數(shù)據(jù)分析主要的三類(lèi)（數(shù)據(jù)分析主要的三類(lèi)是什么）

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于數(shù)據(jù)分析主要的三類(lèi)的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話(huà)答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線(xiàn)網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶(hù)遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話(huà)175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、數(shù)據(jù)分析有哪些分類(lèi)？

• 2、數(shù)據(jù)分析的具體內(nèi)容有哪些?

• 3、常用的數(shù)據(jù)分析方法有哪些？

• 4、數(shù)據(jù)分析的基本方法有哪些

一、數(shù)據(jù)分析有哪些分類(lèi)？

​按數(shù)據(jù)分析面對(duì)的問(wèn)題不同分類(lèi)：戰(zhàn)略、運(yùn)營(yíng)

戰(zhàn)略分析：是為了解決公司戰(zhàn)略方向問(wèn)題，回答要向哪里去的問(wèn)題。

此類(lèi)分析通常比較宏觀，需要分析者有大局觀、有戰(zhàn)略思維；

所用的數(shù)據(jù)除了公司內(nèi)部的數(shù)據(jù)，還需要競(jìng)品數(shù)據(jù)、行業(yè)數(shù)據(jù)。

戰(zhàn)略分析的方法：需要從競(jìng)品及行業(yè)數(shù)據(jù)中發(fā)現(xiàn)行業(yè)發(fā)展趨勢(shì)及競(jìng)品的戰(zhàn)略定位，同時(shí)結(jié)合公司內(nèi)部數(shù)據(jù)，可以發(fā)現(xiàn)相對(duì)于行業(yè)和競(jìng)品發(fā)展，內(nèi)部在哪些地方存在不足，以此制定進(jìn)攻和防守策略

運(yùn)營(yíng)分析：不同于戰(zhàn)略分析，運(yùn)營(yíng)分析以解決實(shí)際運(yùn)營(yíng)問(wèn)題為目標(biāo)，比較微觀。

需要分析者對(duì)公司業(yè)務(wù)模式、運(yùn)營(yíng)細(xì)節(jié)有深入的了解；

使用的數(shù)據(jù)以公司內(nèi)部數(shù)據(jù)為主。

此類(lèi)分析最重要的是，分析結(jié)果要能夠與運(yùn)營(yíng)結(jié)合，并能有效落地

按數(shù)據(jù)分析服務(wù)的部門(mén)不同分類(lèi)：業(yè)務(wù)、數(shù)據(jù)

業(yè)務(wù)分析：此類(lèi)分析由業(yè)務(wù)部門(mén)發(fā)起，提交給分析師執(zhí)行，最終結(jié)果交付給業(yè)務(wù)部門(mén)。此類(lèi)分析一般在最終的價(jià)值發(fā)現(xiàn)環(huán)節(jié)效率較高，問(wèn)題的針對(duì)性較強(qiáng)。

數(shù)據(jù)分析：此類(lèi)分析由數(shù)據(jù)部門(mén)發(fā)起，最終結(jié)果視具體情況可能提高給業(yè)務(wù)部門(mén)或者管理層。由于此類(lèi)分析的視角不同于業(yè)務(wù)分析，在最終的價(jià)值發(fā)現(xiàn)和實(shí)現(xiàn)環(huán)節(jié)需要與業(yè)務(wù)部門(mén)的深入溝通。同時(shí)，也正是由于視角不同，會(huì)經(jīng)常發(fā)現(xiàn)業(yè)務(wù)部門(mén)沒(méi)有發(fā)現(xiàn)或者忽視的問(wèn)題。

數(shù)據(jù)分析按分析的范圍不同分類(lèi)：行業(yè)、公司、部門(mén)、業(yè)務(wù)環(huán)節(jié)

行業(yè)分析：目的是總結(jié)和預(yù)測(cè)整個(gè)行業(yè)的過(guò)去和未來(lái)的發(fā)展趨勢(shì)，時(shí)間窗口一般在1年以上。使用場(chǎng)景較多的是在投資公司中或者很多公司的市場(chǎng)宣傳稿中會(huì)出現(xiàn)。行業(yè)分析的對(duì)象是商業(yè)模式或者業(yè)務(wù)形態(tài)，關(guān)注的是資金、市場(chǎng)格局、用戶(hù)需求的變化和各企業(yè)的應(yīng)對(duì)。最有價(jià)值和最難的是要提前預(yù)測(cè)行業(yè)的增長(zhǎng)爆發(fā)點(diǎn)和衰退的轉(zhuǎn)折點(diǎn)。

