数据分析的常用方法，数据分析方法

大家好,今天小编来为大家解答以下的问题，关于数据分析的常用方法，数据分析方法这个很多人还不知道，现在让我们一起来看看吧！

数据分析的6种常用方法

常见的6种数据分析的方法有：直接判断法、对比分析法、结构分析法、平均分析法、漏斗分析法、因果分析法

无需经过任何的数据对比，根据经验直接进行判断。

这种方法对人的要求极高，要求个人对于数据和市场的理解都极其透彻，没有深度沉淀较长时间是做不到的，否则就成了武断。

把数据与过去N次进行对比，常见的对比类型有：竞争对手对比、时间同比与环比、类比对比、转化对比、特征和属性对比、前后变化对比的等等。

对比分析法在分析中使用频率是最高的，因为很多数据只有在对比中才能得出好坏、析出问题。

常见分析术语：

达成：本月实际完成销售额与目标业绩的对比。达成是用于获取当前业绩的完成进度，评估业绩完成进度是否合理。业绩达成了，原因是什么？因为什么地方足够好？业绩不达成，原因又是什么？什么地方出现问题？

同比：本月实际完成业绩与去年同月时期的对比。同比是用于看当前业绩和去年同期业绩相比有没有增长。这是做增长的运营者关注的重要指标。同比上升了，要看上升幅度有没有符合预期，同比下降了，要重点看下降的原因。

环比：本月实际完成的业绩与上月实际完成业绩的对比。环比是用于看企业业绩前后变化，如试行新的运营策略一个月后与前一个月进行对比，看运营策略是否有效，但是这需要排除其他导致数据异常的原因。

差异：自身完成业绩与竞争对手完成业绩的对比。差异是用于寻找企业与同行的产品不同之处，有时是为了避开直接竞争，有时候是为了学习同行优秀之处。

注：对比分析法要注意控制变量，尽可能保持单一变量的对比，其他条件需要保持一致，这样的数据对比才有意义。

组内数据与总体数据之间进行对比。

常见如电商流量结构，自然搜索流量占总体的比例，付费流量占总体的比例，个性化推荐占总体的比例等等。

设置一个平均线，分析数据高于或者低于平均值的原因。

观察流程中每一步的转化和流失。常见如电商转化漏斗：展现——点击——访问——咨询——下单——支付等，每一步都设置数据埋点，观察用户行为数据，对跳失较高的步骤进行优化，提升产品功能、促销策略、服务体验等。

用枝状结构画出因果关系的图表，把影响因素一一列出，形成因果对应，有利于制定合理的方案。

常用的数据分析方法有哪些

常用的列了九种供参考:

一、公式拆解

所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。

举例：分析某产品的销售额较低的原因，用公式法分解

二、对比分析

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。比如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。

下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。

三、A/Btest

A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：

（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了

（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。

（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。

（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。

（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。

（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。

流程图如下：

四、象限分析

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，常与产品分析、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。

高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。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。

象限法的优势：

（1）找到问题的共性原因

通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；

（2）建立分组优化策略

针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。

五、帕累托分析

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。

百分比在 70%（含）以内，划分为 A类。百分比在 70~90%（含）以内，划分为 B类。百分比在 90~100%（含）以内，划分为 C类。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。

六、漏斗分析

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。

七、路径分析

用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？

（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。

（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。

（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。

（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。

（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。

用户行为路径图示例：

八、留存分析

用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：

第一种日留存，日留存又可以细分为以下几种：

（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数

（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数

（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数

（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数

（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数

第二种周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。

第三种月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：

九、聚类分析

聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。

常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：

可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。

数据分析的三个常用方法是什么

一个产品，如果你不能衡量它，你就不能了解它，自然而然，你就无法改进它。数据说到底，就是这样一个工具——通过数据，我们可以衡量产品，可以了解产品，可以在数据驱动下改进产品。数据分析和数据处理本身是一个非常大的领域，这里主要总结一些我个人觉得比较基础且实用的部分，在日常产品工作中可以发挥比较大作用。

本文主要讨论一些数据分析的三个常用方法：

1.数据趋势分析

趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。

趋势分析，最好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。环比是指，是本期统计数据与上期比较，例如2019年2月份与2019年1月份相比较，环比可以知道最近的变化趋势，但是会有些季节性差异。为了消除季节差异，于是有了同比的概念，例如2019年2月份和2018年2月份进行比较。定基比更好理解，就是和某个基点进行比较，比如2018年1月作为基点，定基比则为2019年2月和2018年1月进行比较。

比如：2019年2月份某APP月活跃用户数我2000万，相比1月份，环比增加2%，相比去年2月份，同比增长20%。趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。

2.数据对比分析

数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。

对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。在此我向大家推荐一个大数据技术交流圈：658558542突破技术瓶颈，提升思维能力。

一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准。也就是A/B test。

比较试验最关键的是A/B两组只保持单一变量，其他条件保持一致。比如测试首页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才能得到比较有说服力的数据。

3.数据细分分析

在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：

分时：不同时间短数据是否有变化。

分渠道：不同来源的流量或者产品是否有变化。

分用户：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异。

分地区：不同地区的数据是否有变化。

组成拆分：比如搜索由搜索词组成，可以拆分不同搜索词;店铺流量由不用店铺产生，可以分拆不同的店铺。

细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。

4.小结

趋势，对比，细分，基本包含了数据分析最基础的部分。无论是数据核实，还是数据分析，都需要不断地找趋势，做对比，做细分，才能得到最终有效的结论。

在此我向大家推荐一个大数据开发交流圈：

658558542（☛点击即可加入群聊）

里面整理了一大份学习资料，全都是些干货，包括大数据技术入门，大数据离线处理、数据实时处理、Hadoop、Spark、Flink、推荐系统算法以及源码解析等，送给每一位大数据小伙伴，让自学更轻松。这里不止是小白聚集地，还有大牛在线解答！欢迎初学和进阶中的小伙伴一起进群学习交流，共同进步！

最后祝福所有遇到瓶颈的大数据程序员们突破自己，祝福大家在往后的工作与面试中一切顺利

好了，关于数据分析的常用方法和数据分析方法的问题到这里结束啦，希望可以解决您的问题哈！