9种数据分析方法（上）

本章的内容有什么？解决问题有什么？可以回忆一下在日常工作中会有一些数据指标。比如：DAU留存这些指标，它是可以随时观测的，当你想知道前天或者之前的一些数据指标，直接去看就可以（内部系统或者外部系统）

举个例子：假设你们公司产品的DAU下跌百分之三十。为什么下跌？原因是什么？当你想知道原因的时候你应该用什么工具？这个时候就没有你去观测数据那么直接了。

其实我们工作中可能有很多类似这样的问题。

所以我们欠缺的是：如何把工作中产生的问题，与我们的数据工具和可以拿得到的数据建立对应关系。观测数据看见趋势异常下，挖掘数据背后的意义。基于数据分析的基础的思考，最后才可以形成对业务的洞察。

为大家介绍9种数据分析方法。

对比分析，多维度拆解，漏斗观察，分布情况，用户留存，用户画像，归因查找，路径挖掘，行为序列。

一、对比分析

日常数据分析的目的：对功能/策略的好坏的去评估最常见的就是对比，因为没有对比就没有好坏。通过对比我们才知道产品或功能的好坏。

做对比分析的时候我们要了解三点。

第一点：比什么？

绝对值（本省具备价值的数字）比如：销售金额，阅读数 。缺点：不易得知问题的严重度。

比例值（在具体环境中看比例才具备对比价值）比如：活跃占比，注册转化率。缺点：易受到极端值影响。

第二点：怎么比？

环比：与当前时间范围相邻的上一个时间范围对比    比如：日环比（今天vs昨天）月环比（本月vs上月）

优点：对短期内具有连续性的数据进行分析。

使用场景：需要根据相邻时间范围的数字对当前时间范围的指标进行设定。

同比：与当前时间范围上层时间范围的前一范围中的同样数据对比    比如：年同比（今天vs去年今日）周同比（今天vs上周同日）

优点：观察更长期的数据集。

使用场景：观察时间周期里面有较多的干扰，希望在某种程度上消除这些干扰。

第三点：和谁比？

和自己比：  时间维度，不同业务线，过往经验估计。

行业比：是自身因素还是行业趋势？（都跌，能否比同行跌的少    都涨，是否比同行涨的慢）

二、多维度拆解

app启动事件分析

1、按照设备来查看

可以看出那种型号的手机用户使用比较多，是否符合我们产品的定位。（来证明用户群体是否正确）

2、按照启动来源查看

一般情况下，产品启动方式很多种。这个数据可以得到用户是通过什么方式进入。考虑一下原因？平台使用的什么方式是有效的。

3、按照城市等级来查看

这可得到是一线城市使用多还是其他城市多。有了结果就要查找原因，看看是否因为产品刚刚上线的原因，还是运营重的城市打开率高。

4、按照新老用户来查看

这时会发现大v推广，日活没有大的改变，新增用户在涨，老用户下降。这时要找一下原因。是不是因为我们引入了大量用户，缺没有办法将这些用户留住。（运营方面的问题）

分析完成之后的结果

目标群体是否正确。用户大部分是通过什么方式打开app。是否因为我们的运营努力不足，导致用户只在大城市之间使用。为什么明明新用户增加，却人活没有改变。

多维度拆分小结

运作原理：指标/业务流程需要按照多维度拆分，来观察变动。

分析单一指标的构成：（分栏目的播放量、新老用户比例）

针对一个流程进行拆解分析：（不同渠道的浏览，购买转化率、活动：不同省份活动参与漏斗）

还原行为发生的场景：（观察打赏主播的等级，性别，频道、是否在wifi或4G环境，也会对行为有影响。）