确使用描述性统计

精确使用描述性统计可以对样本的基本情况和特征进行说明

在日常业务中经常被使用的描述性统计量：中位数，平均数，分位数，方差/标准差，异常值

 

二.分析问题：找出问题,着眼于变化，寻找异常值

• 1.找出问题：精确使用描述性统计

• 2.找出问题：着眼于变化，寻找异常值

评估变化的方法

同比：对比同期变化（和上周五比）

环比：对比连续周期

增长率：可以有效评估累计型的指标

日常工作中的流量数据，用户数据，转化数据，交易数据都有固定的波动周期，每个周期内的数据变化应该是趋于稳定的，如果某天的数据不在符合预期的范围内稳定变化就是数据异常

对数据异常的敏感度主要有：数据波动是否异常？异常的范围，波动的程度，是否需要深入分析

异常值：

三个超高UV增长率的原因，一是因为周末，UV本来就高；二是因为这三天我们有合作渠道的推广，造成UV暴增

变化：

活动的峰值的增长率有向下的趋势

• 3.细分指标，多维度分析

通过多维度，拆分指标进行分析，来寻求指标变化可能的原因

同一指标,不同维度

拆解指标，深挖数据

常用的指标维度：

用户指标：地区，年龄，性别，学历，设备型号，操作系统

产品指标：产品类型

运营指标：活动类型

营销指标：营销渠道，营销方式

• 4.分析问题：交叉分析

只关注单一维度和指标会造成我们主观判断上的偏差：

• 幸存者偏差
• 维度偏差

引入转化率作为交叉分析的指标，从折线图来看，转化率和UV的关系并不大

• 5.相关性分析，找出问题关键因素

相关性分析对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素相关的密切程度。

相关性分析在数学层面很难做到严谨性，但是在业务层面具有非常大的可解释性

相关系数（相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。

简单相关系数：又叫相关系数或线性相关系数，一般用字母r 表示，用来度量两个变量间的线性关系。

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差）

通过计算相关系数，我们发现UV和CTR之间的相关系数超过0.5，在实际业务中可以判断为强相关。

• 6.预测趋势

在业务中，我们通常通过预测性分析来判断核心业务指标的发展趋势，尽管预测性分析可以为未来的趋势提供指导，但是预测也只是一种估计，数据的质量和业务状态的稳定性决定着预测的准确性，所以这类分析往往需要持续不断的优化。

三.解决问题，促进业务落地

我们基于数据，做出了上述问题，现在我们需要去把我们的结论和分析的逻辑去和业务方落实，确保我们的分析无误且结构能够被业务方所接受