公司分析：目的是結(jié)合行業(yè)分析對(duì)公司業(yè)務(wù)發(fā)展做出診斷，給公司發(fā)展提供決策建議。時(shí)間窗口一般在一年以?xún)?nèi)，在公司戰(zhàn)略決策會(huì)發(fā)揮較大的作用。SWOT等方法適合在公司分析中使用。分析者首先要認(rèn)清企業(yè)的商業(yè)模式，要與公司的管理者同步公司的短期和長(zhǎng)期目標(biāo)，了解企業(yè)的盈利來(lái)源和運(yùn)作方式，通過(guò)公司內(nèi)外部數(shù)據(jù)的對(duì)比發(fā)現(xiàn)運(yùn)營(yíng)中的問(wèn)題和商機(jī)。在這個(gè)過(guò)程中，了解市場(chǎng)和競(jìng)品的動(dòng)態(tài)是非常重要的。

部門(mén)分析：目的是對(duì)部門(mén)職能范圍內(nèi)的業(yè)務(wù)發(fā)展做出正確的診斷并給出適當(dāng)?shù)慕ㄗh。前提是能充分理解部門(mén)在整個(gè)公司中的角色和地位、該部門(mén)與其他部門(mén)的協(xié)作關(guān)系、在工作流程中的上下游關(guān)系?；谝陨侠斫?，以配合公司業(yè)務(wù)發(fā)展為目的，以提升部門(mén)KPI或某個(gè)關(guān)鍵任務(wù)為分析目標(biāo)，利用公司和部門(mén)運(yùn)營(yíng)數(shù)據(jù)去做分析。此類(lèi)分析中，理解公司業(yè)務(wù)、有產(chǎn)品和業(yè)務(wù)思維很重要，指標(biāo)的分解、對(duì)比，數(shù)據(jù)變化的歸因往往是常用的分析方法。

業(yè)務(wù)環(huán)節(jié)分析：這是數(shù)據(jù)分析在業(yè)務(wù)最細(xì)粒度的應(yīng)用。分析者只需要關(guān)注非常具體的某個(gè)業(yè)務(wù)環(huán)節(jié)，讓大家感興趣的是這個(gè)業(yè)務(wù)環(huán)節(jié)數(shù)據(jù)的變化原因和改善方式。此時(shí)分析的指標(biāo)經(jīng)常是確定的，目標(biāo)也很直接。但所謂牽一發(fā)動(dòng)全身，這個(gè)環(huán)節(jié)的變化通常是由其他環(huán)節(jié)的變化引起的。所以萬(wàn)萬(wàn)不能走入一葉障目不見(jiàn)泰山的誤區(qū)。

數(shù)據(jù)分析按項(xiàng)目的階段不同分類(lèi)：咨詢(xún)、實(shí)施

咨詢(xún)分析：以前有過(guò)跟咨詢(xún)公司合作的經(jīng)歷。在項(xiàng)目開(kāi)始階段，乙方通常需要花很多時(shí)間討論項(xiàng)目立項(xiàng)的必要性、收益等，以此來(lái)說(shuō)服甲方老板，你懂的。但是，我要說(shuō)的是，即使是公司自行研發(fā)的項(xiàng)目，在立項(xiàng)階段，數(shù)據(jù)分析需要做的是樹(shù)立目標(biāo)。通過(guò)數(shù)據(jù)分析，可以對(duì)業(yè)務(wù)有一個(gè)全面的診斷，發(fā)現(xiàn)問(wèn)題，提出項(xiàng)目需要改善的主要指標(biāo)，并預(yù)測(cè)出項(xiàng)目上線(xiàn)后的收益。立項(xiàng)是需要管理層批準(zhǔn)的，因此這個(gè)階段的分析需要簡(jiǎn)明扼要、一針見(jiàn)血，分析結(jié)果的呈現(xiàn)起著至關(guān)重要的作用。

