产品要懂点数据分析（四）- 分析方法
基本数据分析思维
在介绍数据分析方法之前，来看一下常用的数据分析的基本思维。
对比思维
一个孤立的没有对比的指标其作用是很有限的。只有通过不同指标的对比，才能知道指标好坏。
常见的对比方法有：
-
和外部对比：和同行、竞品、行业平均数据对比。
-
和内部对比：和内部的其他分组、业务进行对比。如新老用户之间对比、不同渠道数据对比。
-
和预期对比：实际的数据指标和预期的指标对比。
-
不同时期对比：同一个指标在不同时期的数据进行对比。如同比、环比等。
-
事件前后对比：在关键事件前后指标的对比，如活动前后、版本更新前后。
分类思维
将数据分类进行分析，能消除各个分类之间的相互影响。
假设将已流失的用户和活跃用户一起分析，将会极大拉低活跃用户的数据。而分析结论也会显得杂乱无章。
分类思维很常见，如用户分类、渠道分类、市场分级等。
平均思维
平均分析就是将一个整体的数据平均成一个一般化的指标来进行衡量。
平均数更直观、更具体，且更容易使用。如人均付费、平均客单价等。
结构思维
结构用于衡量部分占总体的比重关系，常用占比多少来进行表示。
结构数据能直观反映出整体数据的各部分的构成。如活跃率、付费率等指标。
数据分析的基础方法
杜邦分析法
杜邦分析法是将核心数据一层一层向下拆分，将一个数据拆分成多个组成的部分。通过这个方法，可以找到影响数据的相关因素。
将影响因素逐个分析，就可以知道哪些因素影响了核心数据指标。
矩阵分析法
通过核心的指标，将数据划分成多个矩阵区间，然后分析各自区间的数据。避免大而全面面俱到得分析。
RFM模型
RFM模型就是矩阵分析的一个重要的应用。通过最近一次消费、消费频率、消费金额三个维度，将客户分成了重要发展客户、重要价值客户等8个区间。然后针对每个区间用户的特点制定不同的运营策略。
漏斗分析法
漏斗分析针对用户的关键路径从开始到结束，每个环节的转化率进行分析的方法。
漏斗分析能直观的看出用户在每个环节的流失或转换情况，然后有针对性的进行优化。
漏斗分析
交叉分析法
交叉分析是将两个维度的指标放在一起，进行对比分析。交叉分析能进行多维度对比，使得数据更加清晰。
留存率
数据分析法
用户分析
用户分析也称用户属性分析，根据用户的属性，分析用户的构成。用户分析有助于了解用户构成。
常见的用户属性有：
- 用户自然属性：性别、年龄、职业、住址等；
- 用户状态属性：新用户、活跃用户、流失用户、回访用户等；
- 用户终端属性：Android、iPhone、iPad、软件版本等；
- 用户行为属性：注册时间、打开次数、消费金额、发布内容等。
事件分析
所谓事件就是用户在产品中的一次操作或行为。如登录、浏览页面、点击元素等。事件分析就是分析用户在产品中的操作和行为。
在事件分析中主要通过事件发生的次数和执行事件的用户数两个指标来分析。
事件发生次数
统计事件发生的次数，不考虑执行的人是否同一个。如一天内发布了多少内容、提交了多少订单。
执行事件的用户数
统计执行事件的用户数，多次执行则被统计成一个用户。如一天内登录系统的用户数、参与互动的用户数。
漏斗分析
上文也提到漏斗分析是一种基础的分析方法。漏斗分析主要用于分析一个多步骤的过程，在各个步骤的转换或流失情况。用于衡量转化效果，进行转化分析。
漏斗分析需要注意步骤次序和转化周期两个因素。
步骤次序
步骤次序序是指步骤的前后关系，根据具体的问题可以选择是否考虑步骤的次序。
假设用户完成一个过程需要A-B-C三个步骤。如果考虑步骤次序，那么用户通过A-C-B完成这个过程，则不被当成是一次转化过程。如果不考虑步骤次序，则会被计算成一次成功的转化。
转化周期
转化周期是指一个用户完成一次转化需要的时间。
我们知道用户经常不是连续完成整个过程的。用户可在这次登录先添加购物车，下次登录再提交订单，两个步骤之间有时间间隔。
根据业务的不同，转化周期可以设置成同一次登录、一天、七天等。
转化周期设置的长短直接影响到转化率的计算，需要根据具体业务适当选择。
路径分析
路径分析是分析用户在一个过程可能存在的多个步骤中，最终的执行过程。分析用户通过哪些步骤最终到达目标事件。
分析过程中，首先选取的若干个关键步骤进行统计，然后分析用户按什么顺序执行各个步骤的。
到达目标的用户可能很多，可以通过图表将直观的其罗列出来。
来源于：神策数据-路径分析
路径分析过滤了没有到达目标的用户，也就是说，用户分析所分析的对象是已经完成目标事件的用户。
路径分析也需要考虑观察周期的问题。因为路径观察的是用户连续的操作步骤，所以一般情况下路径分析的观察周期相对较短，通常设置一次登录过程或者若干小时以内。
留存分析
留存简单来讲就是用户留下来继续使用产品。留存分析主要分析用户的参与度或活跃度。
初始事件和后续事件
用户触发了初始事件即可作为被观察的初始用户，然后在一定时期内，执行了后续事件的用户则被视为留存用户。
我们日常分析新用户留存的时候，初始事件为用户完成注册，后续事件为重新登录系统。但是，初始事件和后续行为并不一定是注册和登录。
如果将初始事件设置成第一天签到，后续事件设置成后续的签到行为，可以分析签到活动的存留情况。如果将初始事件设置为完成一次内容发布，后续事件设置成登录系统，则可以分析发布内容对用户留存的影响。
起始时间和时间间隔
起始时间是选取用户数量的时间，后续的留存分析都以这个起始时间的用户数量进行对比。
间隔时间是观察留存情况和起始时间的间隔。在间隔时间后执行了后续事件的用户则为留存用户。
统计粒度
通常我们以天为统计单位，如次日留存率、三日留存率、30日留存率。但是根据产品形态的不同，统计的粒度也不尽相同，也可以以周、月等位单位。
例如购票类APP，因为其使用频率较低，所以可以考虑以周或月为单位。
分布分析
分布分析是将数据划分成若干个区间段，然后分析观察对象在各个区间段的分布情况。
例如，分析用户的年龄段分布情况，文章的阅读次数分布情况等。
分布分析还可以根据选定的对象的分布情况，分析所选取对象的共性特征。
例如分析什么样的产品销量更好，可以选定销量好的产品，然后分析其分布情况。按价格区间分布、按品类分布，然后可以分析出哪些价格区间、哪些品类的产品销量更好。
热力图分析
通过将用户在页面上的操作绘制成热力图，可以看出用户在页面哪些地方停留或操作的次数较多。然后观察热力图，用户停留或操作的地方是否我们所期望的。
在移动端，主要分析用户的点击次数、页面停留时间、页面滚动情况等。在PC端，还能分析鼠标的滑动轨迹、停留时间等。
用户行为分析
将用户的每一步操作都记录下来，然后单独分析某一个用户的行为。
相比于用户路径分析，用户行为的分析是针对单一个用户进行分析。同时，其能记录的步骤或行为更加详尽，几乎能跟踪到用户操作的每个步骤。
产品要懂点数据分析（一）-数据采集和数据指标
产品要懂点数据分析（二）-常用指标
产品要懂点数据分析（三）- 分析过程
产品要懂点数据分析（四）- 分析方法
