要使各种结构化的、非结构化的、海量的数据实现标准化、信息化，能够提供业务绩效评估、业务决策支持等要求，我们首先需要进行数据分析。同时，围绕业务问题，采用合适的分析方法，分析模型，以及分析工具，这是数据分析师的必备技能。
这里整理出了一套针对不同数据分析对象所采用的三大类分析方法，每类里面包含各种小方法。
一、业务分析类
1.杜邦分析法
杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。
以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。
GMV下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？
如果是自然流量下降的话，可能需要在用户运营和产品运营端发力，如果是营销流量不足，那么可以通过营销活动或者站外引流的形式增加曝光量。
最后，如果是因为客单价不高，那么需要进行定价及促销的方案优化，比如识别具有GMV提升潜力的商品进行定价优化，评估当前促销的ROI，针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式，激发用户购买多件商品，也可以有效提高客单价。
2.同比热力图分析法
同比热力图分析法是把各个业务线的同比数据放到一起进行比较,这样可以更直观的观察了解业务的状况。
构建一张同比热力图大致需要三步：
把核心问题进行分解；
计算每个业务各项指标的同比数据；
针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式。
通过同比热力图的分析，首先，可以通过纵向对比了解业务自身的同比趋势，其次，可以通过横向对比了解自身在同类业务中的位置，此外，还可以综合分析GMV等核心指标变动的原因。
3.类BCG矩阵
BCG矩阵: 又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。波士顿矩阵由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年首创。
基本原理：本法将企业所有产品从销售增长率和市场占有率角度进行再组合。在坐标图上，以纵轴表示企业销售增长率，横轴表示市场占有率, 将坐标图划分为四个象限，依次为“明星类产品（★）”、“问题类产品（？）”、金牛类产品（￥）”、“瘦狗类产品（×）”。
其目的在于通过产品所处不同象限的划分，使企业采取不同决策，以保证其不断地淘汰无发展前景的产品，保持“问号”、“明星”、“金牛”产品的合理组合，实现产品及资源分配结构的良性循环。
这里想讲的并非传统的BCG矩阵，而是BCG矩阵的变阵，或者叫类BCG矩阵。根据不同的业务场景和业务需求，我们可以将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。
除此之外，我们还可以根据以下场景构建类BCG矩阵：
分析商品引流能力和转化率：流量份额-转化率
分析商品对毛利/GMV的贡献：毛利率-销售额
基于RFM分析用户的价值：访问频率-消费金额
二、用户分析类
1.TGI指数
TGI指数又称目标群体指数，可反映目标群体在特定研究范围内的强势或弱势。
TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100
TGI指数表征不同特征用户关注问题的差异情况，其中TGI指数等于100表示平均水平，高于100，代表该类用户对某类问题的关注程度高于整体水平。
如上图所示，各类目标用户在16-25岁这个年龄段的占比都比总体小（TGI指数<100），其中分类1的用户年龄偏大，因为该类用户在36岁以上各个年龄段的TGI指数都明显高于100，且同时高于其他三类用户。
所以，在分析用户画像时，需要根据场景进行用户分类，并对比各类用户与总体间的差异，这样才能保证分析结果的可信性和适用性，而TGI指数就是很好的对比指标。
当前在互联网领域，除了用户实名数据以外，其他用户的画像维度一般都通过建立模型进行判断，因此无法完全保证准确性，但不同于小样本调研，大数据分析是能容忍一定数据误差的，不过，这一切都要建立在对比的基础上。
2.LRFMC模型
RFM模型是客户关系管理中最常用的模型，但这一模型还不够完善，比如对于M(Money)，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。
LRFMC模型提供了一个更完整的视角，能更全面地了解一个用户的特征，LRFMC各个维度的释义如下：
L(lifetime)：代表从用户第一次消费算起, 至今的时间，代表了与用户建立关系的时间长度，也反映了用户可能的活跃总时间。
R(Recency)：代表用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。
F(Frequency)：代表用户在一定时间内的消费频率，反映了用户的忠诚度。
M(Monetary)：代表用户在一定时间内的消费金额，反映了用户的购买能力。
C(CostRatio)：代表用户在一定时间内消费的折扣系数，反映了用户对促销的偏好性。
三、产品运营类
产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，通过用户行为分析发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。
产品运营的常用指标如下：
使用广度：总用户数，月活；
使用深度：每人每天平均浏览次数，平均访问时长；
使用粘性：人均使用天数；
综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。
产品所处阶段不同，运营的侧重点也会有所不同。在产品初期，核心的工作是拉新，应该更加关注产品的使用广度，而产品的中后期，应该更加注重使用深度和使用粘性的提升。
对于不同的产品也需根据产品的性质来确定核心指标，比如，对于社交类产品，使用广度和使用粘性至关重要，而对于一些中台分析类产品，提升使用深度和使用粘性更有意义。
四、小结
在一款数据产品诞生前，应该是先有数据，再有分析，然后才是产品，分析的广度和深度直接决定了产品的定位和价值。
如果是做一款数据报表类的产品，那么需要了解核心指标，并建立综合指标的评估体系。如果是做一款分析决策类产品，那么还需要基于业务需求，将现有数据指标进行解构再重构。
更多干货内容，欢迎关注公众号：DataHunter
－数据分析展示就用 DataHunter－
关于 DataHunter
DataHunter 是一家专业的数据分析和商业智能服务提供商，注册于2014年。团队核心成员来自IBM、Oracle、SAP 等知名公司，深耕大数据分析领域，具有十余年丰富的企业服务经验。
DataHunter 旗下核心产品智能数据分析平台Data Analytics、数据大屏设计配置工具Data MAX已在业内形成自己的独特优势，并在各行业积累了众多标杆客户和成功案例。
成立以来，DataHunter就致力于为客户提供实时、高效、智能的数据分析展示解决方案，帮助企业查看分析数据并改进业务，成为最值得信赖的数据业务公司。
网友评论