實(shí)施分析：項(xiàng)目開(kāi)始后，數(shù)據(jù)分析需要做的是過(guò)程控制。除了項(xiàng)目目標(biāo)涉及的主要指標(biāo)需要持續(xù)關(guān)注之外，還需要關(guān)注過(guò)程類(lèi)指標(biāo)。所謂過(guò)程類(lèi)指標(biāo)，是指能夠反映出項(xiàng)目執(zhí)行內(nèi)容的數(shù)據(jù)。因?yàn)橹饕笜?biāo)的表現(xiàn)通常是滯后的，而且是若干因素影響的結(jié)果，過(guò)程指標(biāo)是為了明確各影響因素的作用效果。比如項(xiàng)目目標(biāo)是提升使用時(shí)長(zhǎng)，項(xiàng)目?jī)?nèi)容可能包括提升新用戶(hù)和老用戶(hù)的使用時(shí)長(zhǎng)，那么則應(yīng)該把新老用戶(hù)的時(shí)長(zhǎng)作為指標(biāo)單獨(dú)監(jiān)控和分析。

二、數(shù)據(jù)分析的具體內(nèi)容有哪些?

1.數(shù)據(jù)獲取

數(shù)據(jù)獲取看似簡(jiǎn)單，但是需要把握對(duì)問(wèn)題的商業(yè)理解，轉(zhuǎn)化成數(shù)據(jù)問(wèn)題來(lái)解決，直白點(diǎn)講就是需要哪些數(shù)據(jù)，從哪些角度來(lái)分析，界定問(wèn)題后，再進(jìn)行數(shù)據(jù)采集。此環(huán)節(jié)，需要數(shù)據(jù)分析師具備結(jié)構(gòu)化的邏輯思維。

2.數(shù)據(jù)處理

數(shù)據(jù)的處理需要掌握有效率的工具：Excel基礎(chǔ)、常用函數(shù)和公式、數(shù)據(jù)透視表、VBA程序開(kāi)發(fā)等式必備的;其次是Oracle和SQL sever，這是企業(yè)大數(shù)據(jù)分析不可缺少的技能;還有Hadoop之類(lèi)的分布式數(shù)據(jù)庫(kù)，也要掌握。

3.分析數(shù)據(jù)

分析數(shù)據(jù)往往需要各類(lèi)統(tǒng)計(jì)分析模型，如關(guān)聯(lián)規(guī)則、聚類(lèi)、分類(lèi)、預(yù)測(cè)模型等等。SPSS、SAS、Python、R等工具，多多益善。

4.數(shù)據(jù)呈現(xiàn)

可視化工具，有開(kāi)源的Tableau可用，也有一些商業(yè)BI軟件，根據(jù)實(shí)際情況掌握即可。

三、常用的數(shù)據(jù)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(duì)某個(gè)指標(biāo)，用公式層層分解該指標(biāo)的影響因素。

舉例：分析某產(chǎn)品的銷(xiāo)售額較低的原因，用公式法分解

二、對(duì)比分析

對(duì)比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較，是最通用的方法。

我們知道孤立的數(shù)據(jù)沒(méi)有意義，有對(duì)比才有差異。比如在時(shí)間維度上的同比和環(huán)比、增長(zhǎng)率、定基比，與競(jìng)爭(zhēng)對(duì)手的對(duì)比、類(lèi)別之間的對(duì)比、特征和屬性對(duì)比等。對(duì)比法可以發(fā)現(xiàn)數(shù)據(jù)變化規(guī)律，使用頻繁，經(jīng)常和其他方法搭配使用。

下圖的AB公司銷(xiāo)售額對(duì)比，雖然A公司銷(xiāo)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(xiāo)售額還是趕超。

三、A/Btest

A/Btest，是將Web或App界面或流程的兩個(gè)或多個(gè)版本，在同一時(shí)間維度，分別讓類(lèi)似訪(fǎng)客群組來(lái)訪(fǎng)問(wèn)，收集各群組的用戶(hù)體驗(yàn)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后分析評(píng)估出最好版本正式采用。A/Btest的流程如下：

（1）現(xiàn)狀分析并建立假設(shè)：分析業(yè)務(wù)數(shù)據(jù)，確定當(dāng)前最關(guān)鍵的改進(jìn)點(diǎn)，作出優(yōu)化改進(jìn)的假設(shè)，提出優(yōu)化建議；比如說(shuō)我們發(fā)現(xiàn)用戶(hù)的轉(zhuǎn)化率不高，我們假設(shè)是因?yàn)橥茝V的著陸頁(yè)面帶來(lái)的轉(zhuǎn)化率太低，下面就要想辦法來(lái)進(jìn)行改進(jìn)了

（2）設(shè)定目標(biāo)，制定方案：設(shè)置主要目標(biāo)，用來(lái)衡量各優(yōu)化版本的優(yōu)劣；設(shè)置輔助目標(biāo)，用來(lái)評(píng)估優(yōu)化版本對(duì)其他方面的影響。

