数据分析系列（三）：常用的五个数据分析方法

前言

互联网人每天都在和各式各样的数据打交通，数据分析已经成为互联人的通用技能。产品经理通过数据分析来挖掘用户需求，迭代产品功能；运营通过数据分析，发现问题，调整运营手段和节奏；市场通过数据分析辨别各渠道资源的效果，实现低成本获客。今天，这一篇主题主要来介绍五个常见的数据分析方法。

01 对比分析

对比分析方法应该是大家在日常工作中最高频率使用的方法，通常用来评估核心数据指标的好坏。

使用这个方法之前，我们需要思考以下几个维度：

以我自己的业务为例（游戏分发平台），如果目前核心KPI为流水，那么对比分析方法可以运用到每日的流水分析场景中。

它属于「绝对值」，基于「自己」的对比对象，进行「环比」「同比」比较。具体可以表现为以下这个表格：

02 多维度拆解

多维度分析方法和对比分析方法一样，也是日常工作中较为高频的使用方法之一。通常用来对核心指标进行进一步拆解，帮助完成核心指标优化。

多维度拆解通常有以下两种方法：

1. 从指标构成和比例进行拆解

举例：针对某款付费手游来说，我们可以把流水拆解为：

流水=新增用户量*留存率*付费率*ARPPU

我们可以从新增用户量、留存率、付费率、ARPPU进行拆解。如果某一天流水降低，我们可以看是由于其中哪个指标引起。假设流水降低是因为新增用户量降低引起，针对新增用户量，我们可以进一步拆解从渠道1新增用户量、渠道2新增用户量、渠道N新增用户量进行拆解，方便定位原因。

2. 还原行为发生时的具体场景

举例：比如发现某一详情页跳转成功率低

这个指标很难通过构成、比例进行进一步拆解。所以我们可以还原行为发生时的具体场景，比如从用户是否处于WIFI或者4G环境下进行拆解，看是否因为这批用户网络情况差造成。

03 漏斗分析

漏斗分析也是常见的分析方法之一，比较适用于有明确的业务流程、业务目标，跳转关系不是特别纷繁复杂的业务。漏斗分析能够帮助我们发现问题，优化业务流程，提升「比例值」相关的指标。

还是以自己的业务为例（游戏分发平台），统计一款游戏在平台中分发的情况，可以根据业务流程拆分出以下漏斗环节：

然后我们可以对比这款游戏是否在某一个转换环节低于总体平均值，比如素材曝光-素材点击的点击率为10%，如果低于均值，我们就可以考虑更换素材来提升该环节转化率。

这里推荐一个比较实用的绘制漏斗的在线工具：

https://g2.antv.vision/zh/examples/funnel/funnel#pyramid

漏斗分析还有几个坑要特别提醒：

1、要根据产品形态选择一定的时间窗口，太长容易包含了太多无关信息，太短容易遗漏一些有用信息。

2、严格遵守漏斗顺序，不要随意更换。

3、漏斗分析可以根据事件，也可以根据用户，但是要保持前后一致。

4、确保结果数据为单一漏斗产生，无其它路径。

04 路径分析

漏斗分析和路径分析的区别在于，路径分析更适合于用户行为没有那么明确，我们只知道用户的起点或终点，所以我们需要使用路径分析方法。

路径挖掘怎么使用？逐级展开某一事件的前一级（后一级）事件，观察其流向。一般情况下，该方法强依赖于三方平台，神策分析、GA（Google Analytics）都有支持相关路径挖掘的相关分析功能，GA主要是在行为-行为流这个功能中。

以下案例来源于：神策分析平台

中商惠民（中国最大的社区 O2O 服务平台）：启动 APP 后，为何只有 30% 商超客户交易成功？

为解决这一问题，可以针对「客户购买路径」选取若干事件，进行深度分析。上图显示，用户登录 APP 后，约有 40% 的客户会点击 Banner，30% 的客户会直接进行商品搜索，约 10% 的用户会浏览商品列表，约 5% 的客户直接退出 APP。

进一步看 4 类用户的提交订单的情况，直接进行“搜索商品”的用户进行提交订单比例最高，超过 90%；与其形成鲜明对比的是，尽管“点击 Banner ”是更多客户登录 APP 后的首选动作（约占总客户的 40%）但是这部分用户群体在浏览商品列表后，仅仅 30% 的用户提交订单，说明 Banner 内容布局有着比较糟糕的用户体验，则将此作为首选优化与改进的方向。

05 精准留存分析

观察产品长期留存时（比如30日留存），我们通常会这样计算：30日留存=第2天~第30天去重后/第1天*100%。但是30天内，变因太多，产品、运营、技术、市场等每个环节都会对留存造成影响。所以，这里需要我们使用精准留存分析的方法来解决这一问题。

精准分析方法怎么使用？计算精准留存——过滤进行过指定行为的用户ID，将用户分为不同群体后，观察其留存之间的差别。

以下案例来源于：神策分析平台

即刻（内容分发平台）的用户可以分为三种类型：路人行为（如浏览帖子）、围观行为（点击并查看评论），参与行为（点赞、转发、发布评论）。通过留存分析，我们可以去计算每一类行为用户的留存情况。

上图反映，用户行为深度越深，留存越高。但是由于参与行为门槛过高，落地性较弱，所以可以通过转化更多用户成为围观用户，来提升全站留存。比如：产品信息流列表页露出一条热评，让更多用户查看评论并点击。

本期介绍了《五个数据分析方法》，当然不同的业务形态会遇到各式各样的数据问题，可能还可以使用到更多方法：比如用户分群分析、分布分析、属性分析等方法。建议遇到实际业务问题再去思考合适的分析方法。下一期是数据分析章节的最后一篇内容，会重点讲讲产品运营人必须掌握的数据工具和技能有哪些。