來源|活動盒子-APP活動運營工具(huodonghezi.com)

在數據驅動的時代下，憑感覺、憑經驗做決策的時代已經過去了，作為運營狗需要掌握一定的數據分析能力，從數據中查找問題，分析問題，解決問題。

那麼，數據分析是幹嘛的呢？運營如何運用數據分析指導產品優化？數據分析的方法又有哪些？下面，盒子菌就和大家來聊聊數據分析的二三事。

一、為什麼要做數據分析

伴隨數據驅動和精細化運營時代的到來，如何迭代產品功能？如何優化產品轉化流程？如何根據用戶畫像做精準投放？……面對這一系列問題，你會發現以前行之有效的手法，不再那麼可靠，而基於客觀的數據進行分析，可以更準確的輔助運營做出決策。

比如流量運營，僅僅關注PV、UV等虛榮指標，在現在看來是遠遠不夠。CPC、DAU、平均訪問時長、訪問深度、跳出率、平均流量轉化等更加精細的指標，以及基於這些指標的大規模數據分析，對於用戶行為的判斷，更具分析意義。

二、什麼是數據分析？

1、概念

數據分析，顧名思義，數據+分析，也就是說必須要以數據為先，分析為後。用適當的統計方法對收集來的大量第一手資料和第二手資料進行分析，以求最大化地發揮數據的價值。是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。

2、目的

我們使用數據分析，總是想解決某些業務中遇到的問題，驅動業務實現增長，根據我們想要解決的問題類型，我們可將數據分析的目的分為三類：現狀分析，原因分析，預測未來。

（1）現狀分析

現狀分析的含義大概可以從兩點來看：已經發生的事情和現在正在發生的事情。通過分析告訴你企業的整體運營情況，讓你瞭解企業各項業務的發展及變動情況，對企業運營狀態有更深入的瞭解。

現狀分析一般通過日常通報來完成，如日報、週報、月報等形式。

（2）原因分析

經過第一階段的現狀分析，我們可以瞭解到企業存在的某種隱患，那麼我們應該為去分析該隱患。舉例來說：某產品的註冊轉化率一定穩定在15%，有一天突然下降為5%以下，這個時候就需要對這天的數據進行分析，找出註冊轉化率下降的原因，並給出解決辦法，這些就是原因分析。

原因分析一般通過專題分析來完成，根據實際運營情況選擇針對某一現狀進行原因分析。

（3）預測未來

分析了現狀，也分析了原因，接下來就需要預測未來。運營者利用已掌握的數據，用數據分析的方法來預測接下來的發展趨勢等。

比如：某電商的七日復購率平均是30%，現在有第一次購買消費用戶1000人，監測這些用戶的行為，七日看這些人復購率是否達到或者超過30%，根據數據結果去判斷復購的增長率，這就是屬於數據分析，預測未來的應用。

預測分析一般通過專題分析來完成，通過在制定季度、年度等計劃時進行，其開展的頻率沒有現狀分析及原因分析高。

三、如何做數據分析

很多剛接觸數據分析的小夥伴，不知道怎麼做數據分析。要麼鬍子眉毛一把抓，要麼無從下手。這都是缺少分析思路的表現，今天就給大家盤點數據分析的工作流程是什麼樣的，常用的數據分析方法論和方法具體有哪些。

1、數據分析的流程

數據分析主要包括6個既相對獨立又互有聯繫的階段，依次是：明確分析目的和思路——數據收集——數據處理——數據分析——數據展現——報告撰寫。

圖片來源於網絡

（1）明確分析目的和思路

在做任何一件事之前都要有一個明確目的，數據分析也是如此。在進行數據分析之前首先要明確數據分析的目的，知道自己為什麼要做數據分析，想要達到什麼效果。譬如說，原先的商品落地頁的購買轉化率比較低，需要使用新的落地頁，以提升流量進入後的購買轉化率。

（2）數據收集

數據收集是按照確定的數據分析和框架內容，有目的的收集、整合相關數據的一個過程，它是數據分析的一個基礎。

數據收集的辦法一種是在自家產品的代碼中加入“埋點”代碼，另一種辦法是使用第三方的數據統計工具（比如百度統計）。它們都能夠監控到用戶在產品中的一系列行為，並將數據保存下來，便於後續分析。