（3）設(shè)計(jì)與開(kāi)發(fā)：制作2個(gè)或多個(gè)優(yōu)化版本的設(shè)計(jì)原型并完成技術(shù)實(shí)現(xiàn)。

（4）分配流量：確定每個(gè)線(xiàn)上測(cè)試版本的分流比例，初始階段，優(yōu)化方案的流量設(shè)置可以較小，根據(jù)情況逐漸增加流量。

（5）采集并分析數(shù)據(jù)：收集實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行有效性和效果判斷：統(tǒng)計(jì)顯著性達(dá)到95%或以上并且維持一段時(shí)間，實(shí)驗(yàn)可以結(jié)束；如果在95%以下，則可能需要延長(zhǎng)測(cè)試時(shí)間；如果很長(zhǎng)時(shí)間統(tǒng)計(jì)顯著性不能達(dá)到95%甚至90%，則需要決定是否中止試驗(yàn)。

（6）最后：根據(jù)試驗(yàn)結(jié)果確定發(fā)布新版本、調(diào)整分流比例繼續(xù)測(cè)試或者在試驗(yàn)效果未達(dá)成的情況下繼續(xù)優(yōu)化迭代方案重新開(kāi)發(fā)上線(xiàn)試驗(yàn)。

流程圖如下：

四、象限分析

通過(guò)對(duì)兩種及以上維度的劃分，運(yùn)用坐標(biāo)的方式表達(dá)出想要的價(jià)值。由價(jià)值直接轉(zhuǎn)變?yōu)椴呗裕瑥亩M(jìn)行一些落地的推動(dòng)。象限法是一種策略驅(qū)動(dòng)的思維，常與產(chǎn)品分析、市場(chǎng)分析、客戶(hù)管理、商品管理等。比如，下圖是一個(gè)廣告點(diǎn)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(diǎn)擊率高轉(zhuǎn)化的廣告，說(shuō)明人群相對(duì)精準(zhǔn)，是一個(gè)高效率的廣告。高點(diǎn)擊率低轉(zhuǎn)化的廣告，說(shuō)明點(diǎn)擊進(jìn)來(lái)的人大多被廣告吸引了，轉(zhuǎn)化低說(shuō)明廣告內(nèi)容針對(duì)的人群和產(chǎn)品實(shí)際受眾有些不符。高轉(zhuǎn)化低點(diǎn)擊的廣告，說(shuō)明廣告內(nèi)容針對(duì)的人群和產(chǎn)品實(shí)際受眾符合程度較高，但需要優(yōu)化廣告內(nèi)容，吸引更多人點(diǎn)擊。低點(diǎn)擊率低轉(zhuǎn)化的廣告，可以放棄了。還有經(jīng)典的RFM模型，把客戶(hù)按最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額 (Monetary)三個(gè)維度分成八個(gè)象限。

象限法的優(yōu)勢(shì)：

（1）找到問(wèn)題的共性原因

通過(guò)象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)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(wú)效的推廣渠道；

（2）建立分組優(yōu)化策略

針對(duì)投放的象限分析法可以針對(duì)不同象限建立優(yōu)化策略，例如RFM客戶(hù)管理模型中按照象限將客戶(hù)分為重點(diǎn)發(fā)展客戶(hù)、重點(diǎn)保持客戶(hù)、一般發(fā)展客戶(hù)、一般保持客戶(hù)等不同類(lèi)型。給重點(diǎn)發(fā)展客戶(hù)傾斜更多的資源，比如VIP服務(wù)、個(gè)性化服務(wù)、附加銷(xiāo)售等。給潛力客戶(hù)銷(xiāo)售價(jià)值更高的產(chǎn)品，或一些優(yōu)惠措施來(lái)吸引他們回歸。

五、帕累托分析

帕累托法則，源于經(jīng)典的二八法則。比如在個(gè)人財(cái)富上可以說(shuō)世界上20%的人掌握著80%的財(cái)富。而在數(shù)據(jù)分析中，則可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果需要圍繞這20%的數(shù)據(jù)進(jìn)行挖掘。往往在使用二八法則的時(shí)候和排名有關(guān)系，排在前20%的才算是有效數(shù)據(jù)。二八法是抓重點(diǎn)分析，適用于任何行業(yè)。找到重點(diǎn)，發(fā)現(xiàn)其特征，然后可以思考如何讓其余的80%向這20%轉(zhuǎn)化，提高效果。

