0
点赞
收藏
分享

微信扫一扫

数据分析方法总结(二)


目录

​​一、数据分析方法介绍​​

​​二、方法总结​​

​​        1、5W2H分析方法        ​​

​​        2、逻辑分析方法​​

​​        3、行业分析方法​​

​​        4、多维度拆解分析方法​​

​​        5、对比分析方法​​

​​        6、假设检验分析方法​​

​​        7、相关分析方法​​

​​        8、群组分析方法​​

​​        9、RFM分析方法​​

​​        10、AARRR模型分析方法​​

​​        11、漏斗分析方法​​

​​具体的方法介绍可以查看往期文章​​

一、数据分析方法介绍

        数据分析方法是数据分析和产品、运营优化的核心,随着互联网的发展、业务逻辑越来越复杂,数据的分析也就变得越来越重要。对数据的分析可有效避免逻辑的混乱,防止在繁杂的业务理解上逻辑不清、判断错误。

二、方法总结

        1、5W2H分析方法        

                5W

                    - what(是什么)
                    - when(何时)
                    - where(何地)
                    - why(为什么)
                    - who(是谁)

                - 2H

                    - how(怎么做)
                    - how much(多少钱)

        适用于简单问题的分析,明确一个大致的方向适用于项目初期

        2、逻辑分析方法

        把复杂问题拆解成若干个简单的子问题,然后像树枝那样逐步展开,使复杂的问题简单化,经典案例就是费米问题;

        逻辑分析方法在解决业务问题时,经常不是单独存在的,会融合其它分析方法里面,辅助解决问题;

        3、行业分析方法

        也就是PEST分析方法,PEST分析方法是对公司发展宏观环境的分析。

        4、多维度拆解分析方法

        关键是理解维度和拆解;

        维度也就是常说的角度

        拆解也就是拆解为多个维度

        只看数据整体,可能注意不到数据数据内部各个构成的差异,容易发生辛普森悖论

        遇到一个复杂问题不知道怎么解决时,往往就需要就复杂的问题拆解为一个个可以解决的子问题,那么复杂的问题也就解决了

        5、对比分析方法

        当判断一个数据或者业务是否有问题时,往往是因为对比之后才有的结论,例如高矮胖瘦;

        进行对比分析时比较对象的规模一定要一致,例如折线图的横轴是月份,纵轴是每天平均销售额,此处不能是每天平均消费额,因为每个地方的店铺的数量不一样,因此要改为单个店铺每天平均销售额

        6、假设检验分析方法

        假设检验分析方法底层思想就是逻辑推理,分为三步:提出假设、收集证据、得出结论;

        假设检验分析方法不仅能提高思维能力,还能分析问题发生的原因

        假设验证这3步是一个需要不断重复的过程,在得出结论以后,分析还没停止,要多问几个为什么、可能的原因是什么,然后用数据去验证可能的原因。不断重复假设分析的这个过程,直到找到问题的根源

        在开始分析之前,为了理清思路,可以做一个图,将问题、假设、数据从上之下连起来

        在使用假设检验分析方法的过程中,还要用到其它方法,例如对比分析法,多维度拆解分析方法

        7、相关分析方法

        当我们研究两种或两种以上数据之间有什么关系的时候,就需要用到相关分析

        在解决问题的过程中,相关分析可以帮助我们扩大思路,将视野从一种数据扩大到两种甚至多种数据

        相关关系不等于因果关系;

        因果关系是因为发生了A,B才会发生

        相关关系是A变化B就变化

        可以用单变量控制法,也就是其它因素不变,只改变其中一个因素,然后观察这个因素对实验结果的影响

        8、群组分析方法

        按某个特征将数据分为不同的组,然后比较各组的数据,也就是对数据分组然后来对比

        通常用来分析用户留存率随时间发生了哪些变化,然后找出用户留下或者离开的原因;

        先分组,然后找到留存率低或者高的组,然后再用假设验证、相关分析等方法研究为什么低或者高

        除了按照时间分组以外,还可以根据具体的业务场景来确定

        9、RFM分析方法

        R:最近一次消费时间间隔(Recency)

            - 距离上次消费离得越近,R值越小,用户价值越高

        F:消费频率(Frequency)

            - 购买频率越高,F值越大,用户价值越高

        M:消费金额(Monetary)

            - 消费金额越高,M值越大,用户价值越高

        先使用原始数据计算出R、F、M值

        然后给R、F、M值按价值打分

        再计算价值的平均值,如果某个指标的得分比价值的平均值低,标记为低,高则标记为高

        最后得出用户分类

        对用户分类之后对用户进行精细化运营,将有限的资源用在最正确的地方

        10、AARRR模型分析方法

        获取用户(Acquisition)

            用户如何找到我们

        激活用户(Activation)

            用户的首次体验如何

        提高留存(Retention)

            用户会回来吗

        增加收入(Revenue)

            如何赚到更多钱

        推荐(Referral)

            用户会告诉其他人吗

        因为AARRR模型涉及用户使用产品的整个流程,所以它可以帮助分析用户行为,为产品运营指定决策,从而实现用户增长

        11、漏斗分析方法

        衡量业务流程每一步的转化率

        环节转化率=本环节用户数/上一环节用户数
        衡量相邻业务环节的转化情况

        整体转化率=某环节用户数/第一环节用户数
        为了衡量从第一环到该环节为止总体的转化情况

        定位问题节点,即找到出问题的业务环节在哪

具体的方法介绍可以查看往期文章

举报

相关推荐

0 条评论