五种常用大数据分析方法

Posted 2020-12-10

当开始数据分析项目时，通常首先分别分析每个变量，以描述拥有的数据并评估其质量，接下来的步骤是探索变量之间存在的关系。这些关系可能会导致对数据所代表的总体得出某些推论或结论。结论可能会导致数学模型预测当前不在数据集中的数据结果。但是，在导致决策或行动步骤之前，数据分析无效。

　　在一番挣扎之后，中琛魔方给大家总结了互联网运营的五大数据分析方法，希望帮助大家在数据分析中越来越游刃有余～加油！

　　漏斗分析法

　　漏斗分析模型是业务分析中的重要方法，最常见的是应用于营销分析中，由于营销过程中的每个关键节点都会影响到最终的结果，所以在精细化运营应用广泛的今天，漏斗分析方法可以帮助我们把握每个转化节点的效率，从而优化整个业务流程。

　　其中，我们往往关注三个要点：

　　第一，从开始到结尾，整体的转化效率是多少？

　　第二，每一步的转化率是多少？

　　第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？

　　漏斗分析通常帮我们解决的不止是转化率的问题，精细化的漏斗分析，还可以帮助我们：

　　1、漏斗对比分析，从差异中找到优化方法对比不同用户群体、不同营销方式等的漏斗分析，可以帮助我们快速发现用户特点、营销方式的转化优势，找到在转化环节中，针对不同用户可优化的步骤，或营销方法中可强化的地方。

　　2、通过转化率定位转化最有效的关键方法绝大部分的商业变现流程，都可以梳理出漏斗，通常我们会采取多种方法希望增加转化，漏斗分析可以帮助我们很好的梳理整个业务流程，明确最重要的转化节点，所以在分析的过程中，可以找出是否有其他不重要的过程参与，影响了主要流程的转化，从而进行取舍优化

　　对比分析法

　　对比分析法不管是从生活中还是工作中，都会经常用到，对比分析法也称比较分析法，是将两个或两个以上相互联系的指标数据进行比较，分析其变化情况，了解事物的本质特征和发展规律。

　　在数据分析中，常用到的分3类：时间对比、空间对比以及标准对比。

　　时间对比：

　　最常用的就是同比和环比，通过时间周期的数据对比，了解目前数据水平的高低

　　同比：某个周期的时段与上一个周期的相同时段比较，如今年的6月比去年的6月，本周的周一比上周的周一等等。

　　环比：某个时段与其上一个时长相等的时段做比较，比如本周环比上周等等。

　　空间对比：

　　即在相同时间范围内与不同空间指标数据进行对比

　　例如：不同部门、不同业务人员、不同地区等进行对比，比如各省份订单销售数据的差别对比，可以得出产品的优势地区重点突破，平衡人力物力等。

　　标准对比：

　　业务数据通常会设定目标计划，标准对比可以通过目前数据与设定的目标计划之间的对比，了解目前发展进程，完成进度等，了解差距后可以及时调整策略。

　　用户分析法

　　用户分析是互联网运营的核心，常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像等。在刚刚说到的RARRA模型中，用户活跃和留存是非常重要的环节，通过对用户行为数据的分析，对产品或网页设计进行优化，对用户进行适当引导等。

　　通常我们会日常监控「日活」、「月活」等用户活跃数据，来了解新增的活跃用户数据，了解产品或网页是否得到了更多人的关注，但是同时，也需要做留存分析，关注新增的用户是否真正的留存下来成为固定用户，留存数据才是真正的用户增长数据，才能反映一段时间产品的使用情况，关于活跃率、留存率的计算。

　　那对活跃率和留存情况等数据的监控，要如何发现是否正常呢，需要关注数据变化的几种指标：

　　1、波动幅度：短时间内是否有大幅度波动

　　2、变化持续性：数据波动是否呈现持续性

　　3、变化规律性：数据变化是否是有一定规律的

　　4、各指标变化关联性：关注的各指标的变化间是否有一定的关联，比如相同时间升降、变化趋势相同等

　　细分分析法

　　在数据分析概念被广泛重视的今天，粗略的数据分析很难真正发现问题，精细化数据分析成为真正有效的方法，所以细分分析法是在本来的数据分析上做的更为深入和精细化。

　　可以通过几种方式，将整体数据和细分数据都进行分析，实现细分分析方法

　　1、多层钻取

　　通过多层钻取，直接在图表中点击查看细分数据，每层数据均可选择适合的图表类型进行展示，

　　2、聚焦下钻

　　在整体分析中，想要查看特别关注的部分数据详情，可以使用聚焦及下钻的功能，进行自由分析。

　　指标分析法

　　在实际工作中，这个方法应用的最为广泛，也是在使用其他方法进行分析的同时搭配使用突出问题关键点的方法，指直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等。在选择具体使用哪个基础指标时，需要考虑结果的取向性。

　　平均数：可以表现同类数据在不同的时间段的数据情况，用于总结趋势和在普遍规律中发现问题。另外，也可以对比在不同地区、不同情况下的同类数据的差异情况，比总量或者单独值更具有说服力

　　中位数：又称中值，是指按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。因为是通过排序得到的，它不受最大、最小两个极端数值的影响。例如在统计本季度市场招聘薪资时，由于可能有少部分属于最大值或最小值，用中位数呈现更为有意义。

　　部分数据的变动对中位数没有影响，当一组数据中的个别数据变动较大时，常可以用它来描述这组数据的集中趋势。

　　最大（小）值：

　　最大（小）值常可以用来展现数据中的“异常”情况，在某些数据分析中，异常值可以忽略，但有些最大（小）值的分析，可以研究影响因素，从而找到突破性的动作或可避免的方法，从而推动业务的增长。

　　五种常用大数据分析方法.中琛魔方大数据 表示：每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。