一般地，會(huì)用在產(chǎn)品分類(lèi)上，去測(cè)量并構(gòu)建ABC模型。比如某零售企業(yè)有500個(gè)SKU以及這些SKU對(duì)應(yīng)的銷(xiāo)售額，那么哪些SKU是重要的呢，這就是在業(yè)務(wù)運(yùn)營(yíng)中分清主次的問(wèn)題。

常見(jiàn)的做法是將產(chǎn)品SKU作為維度，并將對(duì)應(yīng)的銷(xiāo)售額作為基礎(chǔ)度量指標(biāo)，將這些銷(xiāo)售額指標(biāo)從大到小排列，并計(jì)算截止當(dāng)前產(chǎn)品SKU的銷(xiāo)售額累計(jì)合計(jì)占總銷(xiāo)售額的百分比。

百分比在 70%（含）以?xún)?nèi)，劃分為 A 類(lèi)。百分比在 70~90%（含）以?xún)?nèi)，劃分為 B 類(lèi)。百分比在 90~100%（含）以?xún)?nèi)，劃分為 C 類(lèi)。以上百分比也可以根據(jù)自己的實(shí)際情況調(diào)整。

ABC分析模型，不光可以用來(lái)劃分產(chǎn)品和銷(xiāo)售額，還可以劃分客戶(hù)及客戶(hù)交易額等。比如給企業(yè)貢獻(xiàn)80%利潤(rùn)的客戶(hù)是哪些，占比多少。假設(shè)有20%，那么在資源有限的情況下，就知道要重點(diǎn)維護(hù)這20%類(lèi)客戶(hù)。

六、漏斗分析

漏斗法即是漏斗圖，有點(diǎn)像倒金字塔，是一個(gè)流程化的思考方式，常用于像新用戶(hù)的開(kāi)發(fā)、購(gòu)物轉(zhuǎn)化率這些有變化和一定流程的分析中。

上圖是經(jīng)典的營(yíng)銷(xiāo)漏斗，形象展示了從獲取用戶(hù)到最終轉(zhuǎn)化成購(gòu)買(mǎi)這整個(gè)流程中的一個(gè)個(gè)子環(huán)節(jié)。相鄰環(huán)節(jié)的轉(zhuǎn)化率則就是指用數(shù)據(jù)指標(biāo)來(lái)量化每一個(gè)步驟的表現(xiàn)。所以整個(gè)漏斗模型就是先將整個(gè)購(gòu)買(mǎi)流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率來(lái)衡量每一個(gè)步驟的表現(xiàn)，最后通過(guò)異常的數(shù)據(jù)指標(biāo)找出有問(wèn)題的環(huán)節(jié)，從而解決問(wèn)題，優(yōu)化該步驟，最終達(dá)到提升整體購(gòu)買(mǎi)轉(zhuǎn)化率的目的。

整體漏斗模型的核心思想其實(shí)可以歸為分解和量化。比如分析電商的轉(zhuǎn)化，我們要做的就是監(jiān)控每個(gè)層級(jí)上的用戶(hù)轉(zhuǎn)化，尋找每個(gè)層級(jí)的可優(yōu)化點(diǎn)。對(duì)于沒(méi)有按照流程操作的用戶(hù)，專(zhuān)門(mén)繪制他們的轉(zhuǎn)化模型，縮短路徑提升用戶(hù)體驗(yàn)。

還有經(jīng)典的黑客增長(zhǎng)模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶(hù)獲取、用戶(hù)激活、用戶(hù)留存、用戶(hù)收益以及用戶(hù)傳播。這是產(chǎn)品運(yùn)營(yíng)中比較常見(jiàn)的一個(gè)模型，結(jié)合產(chǎn)品本身的特點(diǎn)以及產(chǎn)品的生命周期位置，來(lái)關(guān)注不同的數(shù)據(jù)指標(biāo)，最終制定不同的運(yùn)營(yíng)策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來(lái)整個(gè)用戶(hù)的生命周期是呈現(xiàn)逐漸遞減趨勢(shì)的。通過(guò)拆解和量化整個(gè)用戶(hù)生命周期各環(huán)節(jié)，可以進(jìn)行數(shù)據(jù)的橫向和縱向?qū)Ρ?，從而發(fā)現(xiàn)對(duì)應(yīng)的問(wèn)題，最終進(jìn)行不斷的優(yōu)化迭代。

