11種數(shù)據(jù)分析方法，別再說你不會(huì)了
這是精讀《數(shù)據(jù)分析思維：分析方法和業(yè)務(wù)知識(shí)》的第2篇文章
哈嘍大家好，我是可樂，上周五的精讀我們總結(jié)了常用的指標(biāo)，以及如何選擇指標(biāo)，如何構(gòu)建指標(biāo)體系，如果你還沒讀，可以再看下：精讀1：總說業(yè)務(wù)，到底業(yè)務(wù)常用的指標(biāo)有哪些
今天我們接著這本書往后看，第二章講了數(shù)據(jù)分析的方法，從大家耳熟能詳?shù)?W2H出發(fā)到群組分析等，基本上涵蓋了工作生活中可能會(huì)用到的各種方法，下面我們一個(gè)一個(gè)來聊。
5W2H分析方法
就是用5個(gè)W和2個(gè)H開頭的英文單詞來思考問題，很好理解，適用于解決簡單的問題，而面對(duì)復(fù)雜的商業(yè)問題時(shí)就需要其他的方法輔助了。
邏輯樹分析方法
由費(fèi)米提出，主要用來將復(fù)雜的問題變成簡單的問題，像樹枝那樣逐漸展開，問題拆解，把一個(gè)復(fù)雜的問題變成一個(gè)個(gè)簡單的子問題。
面試中常見的問題：如估算深圳有多少個(gè)產(chǎn)品經(jīng)理，芝加哥有多少鋼琴調(diào)音師等，這類估算問題我們稱之為費(fèi)米問題，在解決費(fèi)米問題時(shí)，考察點(diǎn)通常不是真的去算出深圳到底有多少個(gè)產(chǎn)品經(jīng)理，重點(diǎn)在于你的分析方法，也就是你運(yùn)用邏輯樹分析問題的能力。
行業(yè)分析方法
當(dāng)需要分析行業(yè)問題、制定發(fā)展規(guī)劃時(shí)，要進(jìn)行行業(yè)分析，首選PEST分析法。
多維度拆解分析方法
多維度拆解法，就是維度+拆解，從多個(gè)角度思考問題。
那么可以從哪些維度來拆解問題呢？
從指標(biāo)構(gòu)成拆解
從業(yè)務(wù)流程拆解
面試中常見的 “次日用戶留存率下降了 5%該怎么分析？” 這種問題，就可以用到維度拆解的方法，具體可參考下面這篇文章：
通過多維度拆解數(shù)據(jù)，我們發(fā)現(xiàn)了一種考察數(shù)據(jù)整體和不同部分時(shí)，會(huì)得到相反結(jié)論的現(xiàn)象，稱之為辛普森悖論。
當(dāng)我們對(duì)兩個(gè)變量進(jìn)行分組研究時(shí)，在分組中都占優(yōu)勢(shì)的一方，在總評(píng)中反而成為失勢(shì)的一方。
比較著名的當(dāng)屬1973年加利福尼亞大學(xué)伯克利分校性別歧視的例子，男生錄取率為44%，女生錄取率為35%，根據(jù)這個(gè)數(shù)據(jù)有人就覺得該校有性別歧視的傾向，但如果每個(gè)院系分開來看錄取率的話，可以發(fā)現(xiàn)，A B D F四個(gè)院女生的錄取率都高于男生。這個(gè)悖論告訴我們一個(gè)簡單的統(tǒng)計(jì)數(shù)字不能完全描述其背后的復(fù)雜意義，因此只看到數(shù)據(jù)整體，而忽視數(shù)據(jù)內(nèi)各個(gè)部分的差異是不對(duì)的。
對(duì)比分析
在進(jìn)行對(duì)比分析時(shí)，主要考慮兩個(gè)問題，和誰比，以及如何比。
和誰比
和自己比：同比、環(huán)比、定比、與目標(biāo)值的對(duì)比、縱比、橫比、特定時(shí)期的對(duì)比
和行業(yè)比：與行業(yè)平均水平比
如何比
數(shù)據(jù)整體的大小：平均值、中位數(shù)
數(shù)據(jù)整體的波動(dòng)：變異系數(shù)
趨勢(shì)變化：折線圖、同比、環(huán)比
推薦一篇講對(duì)比分析的文章：
數(shù)據(jù)對(duì)比分析法，看這篇就夠了！
注：比較的對(duì)象規(guī)模一致才有可比性
A/B測(cè)試就是應(yīng)用了對(duì)比分析
假設(shè)檢驗(yàn)分析
