如何做數據分析(如何做數據分析總結)

如何做數據分析？

常見的數據分析方法有哪些？
1.趨勢分析
當有大量數據時，我們希望更快，更方便地從數據中查找數據信息，這時我們需要使用圖形功能。所謂的圖形功能就是用EXCEl或其他繪圖工具來繪制圖形。
趨勢分析通常用于長期跟蹤核心指標，例如點擊率，GMV和活躍用戶數。通常，只制作一個簡單的數據趨勢圖，但并不是分析數據趨勢圖。它必須像上面一樣。數據具有那些趨勢變化，無論是周期性的，是否存在拐點以及分析背后的原因，還是內部的或外部的。趨勢分析的最佳輸出是比率，有環比，同比和固定基數比。例如，2017年4月的GDP比3月增加了多少，這是環比關系，該環比關系反映了近期趨勢的變化，但具有季節性影響。為了消除季節性因素的影響，引入了同比數據，例如：2017年4月的GDP與2016年4月相比增長了多少，這是同比數據。更好地理解固定基準比率，即固定某個基準點，例如，以2017年1月的數據為基準點，固定基準比率是2017年5月數據與該數據2017年1月之間的比較。
2.對比分析
水平對比度：水平對比度是與自己進行比較。最常見的數據指標是需要與目標值進行比較，以了解我們是否已完成目標；與上個月相比，要了解我們環比的增長情況。
縱向對比：簡單來說，就是與其他對比。我們必須與競爭對手進行比較以了解我們在市場上的份額和地位。
許多人可能會說比較分析聽起來很簡單。讓我舉一個例子。有一個電子商務公司的登錄頁面。昨天的PV是5000。您如何看待此類數據？您不會有任何感覺。如果此簽到頁面的平均PV為10,000，則意味著昨天有一個主要問題。如果簽到頁面的平均PV為2000，則昨天有一個跳躍。數據只能通過比較才有意義。
3.象限分析
根據不同的數據，每個比較對象分為4個象限。如果將IQ和EQ劃分，則可以將其劃分為兩個維度和四個象限，每個人都有自己的象限。一般來說，智商保證一個人的下限，情商提高一個人的上限。
說一個象限分析方法的例子，在實際工作中使用過：通常，p2p產品的注冊用戶由第三方渠道主導。如果您可以根據流量來源的質量和數量劃分四個象限，然后選擇一個固定的時間點，比較每個渠道的流量成本效果，則該質量可以用作保留的總金額的維度為標準。對于高質量和高數量的通道，繼續增加引入高質量和低數量的通道，低質量和低數量的通過，低質量和高數量的嘗試策略和要求，例如象限分析可以讓我們比較和分析時間以獲得非常直觀和快速的結果。
4.交叉分析
比較分析包括水平和垂直比較。如果要同時比較水平和垂直方向，則可以使用交叉分析方法。交叉分析方法是從多個維度交叉顯示數據，并從多個角度執行組合分析。
分析應用程序數據時，通常分為iOS和Android。
交叉分析的主要功能是從多個維度細分數據并找到最相關的維度，以探究數據更改的原因。

怎么進行數據分析

進行數據分析：

1、要求明確：準確

明確需求主要是與他人溝通與需求相關的一切內容，并清晰準確地理解和表達相關內容。

在需求溝通中，通過掌握需求的核心內容，可以減少反復溝通。需求的核心內容可以從分析目的、分析主體、分析口徑、分析思路、完成時間五個方面來確定。此外，在溝通的過程中，可以適當提出自己的想法，讓需求更加清晰立體。

2、確定思路：全面、深入

分析思想是分析的靈魂，是細化分析工作的過程。分析思路清晰有邏輯，能有效避免反復分析問題。從分析目的出發，全面、深入地拆解分析維度，確定分析方法，最終形成完整的分析框架。

3、處理數據：高效

當我們進行數據分析時，我們可能會得到混亂的數據，這就要求我們清潔、整理、快速、準確地加工成適合數據分析的風格。

此時需要使用數據分析軟件以工作流的形式提取數據模型的語義，通過易于操作的可視化工具將數據加工成具有語義一致性和完整性的數據模型。系統支持的數據預處理方法包括：采樣、拆分、過濾和映射、列選擇、空值處理、并行、合并行、元數據編輯、JOIN、行選擇、重復值去除等。

4、數據分析：合適的數據

分析數據在分析過程中的地位是首要任務。從分析的目的出發，運用適當的分析方法或模型，使用分析工具分析處理過的數據，提取有價值的信息。

5、顯示數據：直觀

展示數據又稱數據可視化，是以簡單直觀的方式傳達數據中包含的信息，增強數據的可讀性，讓讀者輕松看到數據表達的內容。

6、寫報告：建議落地，邏輯清晰

撰寫報告是指以文件的形式輸出分析結果，其內容是通過全面科學的數據分析來顯示操作，可以為決策者提供強有力的決策依據，從而降低操作風險，提高利潤。

在撰寫報告時，為了使報告更容易閱讀和有價值，需要注意在報告中注明分析目標、口徑和數據來源；報告應圖文并茂，組織清晰，邏輯性強，單一推理；報告應反映有價值的結論和建議。