七、路徑分析

用戶(hù)路徑分析追蹤用戶(hù)從某個(gè)開(kāi)始事件直到結(jié)束事件的行為路徑，即對(duì)用戶(hù)流向進(jìn)行監(jiān)測(cè)，可以用來(lái)衡量網(wǎng)站優(yōu)化的效果或營(yíng)銷(xiāo)推廣的效果，以及了解用戶(hù)行為偏好，其最終目的是達(dá)成業(yè)務(wù)目標(biāo)，引導(dǎo)用戶(hù)更高效地完成產(chǎn)品的最優(yōu)路徑，最終促使用戶(hù)付費(fèi)。如何進(jìn)行用戶(hù)行為路徑分析？

（1）計(jì)算用戶(hù)使用網(wǎng)站或APP時(shí)的每個(gè)第一步，然后依次計(jì)算每一步的流向和轉(zhuǎn)化，通過(guò)數(shù)據(jù)，真實(shí)地再現(xiàn)用戶(hù)從打開(kāi)APP到離開(kāi)的整個(gè)過(guò)程。

（2）查看用戶(hù)在使用產(chǎn)品時(shí)的路徑分布情況。例如：在訪(fǎng)問(wèn)了某個(gè)電商產(chǎn)品首頁(yè)的用戶(hù)后，有多大比例的用戶(hù)進(jìn)行了搜索，有多大比例的用戶(hù)訪(fǎng)問(wèn)了分類(lèi)頁(yè)，有多大比例的用戶(hù)直接訪(fǎng)問(wèn)的商品詳情頁(yè)。

（3）進(jìn)行路徑優(yōu)化分析。例如：哪條路徑是用戶(hù)最多訪(fǎng)問(wèn)的；走到哪一步時(shí)，用戶(hù)最容易流失。

（4）通過(guò)路徑識(shí)別用戶(hù)行為特征。例如：分析用戶(hù)是用完即走的目標(biāo)導(dǎo)向型，還是無(wú)目的瀏覽型。

（5）對(duì)用戶(hù)進(jìn)行細(xì)分。通常按照APP的使用目的來(lái)對(duì)用戶(hù)進(jìn)行分類(lèi)。如汽車(chē)APP的用戶(hù)可以細(xì)分為關(guān)注型、意向型、購(gòu)買(mǎi)型用戶(hù)，并對(duì)每類(lèi)用戶(hù)進(jìn)行不同訪(fǎng)問(wèn)任務(wù)的路徑分析，比如意向型的用戶(hù)，他進(jìn)行不同車(chē)型的比較都有哪些路徑，存在什么問(wèn)題。還有一種方法是利用算法，基于用戶(hù)所有訪(fǎng)問(wèn)路徑進(jìn)行聚類(lèi)分析，依據(jù)訪(fǎng)問(wèn)路徑的相似性對(duì)用戶(hù)進(jìn)行分類(lèi)，再對(duì)每類(lèi)用戶(hù)進(jìn)行分析。

以電商為例，買(mǎi)家從登錄網(wǎng)站／APP到支付成功要經(jīng)過(guò)首頁(yè)瀏覽、搜索商品、加入購(gòu)物車(chē)、提交訂單、支付訂單等過(guò)程。而在用戶(hù)真實(shí)的選購(gòu)過(guò)程是一個(gè)交纏反復(fù)的過(guò)程，例如提交訂單后，用戶(hù)可能會(huì)返回首頁(yè)繼續(xù)搜索商品，也可能去取消訂單，每一個(gè)路徑背后都有不同的動(dòng)機(jī)。與其他分析模型配合進(jìn)行深入分析后，能為找到快速用戶(hù)動(dòng)機(jī)，從而引領(lǐng)用戶(hù)走向最優(yōu)路徑或者期望中的路徑。

用戶(hù)行為路徑圖示例：

八、留存分析

用戶(hù)留存指的是新會(huì)員/用戶(hù)在經(jīng)過(guò)一定時(shí)間之后，仍然具有訪(fǎng)問(wèn)、登錄、使用或轉(zhuǎn)化等特定屬性和行為，留存用戶(hù)占當(dāng)時(shí)新用戶(hù)的比例就是留存率。留存率按照不同的周期分為三類(lèi)，以登錄行為認(rèn)定的留存為例：