（3）數據處理

數據處理是指對收集到的數據進行加工、整理，以便開展數據分析，它是數據分析前必不可少的階段。這個過程是數據分析整個過程中時間佔比最大的，也在一定程度上取決於數據倉庫的搭建和數據質量的保證。

數據處理主要工作包括數據清洗、數據轉化、數據抽取、數據合併、數據計算等處理方法，利用這些方法將各種原始數據加工成為數據分析所要求的樣式。

（4）數據分析

數據分析是指用適當的分析方法及工具，對處理過的數據進行分析，提取有價值信息，形成有效結論的過程。

到了這個階段，要能駕馭數據、開展數據分析，就要涉及到工具和方法的使用。一般的數據分析我們可以通過Excel完成，而高級的數據分析就要採用專業的分析軟件進行了，如Power-BI、SPSS、R等數據分析工具。

（5）數據展現

一般情況下，數據分析的結果都是通過圖、表的方式來呈現，俗話說：字不如表，表不如圖。藉助數據展現手段，能更加有效、直觀地表述想要呈現的信息、觀點和建議。

常用的數據圖表包括餅圖、柱形圖、條形圖、折線圖、散點圖、雷達圖等，當然可以對這些圖表進一步整理加工，使之變為我們所需要的圖形，例如金字塔圖、矩陣圖、漏斗圖、帕累託圖等。

（6）報告撰寫

最後階段，就是撰寫數據分析報告，這是對整個數據分析過程的一個總結與呈現。通過報告，把數據分析的起因、過程、結果及建議完整地呈現出來，供決策者參考。一份好的數據分析報告需要滿足以下3點要求：好的分析框架、明確的結論、提出具有可行性的建議或解決方案。

2、數據分析的方法論

數據分析的方法論很多，本文就不一一列舉了。小編為大家介紹其中比較常見的理論，讓大家日後在建立數據分析框架時能應用它們作為指導。

（1）PEST分析法

PEST分析法是從政治（Politics）、經濟（Economy）、社會（Society）、技術（Technology）四個方面分析內外環境，適用於宏觀環境的分析。而PEST分析法能從各個方面比較好的把握宏觀環境的現狀及變化的趨勢，有利於企業對生存發展的機會加以利用，對環境可能帶來的威脅及早發現避開。

圖片來源於網絡

PEST分析法包含的政治、經濟、環境和社會4點因素，也被稱之為“PEST有害物”，PEST要求高級管理層具備相關的能力及素養。PEST作為企業與環境分析的基礎工具，與外部總體環境的因素互相結合就可歸納出SWOT分析中的機會與威脅。

（2）SWOT分析法

SWOT分析法（也稱TOWS分析法、道斯矩陣）即態勢分析法，S （strengths）是優勢、W （weaknesses）是劣勢，O （opportunities）是機會、T （threats）是威脅或風險。

圖片來源於網絡

SWOT分析法是用來確定企業自身的競爭優勢、競爭劣勢、機會和威脅，從而將公司的戰略與公司內部資源、外部環境有機地結合起來的一種科學的分析方法。

運用這種方法，可以對研究對象所處的情景進行全面、系統、準確的研究。通過分析研究對象密切相關的各種主要內部優勢、劣勢和外部的機會和威脅等，從而得出結論，這個結論通常帶有一定的決策性。可以根據結論制定相應的發展戰略、計劃以及對策等。

（3）5W2H分析法

如下圖，5W2H 分析法是從：Why（為什麼）、What（做什麼）、Who（誰來做）、When（何時）、Where（何地）、How（如何做）、How much（多少） 7個常見的維度分析問題。

圖片來源於網絡

該分析方法又稱為七何分析法，是一個非常簡單、方便又實用的工具。廣泛用於企業營銷、管理活動，對於決策和執行性的活動措施非常有幫助，也有助於彌補考慮問題的疏漏。

直白的理解，5W2H 法就是一種發現問題、解決問題的方法。

（4）4P營銷理論

4P營銷理論產生於20世紀60年代的美國，即產品（Product）、價格（Price）、渠道（Place）、推廣（Promotion），在營銷領域，這種以市場為導向的營銷組合理論，被企業應用最普遍。