7、效果反饋：及時

所謂效果反饋，就是選擇合適有代表性的指標，及時監控報告中提出的戰略執行進度和執行效果。只有輸入和輸出才能知道自己的操作問題點和閃點，所以效果反饋是非常必要的。反饋時要特別注意兩點，一是指標要合適，二是反饋要及時。

如何做數據分析

數據分析有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎么做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那么就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那么可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各占多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那么可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那么就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然后薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素里面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

通過面向企業業務場景提供一站式大數據分析解決方案，能夠為企業在增收益、降成本、提效率、控成本等四個角度帶來價值貢獻。

1、增收益

最直觀的應用，即利用數據分析實現數字化精準營銷。通過深度分析用戶購買行為、消費習慣等，刻畫用戶畫像，將數據分析結果轉化為可操作執行的客戶管理策略，以最佳的方式觸及更多的客戶，以實現銷售收入的增長。

下圖為推廣收支測算分析，為廣告投放提供決策依據。

下圖為渠道銷量分析，為渠道支持提供數據支撐。

2、降成本

例如通過數據分析實現對財務和人力的管理，從而控制各項成本、費用的支出，實現降低成本的作用。

下圖為生產成本分析，了解成本構成情況。

下圖為期間費用預實對比分析，把控費用情況。

3、提效率

每個企業都會出具相關報表，利用數據分析工具，不懂技術的業務人員也能夠通過簡單的拖拉拽實現敏捷自助分析，無需業務人員提需求、IT人員做報表，大大提高報表的及時性，提高了報表的使用效率。

通過數據分析工具，能夠在PC端展示，也支持移動看板，隨時隨地透視經營，提高決策效率。

4、控風險

預算是否超支？債務是否逾期？是否缺貨了、斷貨了？客戶的回款率怎么樣？設備的運行是否正常？哪種產品是否需要加速生產以實現產銷平衡？...其實，幾乎每個企業都會遇到各種各樣的風險問題。通過數據分析，能夠幫助企業進行實時監測，對偏離了預算的部分、對偏離了正常范圍的數值能夠進行主動預警，降低企業風險。

下圖為稅負率指標，當綜合稅負率過高，可以實現提示和預警。

下圖為重要指標預警，重點監控項目的毛利率。

常用的數據分析方法有哪些？

常用的列了九種供參考:

一、公式拆解

所謂公式拆解法就是針對某個指標，用公式層層分解該指標的影響因素。
舉例：分析某產品的銷售額較低的原因，用公式法分解

二、對比分析

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。比如在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特征和屬性對比等。對比法可以發現數據變化規律，使用頻繁，經常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高于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，最后的銷售額還是趕超。

三、A/Btest

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業務數據，最后分析評估出最好版本正式采用。A/Btest的流程如下：

（1）現狀分析并建立假設：分析業務數據，確定當前最關鍵的改進點，作出優化改進的假設，提出優化建議；比如說我們發現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了

（2）設定目標，制定方案：設置主要目標，用來衡量各優化版本的優劣；設置輔助目標，用來評估優化版本對其他方面的影響。

（3）設計與開發：制作2個或多個優化版本的設計原型并完成技術實現。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優化方案的流量設置可以較小，根據情況逐漸增加流量。

（5）采集并分析數據：收集實驗數據，進行有效性和效果判斷：統計顯著性達到95%或以上并且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。

（6）最后：根據試驗結果確定發布新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續優化迭代方案重新開發上線試驗。
流程圖如下：

四、象限分析

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常與產品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

高點擊率高轉化的廣告，說明人群相對精準，是一個高效率的廣告。高點擊率低轉化的廣告，說明點擊進來的人大多被廣告吸引了，轉化低說明廣告內容針對的人群和產品實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容針對的人群和產品實際受眾符合程度較高，但需要優化廣告內容，吸引更多人點擊。低點擊率低轉化的廣告，可以放棄了。還有經典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

象限法的優勢：
（1）找到問題的共性原因

通過象限分析法，將有相同特征的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優化策略
針對投放的象限分析法可以針對不同象限建立優化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們回歸。

五、帕累托分析

帕累托法則，源于經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用于任何行業。找到重點，發現其特征，然后可以思考如何讓其余的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量并構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額，那么哪些SKU是重要的呢，這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，并將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，并計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些，占比多少。假設有20%，那么在資源有限的情況下，就知道要重點維護這20%類客戶。

