数据运营必备的5大【数据分析方法】

上次我们讲到了，在锁定导致问题发生的原因时，我们需要针对不同问题，利用各种数据分析方法，更快的锁定原因，之前讲到了【漏斗分析法】，这次补充上其他几种，和大家一起分享。

对比分析法

不管是从生活中还是工作中，都会经常用到，对比分析法也称比较分析法，是将两个或两个以上相互联系的指标数据进行比较，分析其变化情况，了解事物的本质特征和发展规律。

在数据分析中，常用到的分3类：

时间对比、空间对比以及标准对比最常用的就是

同比

和

环比，通过时间周期的数据对比，了解目前数据水平的高低。

同比：某个周期的时段与上一个周期的相同时段比较，如今年的6月比去年的6月，本周的周一比上周的周一等等。

环比：某个时段与其上一个时长相等的时段做比较，比如本周环比上周等等。

在分析同环比时，需要注意对比范围，以及何时该使用同比、何时该使用环比，例如在衡量某活动效果，应该同比分析上次活动和本次活动的数据。

在进行可视化输出、对同环比数据进行展示时，如果还不太熟悉同环比的计算，可以参考bdp的这个同环比功能，可以根据数据情况，自由的选择时间进行对比。

即在相同时间范围内与不同空间指标数据进行对比。

例如：不同部门、不同业务人员、不同地区等进行对比，比如各省份订单销售数据的差别对比，可以得出产品的优势地区重点突破，平衡人力物力等。

业务数据通常会设定目标计划，标准对比可以通过目前数据与设定的目标计划之间的对比，了解目前发展进程，完成进度等，了解差距后可以及时调整策略。

例如，在图表中设置目标值、平均值、中位数等标准，与实际数据形成标准对比，分析数据情况

用户分析是互联网运营的核心，常用的分析方法包括：

活跃分析，留存分析，用户分群，用户画像

等。在刚刚说到的rarra模型中，用户活跃和留存是非常重要的环节，通过对用户行为数据的分析，对产品或网页设计进行优化，对用户进行适当引导等。

通常我们会日常监控「日活」、「月活」等用户活跃数据，来了解新增的活跃用户数据，了解产品或网页是否得到了更多人的关注，但是同时，也需要做留存分析，关注新增的用户是否真正的留存下来成为固定用户，留存数据才是真正的用户增长数据，才能反映一段时间产品的使用情况