圖片來源於網絡

可以說企業的一切營銷動作都是在圍繞著4P理論進行，也就是將：產品、價格、渠道、推廣。通過將四者的結合、協調發展，從而提高企業的市場份額，達到最終獲利的目的。

對於手機行業來說，4P理論應該並不陌生。以OPPO為例，它的產品、價格、渠道、推廣每一塊都值得學習。

• 產品（product）

對於消費者來說，解決痛點的產品就是好產品。OPPO的產品策略就是不斷滿足消費者更高需求，直擊痛點。“充電五分鐘，通話兩小時”、“這一刻，更清晰”的廣告語就很好的體現出這一點。

• 價格（price）

OPPO在價格的整體策略上市全國統一、嚴控價格，這種策略不會造成不同渠道的不同價格，某種程度上也限制了線上渠道，如果線上線下同價，消費者更願意去實體店進行體驗後購買，當然了這種方式有利於公司對價格進行管理，另一方面這也使得消費者安心，雖然沒有優惠感，但同樣也沒有吃虧，反倒會對品牌多了一份信任。

• 渠道（place）

OPPO的渠道趨於扁平化，“OPPO—省代—代理商—用戶”，這其中OPPO對渠道合作伙伴以一種捆綁的方式合作，一些合作伙伴持有公司股份，那麼這會讓渠道夥伴更加用心更盡力去銷售，同樣也是與渠道夥伴建立高度的信任，並在經歷波動時能穩固地生存下來。

• 推廣（promotion）

OPPO的營銷推廣策略是：大力的宣傳、大幅地出鏡，讓消費者不用費力地尋找信息，而是觸手可得的接受，並且這個接受還是主觀的願意接受。典型的是邀請大量當紅偶像為品牌代言，楊冪、李易峰、TFboys、楊洋、迪麗熱巴等；贊助多檔熱播綜藝，《奔跑吧兄弟》、《極限挑戰》等；還將廣告廣泛投向了各地人流量大的機場地鐵高鐵站，這種直接而凌冽的方式讓消費者很快地接收到品牌要傳達的信息。

（5）AARRR模型

AARRR模型是所有運營人員都要了解的一個數據模型。著名的《增長黑客》中的數據分析框架，也是以這個模型為基礎。

AARRR從整個用戶生命週期入手，包括獲取（Acquisition）、激活（Activition）、留存（Retention）、變現（Revenue）和傳播（Refer）。

圖片來源於網絡

每個環節分別對應生命週期的5個重要過程，即從獲取用戶，到提升活躍度，提升留存率，並獲取收入，直至最後形成病毒式傳播。

3、常見的數據分析方法

上面介紹了 5個經典的分析方法論，它們可以幫我們搭建一個清晰的數據分析框架。那麼對於具體的業務場景問題，我們又該怎麼辦呢？

根據運營的工作的實際需要，下面小編介紹幾種數據分析中常用的方法，希望在數據分析的實際應用中能給大家帶來幫助。

（1）趨勢分析

趨勢分析是最簡單、最基礎，也是最常見的數據監測與數據分析方法。適用於產品核心指標的長期跟蹤，比如：點擊率、GMV、活躍用戶數等。

一般是建立一張數據趨勢圖，通過直觀的數字或趨勢圖表，可以迅速瞭解市場、用戶或產品特徵等；還可以把指標根據不同維度進行切分，定位優化點，有助於決策的準確性和實時性。

以電商類網站為例，如果我們將流量作為第一關鍵指標。我們將網站的訪問用戶量（UV）和頁面瀏覽量（PV）等指標匯匯聚到統一的數據看板（Dashboard），並且實時更新。這樣的一個數據看板，核心數字和趨勢一目瞭然。

（2）多維分解

當單一的數字或趨勢過於宏觀時，我們需要通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。這裡的維度包括但不限於瀏覽器、訪問來源、操作系統、廣告內容等等，在選擇維度時，需要仔細思考其對於分析結果的影響。