六、漏斗分析

漏斗法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用于像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環節。相鄰環節的轉化率則就是指用數據指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然后用轉化率來衡量每一個步驟的表現，最后通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的可優化點。對于沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

還有經典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品運營中比較常見的一個模型，結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環節，可以進行數據的橫向和縱向對比，從而發現對應的問題，最終進行不斷的優化迭代。

七、路徑分析

用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監測，可以用來衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業務目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。如何進行用戶行為路徑分析？

（1）計算用戶使用網站或APP時的每個第一步，然后依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。
（2）查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶后，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
（3）進行路徑優化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
（4）通過路徑識別用戶行為特征。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。
（5）對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，并對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什么問題。還有一種方法是利用算法，基于用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復的過程，例如提交訂單后，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背后都有不同的動機。與其他分析模型配合進行深入分析后，能為找到快速用戶動機，從而引領用戶走向最優路徑或者期望中的路徑。
用戶行為路徑圖示例：

八、留存分析

用戶留存指的是新會員/用戶在經過一定時間之后，仍然具有訪問、登錄、使用或轉化等特定屬性和行為，留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認定的留存為例：
第一種 日留存，日留存又可以細分為以下幾種：
（1）次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數
（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數
（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數
（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數
（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數

第二種 周留存，以周度為單位的留存率，指的是每個周相對于第一個周的新增用戶中，仍然還有登錄的用戶數。

第三種 月留存，以月度為單位的留存率，指的是每個月相對于第一個周的新增用戶中，仍然還有登錄的用戶數。留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

九、聚類分析

聚類分析屬于探索性的數據分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結果要求組內對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以借助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

可以看到，數據可以被分到紅藍綠三個不同的簇（cluster）中，每個簇應有其特有的性質。顯然，聚類分析是一種無監督學習，是在缺乏標簽的前提下的一種分類模型。當我們對數據進行聚類后并得到簇后，一般會單獨對每個簇進行深入分析，從而得到更加細致的結果。

如何做數據分析

做數據分析，需要從數據和分析兩個方向共同入手：

1、數據培養

數據培養是進行有效數據分析的基礎建設，不是什么數據都可以用來進行數據分析的，企業在注重數據量的積累的同時，還要注重數據積累的質量，將數據培養的意識和任務要求相結合，自上而下推行數據培養的機制。

舉個例子，很多企業意識到了信息化、數字化建設的重要性，將部署商業智能BI進行信息化建設提上了日程。但在商業智能BI項目規劃時，很容易發現企業根本沒有部署商業智能BI進行數據分析可視化的條件，原因就是數據缺漏、錯誤頻出，相關的業務部門系統數據庫也沒有建設，缺少業務數據，這就是沒有把數據培養做起來的后果。

數據倉庫-派可數據商業智能BI

想要培養高質量的數據，必須提前做好數據培養規劃，動員企業全體員工共同完成數據的管理機制。這不是什么短期內就能完成的工作，而是需要員工在日常業務活動中，按照統一的流程、規范來生產、管理數據，長期堅持下來，在業務活動中沉淀數據，按照規范化、流程化、標準化逐步填補企業的關鍵數據庫。

當然，讓員工執行數據培養任務不能只靠規定來強制執行，要建立完善的獎懲制度，將數據作為日常的考核指標。同時，企業還應該部署業務信息系統，讓企業的財務、銷售、生產、運營等不同部門員工有數據培養的工具，在完成業務活動后自動傳輸數據，將日常業務過程、流程中的數據沉淀到系統后臺數據庫中。

2、分析方法

分析方法是有效利用數據、實現數據價值的重要手段。如果沒有數據分析方面的人才和熟練的分析方法運用，即使有再好的數據，也無法轉化為富有價值的信息。進行數據分析前，數據分析人員必須熟練掌握主流的分析方法，比如對比分析、象限分析、趨勢分析、描述性分析、預測分析等。

舉個簡單的例子，人類天生就對數字的大小有很強的敏感性，拿一組沒有任何標識的數據展示，人們一眼看過去就會分析出它們的大小差異，如果這些數據之間相互有關聯，那這就是有效的對比分析。

分析方法-派可數據商業智能BI

一般用到對比分析，通常是在選定的時間區域內，對比業務在不同情況下的差異，分析出業務是進行了增長還是發生了縮減的情況。

例如，上圖中2021年9月的銷量相比8月的銷量有所減少，這時候就要深入分析為什么環比銷量會減少，可以考慮調取今年3月和去年3月的產品生產數量，看看是不是生產環比下降，導致銷量較少。同理，還可以把供應鏈、經銷商、人流量等等都拿進行對比分析，確認到底是什么影響了銷量。

總之，對比分析的優勢就是能夠很清晰地分析不同數值之間的差異，從而得到這些差異背后形成的原因。

派可數據 商業智能BI可視化分析平臺