第一種 日留存，日留存又可以細(xì)分為以下幾種：

（1）次日留存率：（當(dāng)天新增的用戶(hù)中，第2天還登錄的用戶(hù)數(shù)）/第一天新增總用戶(hù)數(shù)

（2）第3日留存率：（第一天新增用戶(hù)中，第3天還有登錄的用戶(hù)數(shù)）/第一天新增總用戶(hù)數(shù)

（3）第7日留存率：（第一天新增用戶(hù)中，第7天還有登錄的用戶(hù)數(shù)）/第一天新增總用戶(hù)數(shù)

（4）第14日留存率：（第一天新增用戶(hù)中，第14天還有登錄的用戶(hù)數(shù)）/第一天新增總用戶(hù)數(shù)

（5）第30日留存率：（第一天新增用戶(hù)中，第30天還有登錄的用戶(hù)數(shù)）/第一天新增總用戶(hù)數(shù)

第二種 周留存，以周度為單位的留存率，指的是每個(gè)周相對(duì)于第一個(gè)周的新增用戶(hù)中，仍然還有登錄的用戶(hù)數(shù)。

第三種 月留存，以月度為單位的留存率，指的是每個(gè)月相對(duì)于第一個(gè)周的新增用戶(hù)中，仍然還有登錄的用戶(hù)數(shù)。留存率是針對(duì)新用戶(hù)的，其結(jié)果是一個(gè)矩陣式半面報(bào)告（只有一半有數(shù)據(jù)），每個(gè)數(shù)據(jù)記錄行是日期、列為對(duì)應(yīng)的不同時(shí)間周期下的留存率。正常情況下，留存率會(huì)隨著時(shí)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(hù)留存曲線(xiàn)：

九、聚類(lèi)分析

聚類(lèi)分析屬于探索性的數(shù)據(jù)分析方法。通常，我們利用聚類(lèi)分析將看似無(wú)序的對(duì)象進(jìn)行分組、歸類(lèi)，以達(dá)到更好地理解研究對(duì)象的目的。聚類(lèi)結(jié)果要求組內(nèi)對(duì)象相似性較高，組間對(duì)象相似性較低。在用戶(hù)研究中，很多問(wèn)題可以借助聚類(lèi)分析來(lái)解決，比如，網(wǎng)站的信息分類(lèi)問(wèn)題、網(wǎng)頁(yè)的點(diǎn)擊行為關(guān)聯(lián)性問(wèn)題以及用戶(hù)分類(lèi)問(wèn)題等等。其中，用戶(hù)分類(lèi)是最常見(jiàn)的情況。

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

可以看到，數(shù)據(jù)可以被分到紅藍(lán)綠三個(gè)不同的簇（cluster）中，每個(gè)簇應(yīng)有其特有的性質(zhì)。顯然，聚類(lèi)分析是一種無(wú)監(jiān)督學(xué)習(xí)，是在缺乏標(biāo)簽的前提下的一種分類(lèi)模型。當(dāng)我們對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)后并得到簇后，一般會(huì)單獨(dú)對(duì)每個(gè)簇進(jìn)行深入分析，從而得到更加細(xì)致的結(jié)果。

四、數(shù)據(jù)分析的基本方法有哪些

數(shù)據(jù)分析的三個(gè)常用方法：

1. 數(shù)據(jù)趨勢(shì)分析

趨勢(shì)分析一般而言，適用于產(chǎn)品核心指標(biāo)的長(zhǎng)期跟蹤，比如，點(diǎn)擊率，GMV，活躍用戶(hù)數(shù)等。做出簡(jiǎn)單的數(shù)據(jù)趨勢(shì)圖，并不算是趨勢(shì)分析，趨勢(shì)分析更多的是需要明確數(shù)據(jù)的變化，以及對(duì)變化原因進(jìn)行分析。

趨勢(shì)分析，最好的產(chǎn)出是比值。在趨勢(shì)分析的時(shí)候需要明確幾個(gè)概念：環(huán)比，同比，定基比。環(huán)比是指，是本期統(tǒng)計(jì)數(shù)據(jù)與上期比較，例如2019年2月份與2019年1月份相比較，環(huán)比可以知道最近的變化趨勢(shì)，但是會(huì)有些季節(jié)性差異。為了消除季節(jié)差異，于是有了同比的概念，例如2019年2月份和2018年2月份進(jìn)行比較。定基比更好理解，就是和某個(gè)基點(diǎn)進(jìn)行比較，比如2018年1月作為基點(diǎn)，定基比則為2019年2月和2018年1月進(jìn)行比較。