舉個例子，當監測到網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。那麼你可以對這些指標進行多維度的拆解，如地區、訪問來源、設備、瀏覽器等等，經過拆分之後你會發現很多思路。

（3）用戶分群

針對符合某種特定行為或背景信息的用戶，進行特定的優化和分析，就是我們常常講到的用戶分群（segmentation ）的手段。

比如在考慮註冊轉化率的時候，需要區分用戶登錄平臺是PC端、平板端還是手機移動端，以及北京、上海、廣州、深圳等地的用戶群體。這樣可以在渠道策略和運營策略上，有針對性地進行優化。

（4）漏斗分析

漏斗分析是我們最常見的數據分析手段之一，廣泛應用於網站用戶行為分析和APP用戶行為分析的流量監控、產品目標轉化等日常數據運營與數據分析的工作中。例如將漏斗圖用於網站中某些關鍵路徑的轉化率的分析，不僅能顯示用戶從進入網站到實現購買的最終轉化率，同時還可以展示整個關鍵路徑中每一節點的轉化率。

漏斗分析要注意的兩個要點：

• 不但要看總體的轉化率，還要關注轉化過程每一步的轉化率；
• 漏斗分析也需要進行多維度拆解，拆解之後可能會發現不同維度下的轉化率也有很大差異。

（5）留存分析

人口紅利逐漸消褪的時代，留存老用戶的成本要遠遠低於獲取新用戶，所以分析中的留存是非常重要的指標之一。

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。每一款產品，每一項服務，都應該核心關注用戶的留存，確保做實每一個客戶。

衡量留存的常見指標有：次日留存率、7日留存率、30日留存率等等。

（6）A/B 測試

增長黑客的一個主要思想之一，是不要做一個大而全的東西，而是不斷做出能夠快速驗證的小而精的東西。快速驗證，那如何驗證呢？主要方法就是AB測試。

A/B測試是為了達到一個目標，採取了兩套方案，通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。

例如，谷歌對於搜索結果的顯示，會制定多種不同的方案（包括文案標題，字體大小，顏色等等），不斷來優化搜索結果中廣告的點擊率。

圖片來源於網絡

要進行A/B測試需要注意的一點，A/B測試之前最好有A/A測試或者類似準備。什麼是A/A測試？A/A測試是評估兩個實驗組是否是處於相同的水平，這樣A/B測試才有意義。

四、數據分析常見謬誤

在數據分析的過程中，即使是很有經驗的數據分析人員也必須提防數據謬誤，瞭解這些錯誤類型可以避免在分析時造成的災難。

1、數據偏見

一個人應該保持中立並且不要愛上你的假設是絕對必要的。—— David Douglass，美國物理學家

在分析數據時受個人偏見和動機的影響，即僅選擇支持你聲明的數據，同時丟棄不支持聲明的部分。“數據偏見”將讓數據的客觀性蕩然無存。

避免這種謬誤的方法是在分析數據時，儘可能收集相關數據，並詢問他人意見。

2、採樣偏差

從並不具備代表性的數據中得出結論。舉例來講，一款互聯網圈的人幾乎不用的新聞資訊APP，為什麼這 APP 還能有這麼大瀏覽量？

所以當分析數據時，一個很重要的步驟是問一下你自己有什麼缺失的數據。有時可能沒辦法掌握數據的整體情況就是因為它們只反映了一部分。

3、錯誤因果關係

在數據分析時很容易將兩個事件同時發生（相關），判斷為因果關係。

避免這種謬誤的方法是，收集更多數據並查看可能的第三方原因，有時會發現他們的相關關係可能與第三個獨立因子相關，而不是彼此相關。

4、辛普森悖論

在兩個相差較多的分組數據相加時，在分組比較中都佔優勢的一方，會在總評中反而是失勢的一方。

避免“辛普森悖論”給我們帶來的誤區，就需要斟酌個別分組的權重，以一定的係數去消除以分組資料基數差異所造成的影響。

五、寫在最後

紙上得來終終覺淺。以上內容僅是提供了基礎的框架和思路，各位想要真正掌握數據分析這一技能還需要將其應用到實際工作中，實踐出真知。

版權聲明：本文為活動盒子觀點。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處：

http://www.huodonghezi.com/news-2323.html