活跃率是某一时间段内活跃用户在总用户量的占比，根据时间可分为

日活跃率（dau）、周活跃率（wau）、月活跃率（mau）等。

但产品不同，活跃用户的定义也可能不同。有的app打开就算活跃，而有的app必须登录才算活跃……

活跃率为何如此重要？

这个不言而喻，“一个新客户的转化成本大概是活跃客户成本的3-10倍”、“2-8原则”等都说明活跃度是多么多么地重要。

作为运营人的重要kpi，你真的会分析吗？

场景案例：（以一季度为一个生命周期）用户a下载并开始使用产品，发现可以满足他的全部需求，对产品爱不释手，基本每周都有登陆，并且登陆时长均在2小时以上。

用户b下载并开始使用产品，用了几天后便不再使用，产品更新后，觉得新功能很棒再次开始使用，之后的使用频率大约为每半个月一次。

用户c在网上搜索后随意的注册了一下，用了几天产品，觉得一般般，当产品有大量折扣或活动时，再次使用过一两次。一季度下来使用不到5次。

用户d在有拉新活动时，下载并注册之后便卸载或放弃使用，整季度使用次数为0或1。

以上四种用户，可以根据其活跃度划分为：

活跃期用户：（用户a）用户活跃路径：新增-活跃-忠诚

对应措施：

保证接触频率，但不做促销刺激

沉默期用户：（用户b）用户活跃路径：新增-不活跃-回流-活跃

对应措施：

保证接触频率，给予少量的营销折扣

睡眠期用户：（用户c）用户活跃路径：新增-不活跃-回流

对应措施：

控制有限接触，通过打折扣进行挽回

流失期用户：（用户d）用户活跃路径：新增-不活跃-流失

对应措施：

屏蔽接触，只有在“双十一”之类的大促时通知用户，需要根据用户活跃路径来确定运营营销方案，并促进用户最终转化。

那对活跃率和留存情况等数据的监控，要如何发现是否正常呢，需要关注数据变化的几种指标：

1、波动幅度：短时间内是否有大幅度波动

2、变化持续性：数据波动是否呈现持续性

3、变化规律性：数据变化是否是有一定规律的

4、各指标变化关联性：关注的各指标的变化间是否有一定的关联，比如相同时间升降、变化趋势相同等

在数据分析概念被广泛重视的今天，粗略的数据分析很难真正发现问题，精细化数据分析成为真正有效的方法，所以细分分析法是在本来的数据分析上做的更为深入和精细化。

例如分析北京地区课程转化情况，要细分到学生类型不同，小初高中不同阶段学生，细分到北京不同地区，海淀、朝阳、西城各地区情况不同，细分到不同学科等等，在数据分析的过程中，由粗到细，通过粗略的数据展示整体情况，细化到局部，分析具体原因。

细分分析法的重点就是将数据进行分类、按类别进行分别的分析

实现方法提供2种：

将每层数据进行嵌套，点击不同维度数据，进行细分分析，通过多层钻取，直接在图表中点击查看细分数据，每层数据均可选择适合的图表类型进行展示，对于数据中的一些重点数据，进行聚焦分析，在整体分析中，想要查看特别关注的部分数据详情，可以使用聚焦及下钻的功能，进行自由分析

在实际工作中，这个方法应用的最为广泛，也是在使用其他方法进行分析的同时搭配使用突出问题关键点的方法，指直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等。在选择具体使用哪个基础指标时，需要考虑结果的取向性。

平均数：可以表现同类数据在不同的时间段的数据情况，用于总结趋势和在普遍规律中发现问题。另外，也可以对比在不同地区、不同情况下的同类数据的差异情况，比总量或者单独值更具有说服力

中位数：又称中值，是指按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。因为是通过排序得到的，它不受最大、最小两个极端数值的影响。例如在统计本季度市场招聘薪资时，由于可能有少部分属于最大值或最小值，用中位数呈现更为有意义。

部分数据的变动对中位数没有影响，当一组数据中的个别数据变动较大时，常可以用它来描述这组数据的集中趋势。

最大（小）值：

最大（小）值常可以用来展现数据中的“异常”情况，在某些数据分析中，异常值可以忽略，但有些最大（小）值的分析，可以研究影响因素，从而找到突破性的动作或可避免的方法，从而推动业务的增长。

漏斗分析模型

是业务分析中的重要方法，最常见的是应用于营销分析中，由于营销过程中的每个关键节点都会影响到最终的结果，所以在精细化运营应用广泛的今天，漏斗分析方法可以帮助我们把握每个转化节点的效率，从而优化整个业务流程。

其中，我们往往关注三个要点：

第一，从开始到结尾，整体的转化效率是多少？

第二，每一步的转化率是多少？

第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？

漏斗分析通常帮我们解决的不止是转化率的问题，精细化的漏斗分析，还可以帮助我们：

1、漏斗对比分析，从差异中找到优化方法

 对比不同用户群体、不同营销方式等的漏斗分析，可以帮助我们快速发现用户特点、营销方式的转化优势，找到在转化环节中，针对不同用户可优化的步骤，或营销方法中可强化的地方。

2、通过转化率定位转化最有效的关键方法

  绝大部分的商业变现流程，都可以梳理出漏斗，通常我们会采取多种方法希望增加转化，漏斗分析可以帮助我们很好的梳理整个业务流程，明确最重要的转化节点，所以在分析的过程中，可以找出是否有其他不重要的过程参与，影响了主要流程的转化，从而进行取舍优化

漏斗模型典型案例

aarrr分析模型

acquisition、activation、retention、revenue、refer，即用户获取、用户激活、用户留存、用户收益以及用户传播。

通过图可以看到，这是一个典型的逐级减少的漏斗图，通过对于每个环节转化率的分析变化，来确定实现最终转化的关键方法，不断进行优化迭代。

在目前的互联网产品普遍红海的情况下，增长专家们也对模型进行了新的思考和优化，在aarrr模型中，最为关注的是用户的获取，通过扩大漏斗顶端的流量池，实现最终转化的提高，在目前市场情况下，获客已经很难成为增长实现的最重要指标了，重新定义的

rarra模型，帮助人们把关注重点从用户获取转移到用户留存上，这就需要更多的去关注用户活跃和留存数据，这个也是后面我们会说到的用户分析方法中重要的分析指标。