比如：2019年2月份某APP月活躍用戶(hù)數(shù)我2000萬(wàn)，相比1月份，環(huán)比增加2%，相比去年2月份，同比增長(zhǎng)20%。趨勢(shì)分析另一個(gè)核心目的則是對(duì)趨勢(shì)做出解釋?zhuān)瑢?duì)于趨勢(shì)線(xiàn)中明顯的拐點(diǎn)，發(fā)生了什么事情要給出合理的解釋?zhuān)瑹o(wú)論是外部原因還是內(nèi)部原因。

2. 數(shù)據(jù)對(duì)比分析

數(shù)據(jù)的趨勢(shì)變化獨(dú)立的看，其實(shí)很多情況下并不能說(shuō)明問(wèn)題，比如如果一個(gè)企業(yè)盈利增長(zhǎng)10%，我們并無(wú)法判斷這個(gè)企業(yè)的好壞，如果這個(gè)企業(yè)所處行業(yè)的其他企業(yè)普遍為負(fù)增長(zhǎng)，則5%很多，如果行業(yè)其他企業(yè)增長(zhǎng)平均為50%，則這是一個(gè)很差的數(shù)據(jù)。

對(duì)比分析，就是給孤立的數(shù)據(jù)一個(gè)合理的參考系，否則孤立的數(shù)據(jù)毫無(wú)意義。在此我向大家推薦一個(gè)大數(shù)據(jù)技術(shù)交流圈： 658558542 突破技術(shù)瓶頸，提升思維能力 。

一般而言，對(duì)比的數(shù)據(jù)是數(shù)據(jù)的基本面，比如行業(yè)的情況，全站的情況等。有的時(shí)候，在產(chǎn)品迭代測(cè)試的時(shí)候，為了增加說(shuō)服力，會(huì)人為的設(shè)置對(duì)比的基準(zhǔn)。也就是A/B test。

比較試驗(yàn)最關(guān)鍵的是A/B兩組只保持單一變量，其他條件保持一致。比如測(cè)試首頁(yè)改版的效果，就需要保持A/B兩組用戶(hù)質(zhì)量保持相同，上線(xiàn)時(shí)間保持相同，來(lái)源渠道相同等。只有這樣才能得到比較有說(shuō)服力的數(shù)據(jù)。

3. 數(shù)據(jù)細(xì)分分析

在得到一些初步結(jié)論的時(shí)候，需要進(jìn)一步地細(xì)拆，因?yàn)樵谝恍┚C合指標(biāo)的使用過(guò)程中，會(huì)抹殺一些關(guān)鍵的數(shù)據(jù)細(xì)節(jié)，而指標(biāo)本身的變化，也需要分析變化產(chǎn)生的原因。這里的細(xì)分一定要進(jìn)行多維度的細(xì)拆。常見(jiàn)的拆分方法包括：

分時(shí) ：不同時(shí)間短數(shù)據(jù)是否有變化。

分渠道 ：不同來(lái)源的流量或者產(chǎn)品是否有變化。

分用戶(hù) ：新注冊(cè)用戶(hù)和老用戶(hù)相比是否有差異，高等級(jí)用戶(hù)和低等級(jí)用戶(hù)相比是否有差異。

分地區(qū) ：不同地區(qū)的數(shù)據(jù)是否有變化。

組成拆分 ：比如搜索由搜索詞組成，可以拆分不同搜索詞;店鋪流量由不用店鋪產(chǎn)生，可以分拆不同的店鋪。

細(xì)分分析是一個(gè)非常重要的手段，多問(wèn)一些為什么，才是得到結(jié)論的關(guān)鍵，而一步一步拆分，就是在不斷問(wèn)為什么的過(guò)程。

以上就是關(guān)于數(shù)據(jù)分析主要的三類(lèi)相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

直播平臺(tái)數(shù)據(jù)統(tǒng)計(jì)網(wǎng)站（全網(wǎng)直播平臺(tái)數(shù)據(jù)人氣）

抖音短視頻帶貨怎么做（抖音短視頻帶貨怎么做數(shù)據(jù)）

微信大數(shù)據(jù)查詢(xún)中心

做銷(xiāo)售的女人都不簡(jiǎn)單（什么性格的人做銷(xiāo)售最厲害）

衡水花園景觀設(shè)計(jì)公司招聘（衡水花園景觀設(shè)計(jì)公司招聘電話(huà)）