分析問題發(fā)生的原因，也叫歸因分析，“為什么”的問題，指標(biāo)下降的問題
相關(guān)分析
研究兩種或兩種以上數(shù)據(jù)之間關(guān)系的方法，如果一個(gè)指標(biāo)和另一個(gè)指標(biāo)是一起變化的，說明它們是相關(guān)的，而如果是一個(gè)指標(biāo)先變化從而導(dǎo)致了另一個(gè)指標(biāo)的變化，說明它們是有因果性的。
關(guān)于相關(guān)性也可以參考下面這篇文章：
再說相關(guān)性分析
需要注意的是，相關(guān)性并非因果性，現(xiàn)實(shí)生活中，100%的因果關(guān)系很難找到。如何判別是相關(guān)還是因果呢？答案就是：單變量控制法，控制其他因素不變，只改變一個(gè)因素，然后觀察這個(gè)因素對(duì)結(jié)果的影響。
群組分析
也叫同期群分析，也就是對(duì)數(shù)據(jù)分組后對(duì)比。
比如按時(shí)間分析留存率，目的是找到留存率低的組，然后進(jìn)一步分析這些組。
還有流失用戶分析、金融逾期分析等
RFM分析
RFM分析用來對(duì)用戶進(jìn)行價(jià)值分類，從重要價(jià)值用戶到一般挽留用戶，識(shí)別有價(jià)值的用戶，進(jìn)行精細(xì)化運(yùn)營，不斷將用戶轉(zhuǎn)化為重要價(jià)值用戶。
這里的R F M分別對(duì)應(yīng)：
R-最近一次消費(fèi)間隔
F-消費(fèi)頻率
M-消費(fèi)金額
如信用卡會(huì)員服務(wù)，就是采用RFM分析后進(jìn)行運(yùn)營的一個(gè)例子，不能對(duì)用戶采取同樣的運(yùn)營策略，否則可能導(dǎo)致流失。
有關(guān)RFM分析在Excel里怎么實(shí)現(xiàn)，可以參考這篇文章：
RFM分析-用戶價(jià)值細(xì)分的精準(zhǔn)運(yùn)營方法
注意：
對(duì)RFM值要根據(jù)業(yè)務(wù)的不同靈活運(yùn)用
AARRR模型
AARRR模型用來分析用戶行為，為產(chǎn)品運(yùn)營制定決策，實(shí)現(xiàn)用戶增長。
對(duì)應(yīng)產(chǎn)品運(yùn)營的5個(gè)重要環(huán)節(jié)：
Acquisition-獲取用戶：用戶如何找到我們
Activation-激活用戶：用戶的首次體驗(yàn)如何
Retention-提高留存：用戶會(huì)回來嗎
Revenue-增加收入：如何賺到更多的錢
Refer-推薦：用戶會(huì)推薦給其他人嗎
有關(guān)AARRR模型的問題還可以參考下面這篇文章：
數(shù)據(jù)分析應(yīng)關(guān)注AARRR模型的哪些指標(biāo)
獲取用戶階段，我們比較關(guān)心以下指標(biāo)：
渠道曝光量
渠道轉(zhuǎn)換率
日新增用戶數(shù)
日應(yīng)用下載量
獲客成本
激活用戶階段，需要找到“啊哈時(shí)刻”，就是讓用戶情不自禁地喜歡上產(chǎn)品亮點(diǎn)、發(fā)出贊嘆的時(shí)刻。
留存階段，核心目標(biāo)是讓用戶養(yǎng)成使用習(xí)慣，重點(diǎn)關(guān)注留存率指標(biāo)
增加收入階段，主要關(guān)注：
總量相關(guān)指標(biāo)，如成交總額、成交數(shù)量
人均情況指標(biāo)，如ARPU/ARPPU、人均訪問時(shí)長
付費(fèi)情況指標(biāo)，如付費(fèi)率、復(fù)購率
推薦階段，也叫病毒營銷，或自傳播，主要關(guān)注：
轉(zhuǎn)發(fā)率
轉(zhuǎn)化率
K因子
漏斗分析
漏斗分析是衡量業(yè)務(wù)流程每一步的轉(zhuǎn)化率的分析方法，在各行各業(yè)都有相應(yīng)的應(yīng)用，如用戶轉(zhuǎn)化的分析、用戶流失分析、流量監(jiān)控等。目的在于定位問題節(jié)點(diǎn)，找到有問題的環(huán)節(jié)在哪。
相關(guān)閱讀：