[数据分析干货]四种简单常用的数据分析方法，学完立马升职加薪！

Posted 2022-11-26 阿凤索爱分析

 你是否做了N个渠道推广，却不知道钱花的效果怎么样？

你是否用数据做了很多图表，但是只知道表象却不会深入分析现象背后发生了什么，得不出什么有效的结论？

今天就来给大家分享4种最常用的数据分析方法，让你在做数据汇报的时候让老板眼前一亮。

目录

一、对比分析法

二、群组分析法

三、RFM分析法

四、漏斗分析法

---

一、对比分析法

通常将两个及以上的数据进行对比，分析他们之间的差异，能直观的看出不同数据的差距或者趋势，称之为对比分析法。

假设我们经营一家零售企业，2季度的销售额是300万，那怎么去衡量我们的经营成效如何呢？

可以通过以下多方面去进行对比：

1. 与目标数据进行对比，例如销售部门本季度已完成的业绩与目标业绩相比较是未达成还是超额达成呢？与去年二季度对比销售额是同比增长还是下跌呢？
2. 选择不同时期的数据对比，例如对比4、5、6月的销售情况是稳步上升还是下降，从而了解企业运营的策略是否有效；

使用WhaleBI制作的柱状图

3.与同行业相比较，例如对比某电商渠道双11活动的各个店铺的销售额高低，直观的看出我们企业的店铺与同行相比是做的更好还是更差；

 使用WhaleBI制作的条形图

二、群组分析法

通常将数据按照某个特征，分为不同的组，然后再对比各组数据的方法，称之为群组分析法。群组分析法常用于分析用户留存（流失）问题，找出用户离开或留存下来的原因。

假设某视频平台在5月份想分析平台用户的留存情况，将今年前3个月的用户按照注册时间分为三个组，每个组里的都是当月的新注册用户。

通过留存率分析公式（留存率=留下的人数/该月总注册人数）得出留存率，记录每个月份的用户群组的留存率，如下图所示：

我们将数据绘制成折线图可以更加清晰的查看数据的变化；

使用WhaleBI制作的折线图

通过群组分析方法，我们发现留存率低的是2月份组。接下来就可以继续分析为什么2月的用户留存率下降。

例如，有可能是下面几种原因：

（1）最近产品上线的新功能并不适合这些新用户；

（2）最近通过市场推广带来了新用户，但是产品的内容对这些新用户没有价值，导致用户流失。

这时就可以使用其他相关的分析方法来进一步研究，更深层次的挖掘用户流失的原因。

三、RFM分析法

RFM分析法是衡量客户价值和客户创利能力的重要工具和手段，帮助企业识别出有价值的用户，常用于精细化运营的业务场景。

RFM有三个非常重要的指标

1. 购买间隔（Regency）：指客户最近一次消费时间与当前时间的间隔，时间间隔越小用户的价值就越高。
2. 购买频率（Frequency）：指客户在一段时间（通常是1年）内所购买的次数，购买频率越高的用户对公司的忠诚度也就越高，价值也就更大。
3. 购买金额（Monetary）：指客户在一段时间（通常是1年）内的总消费金额（或平均消费金额）。用户消费的越多价值也更大。

通过RFM分析法，我们对每一位客户进行细分，评估客户的活跃度、忠诚度和消费能力，从而对不同类型的客户采取不同的营销策略。 

使用RFM分析法的时候，需要注意R、F、M三个指标的定义，不同业务上指标的定义会有所不同，要根据实际业务内容灵活运用。

四、漏斗分析法

漏斗分析法是数据分析领域里能够科学的评估业务全流程，从起点到终点各个阶段的转化情况的一种分析方法。提升转化率是运营人员的重要目标，通过追踪不同阶段的情况，迅速定位流失环节，持续优化业务问题。

  

经典AARRR模型

漏斗分析在流量监控、产品销售转化、用户行为分析等日常数据分析工作中应用很广泛。

假设我们经营一个电商店铺，那怎么通过漏斗分析法去优化我们的店铺运营呢？

比如，电商店铺最终目的是让用户下单并支付，但转化率的高低需要做好每一个环节。这时，我们就可以通过以下的用户体验流程[商品曝光 ➡ 进入详情页 ➡ 加入购物车 ➡ 提交订单 ➡ 完成支付]进行用户行为监测，找到可提升用户体验的环节，最终提升商品整体转化率。

使用WhaleBI制作的漏斗图

如果我们的商品曝光到详情页浏览这个步骤的转化率低，那么我们可能需要优化商品主图、商品价格和商品标题；如果浏览了详情页以后加购的人数不多，那么可能是我们的描述商品详情的内容需要优化了。

漏斗模型除了在电商中应用的比较多以外，在落地页、H5等也应用的比较多。我们可以反复优化落地页当中的图片、文案、布局，进一步的提高整体转化率。

以上就是4种常见的数据分析方法，在不同的工作场景中，我们需要清晰知道哪一个或几个方法来分析实际问题最为有效，结合场景灵活运用，没有最好的分析方法只有最适合的。

大家好，我是阿凤索，一个爱编程、爱产品设计的数据分析er！曾在Airbnb当过数据分析师，会不定期为大家分享一些数据分析干货（mysql、Python、Excel），最近见到的一些商业分析案例，希望有一起学习进步的小伙伴，点点关注，大家一起学习一起进步！