全文5000+字,理论+实践,方法论和实际案例都有,先码后看!
有一部分人只是需要在一些工作中,分析部分数据,从而指导自己工作,为之后计划做支撑,这种类型的数据分析,薅一些数据分析的皮毛即可。
在夯基础阶段,你需要学习统计学相关知识,这些知识点一般在一些入门书籍、学习网站就可以get到:
什么是数据分析方法论?方法论是从宏观角度出发,从管理和业务的角度提出的分析框架,指导我们接下来具体分析的方向。
从优势(Strength)、劣势(Weakness)、机遇(Opportunity)、威胁(Threat)四个方面分析内外环境,适用于宏观分析。运用这种方法,可以对研究对象所处的情景进行全面、系统、准确的研究,从而根据研究结果制定相应的发展战略、计划以及对策等。
PEST 为一种企业所处宏观环境分析模型,从政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)四个方面分析内外环境,适用于宏观分析。PEST分析与外部总体环境的因素互相结合就可归纳出SWOT分析中的机会与威胁。PEST/PESTLE、SWOT 与 SLEPT 可以作为企业与环境分析的基础工具。
一种以用户为中心的着眼于转化率的漏斗型的数据收集测量模型,从获取(Acquisition)、激活(Activition)、留存(Retention)、收益(Revenue)和推荐(Referral)5个环节增长。
AARRR在应用推广运营各个层次(各个阶段)需要关注的一些指标。在整个AARRR模型中,这些量化指标都具有很重要的地位,而且很多指标的影响力是跨多个层次的。及时准确地获取这些指标的具体数据,对于应用的成功运营是必不可少的。
分享一下常见的5种数据分析方法,引用自李启方的《数据分析入门——数据分析惯用的五种分析方法》
常常多种结合一起使用。
注:主要偏思维层面的,基于业务问题对数据的探索性分析,不同于专业统计学中的数据处理方法。
所谓公式法就是针对某个指标,用公式层层分解该指标的影响因素,这个我在指标化思维中提到过。
举例:分析某产品的销售额较低的原因,用公式法分解:
1)找到产品销售额的影响因素:某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理?
2)找到销售量的影响因素:分析各渠道销售量,对比以往,是哪些过低了。
3)分析影响渠道销售量的因素:渠道销售量=点击用户数X 下单率。是点击用户数低了,还是下单量过低。如果是下单量过低,需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。
4)分析影响点击的因素:点击用户数=曝光量X点击率。是曝光量不够还是点击率太低,点击率低需要优化广告创意,曝光量则和投放的渠道有关。
通过对销售额的逐层拆解,细化评估以及分析的粒度。
公式拆解法是针对问题的层级式解析,在拆解时,对因素层层分解,层层剥尽。
对比法就是用两组或两组以上的数据进行比较,是最通用的方法。
我们知道孤立的数据没有意义,有对比才有差异。一些直接描述事物的变量,如长度、数量、高度、宽度等,通过对比得到比率数据,增速、效率、效益等指标,这才是数据分析时常用的。
比如:用于在时间维度上的同比和环比、增长率、定基比,与竞争对手的对比、类别之间的对比、特征和属性对比等。
对比法可以发现数据变化规律,使用频繁,经常和其他方法搭配使用。
静态对比:同一时间条件下对不同总体指标进行比较,如不同部门、不同地区、不同国家的比较,也叫“横比”。
比如:OPPO(南京)跟踪订货量,将订货量细分为城南、雨花区等各个区域进行对比监控,以便后期销售量复盘时,精细化分析数据支撑下一季度的布局。
所用分析工具>>
动态对比:同一总体条件下对不同时期指标数据的比较,也叫“纵比”。
通过对两种及以上维度的划分,运用坐标的方式表达出想要的价值。由价值直接转变为策略,从而进行一些落地的推动。
象限法是一种策略驱动的思维,常于产品分析、市场分析、客户管理、商品管理等。
比如:下图是一个广告点击的四象限分布,X轴从左到右表示从低到高,Y轴从下到上表示从低到高。
还有经典的RFM模型,把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。
二八法也可以叫帕累托法则,源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中,则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。
往往在使用二八法则的时候和排名有关系,排在前20%的才算是有效数据。二八法是抓重点分析,适用于任何行业;找到重点,发现其特征,然后可以思考如何让其余的80%向这20%转化,提高效果。
一般地,会用在产品分类上,去测量并构建ABC模型,比如某零售企业有500个SKU以及这些SKU对应的销售额,那么哪些SKU是重要的呢,这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度,并将对应的销售额作为基础度量指标,将这些销售额指标从大到小排列,并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
以上百分比也可以根据自己的实际情况调整。
ABC分析模型,不光可以用来划分产品和销售额,还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些,占比多少。假设有20%,那么在资源有限的情况下,就知道要重点维护这20%类客户。
漏斗法即是漏斗图,有点像倒金字塔,是一个流程化的思考方式,常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。
上图是经典的营销漏斗,形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。
相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现,所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤,然后用转化率来衡量每一个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体购买转化率的目的。
整体漏斗模型的核心思想其实可以归为分解和量化。
比如分析电商的转化,我们要做的就是监控每个层级上的用户转化,寻找每个层级的可优化点;对于没有按照流程操作的用户,专门绘制他们的转化模型,缩短路径提升用户体验。
还有经典的黑客增长模型:AARRR模型,指Acquisition、Activation、Retention、Revenue、Referral,即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型,结合产品本身的特点以及产品的生命周期位置,来关注不同的数据指标,最终制定不同的运营策略。
从下面这幅AARRR模型图中,能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节,可以进行数据的横向和纵向对比,从而发现对应的问题,最终进行不断的优化迭代。
不过,单一的漏斗分析是没有用的,不能得出什么结果,要与其它相结合,如与历史数据的对比等。
再补充几个实用的分析方法:
趋势分析法
多维分解法
看数字、看趋势是最基础展示数据信息的方式。在数据分析中,我们可以通过直观的数字或趋势图表,迅速了解例如市场的走势、订单的数量、业绩完成的情况等等,从而直观的吸收数据信息,有助于决策的准确性和实时性。
通常我们在数据分析产品中建立一张数据指标图、线图或者柱状图,然后持续观察,重点关注异常值:
2、多维分解
多维分解是指从业务需求出发,将指标从多个维度进行拆分。为什么需要进行多维拆解?有时候一个非常笼统或者最终的指标你是看不出什么问题来的,但是进行拆分之后,很多细节问题就会浮现出来。
比如,在分析物料不良率影响因素时,监控各来源渠道的物料不良率:
比如,某品牌服装门店将月度销售数量按照不同类型、不同大小进行拆分统计,监控不同款式的销售效果:
注:文中数据分析方法中配图来自简道云