通過數(shù)據(jù)解釋過去

數(shù)據(jù)的作用主要體現(xiàn)在兩方面：解釋過去和預(yù)測(cè)未來。本篇文章介紹如何通過數(shù)據(jù)解釋過去發(fā)生的事情。包括過去發(fā)生了什么事情?這些事情有什么樣的規(guī)律?驅(qū)動(dòng)因素是什么?是否有明顯的改進(jìn)或提升?等等。在開始之前我們先來介紹下數(shù)據(jù)的獲取來源以及數(shù)據(jù)的特點(diǎn)和分類。

數(shù)據(jù)來源及分類

我們以網(wǎng)站的數(shù)據(jù)為例，網(wǎng)站的數(shù)據(jù)來自于服務(wù)確日志和網(wǎng)站分析工具。下面是來自網(wǎng)站分析工具Google Analytics的一條日志信息。在這條日志中包含了一些用戶及網(wǎng)站的信息。Google通過對(duì)這些信息的處理產(chǎn)生數(shù)據(jù)，并最終生成我們所看到的網(wǎng)站數(shù)據(jù)報(bào)告。

我們將日志進(jìn)行拆分展現(xiàn)，以便更加清晰的看到日志中所包含的具體信息?？梢钥吹?，每一條信息都是以一對(duì)參數(shù)和值的形式進(jìn)行記錄的。例如，參數(shù)t表示這條日志的類型，值pageview表示這是一條PV日志。(Google Analytics中除了PV日志，還包括event日志等其他多種日志類別)說明每條這樣的日志都表示一次頁面瀏覽。又如參數(shù)dl表示用戶當(dāng)前瀏覽的頁面地址，值表示頁面的具體URL。

通過觀察日志中的信息可以發(fā)現(xiàn)，日志中所包含的信息分為兩大類，也就是參數(shù)后面的值類型。一類是類別變量，這在Google Aanalytics中參數(shù)值類型為text或boolean，例如客戶ID，地理位置和屏幕分辨率等。另一類是數(shù)值變量，這在Google Analytics中參數(shù)值類別為integer或currency，例如事件價(jià)值，商品數(shù)量，交易收入等。詳細(xì)信息請(qǐng)參考《Measurement Protocol 參數(shù)參考》

類別型變量

數(shù)值型變量

在了解了Google Analytics日志中信息的分類后，我們開始分布對(duì)每個(gè)類別信息的分析方法進(jìn)行說明。包括每一個(gè)類別信息的分析方法和它們所適合的圖表展現(xiàn)形式。首先分布介紹類別型變量和數(shù)值型變量的分析方法。

單因素分析

這里再啰嗦兩句，很多時(shí)候我們面對(duì)數(shù)據(jù)無法獲得有用的結(jié)果或洞察，原因不是因?yàn)槿鄙贁?shù)據(jù)，而是因?yàn)閿?shù)據(jù)太多。這里我們將信息進(jìn)行拆分，每次只針對(duì)一類信息進(jìn)行介紹，發(fā)現(xiàn)其中的規(guī)律及驅(qū)動(dòng)因素。避免迷失在大量無用的數(shù)據(jù)中。

前面我們說過，Google Analytics日志收集到的信息分為兩類，類別變量和數(shù)值變量。下面我們分別來看下這兩類信息的分析方法。

類別變量

類別變量指日志中以文本或布爾值的形式記錄的信息。這類信息本身不是數(shù)據(jù)，不能直接進(jìn)行運(yùn)算。需要進(jìn)行處理后才能轉(zhuǎn)化為我們常見的數(shù)據(jù)形式。例如下面的瀏覽器信息。每個(gè)用戶都會(huì)使用不同品類的瀏覽器。當(dāng)用戶訪問網(wǎng)站時(shí)我們以文本形式記錄下了這些瀏覽器的品牌信息。這類信息就屬于類別變量。下面是一組瀏覽器的品牌信息列表。

對(duì)于瀏覽器品牌這樣的類別變量，我們會(huì)通過計(jì)算生成頻率和占比數(shù)據(jù)。用來分析不同瀏覽器品牌的流行及重要程度。下面是經(jīng)計(jì)算獲得的不同瀏覽器品牌出現(xiàn)的次數(shù)以及在所有瀏覽器品牌中的占比情況?？梢园l(fā)現(xiàn)，Chrome在所有瀏覽器中出現(xiàn)次數(shù)最多，為30次。占比在所有瀏覽器中超過50%。說明Chrome在樣本數(shù)據(jù)中是較為流行的瀏覽器品牌。

柱狀圖，條形圖和餅圖或環(huán)形圖是對(duì)類別變量頻次和占比數(shù)據(jù)最好的展現(xiàn)形式，下面我們分別使用的條形圖展示了不同瀏覽器品牌出現(xiàn)的頻率，使用環(huán)形圖展示了不同瀏覽器品牌的占比情況。

數(shù)值變量

數(shù)值變量是指日志中以數(shù)值形式記錄的信息。這些信息可以直接作為數(shù)據(jù)，或者通過相互間的運(yùn)算生成新的數(shù)據(jù)。例如下面的瀏覽深度是通過到訪網(wǎng)站次數(shù)和瀏覽頁面總次數(shù)計(jì)算獲得的。

對(duì)于數(shù)值變量，我們通常使用描述統(tǒng)計(jì)來觀察這組數(shù)據(jù)的集中程度和離散程度。用來描述集中程度的指標(biāo)有平均數(shù)，中位數(shù)和眾數(shù)。描述離散程度的有方差和標(biāo)準(zhǔn)差。通過描述統(tǒng)計(jì)提供的一系列指標(biāo)，我們可以發(fā)現(xiàn)并描述數(shù)值的規(guī)律。對(duì)于瀏覽深度數(shù)據(jù)，通過描述統(tǒng)計(jì)可以發(fā)現(xiàn)，瀏覽深度集中在1.5個(gè)頁面左右。標(biāo)準(zhǔn)差為0.3，表示整體數(shù)據(jù)離散程度不高。描述統(tǒng)計(jì)可以在Excel中數(shù)據(jù)菜單下的數(shù)據(jù)分析功能中找到。

除了描述統(tǒng)計(jì)外，第二個(gè)要分析的是數(shù)值的分布。其實(shí)前面的平均數(shù)，標(biāo)準(zhǔn)差，峰度和偏度幾個(gè)指標(biāo)已經(jīng)大體描繪出了變量分布的形態(tài)，但下面的直方圖更加直觀的展示了數(shù)據(jù)分布。從直方圖中可以看到瀏覽深度數(shù)據(jù)符合正態(tài)分布，概率最高的是1.5次。換句話說，瀏覽深度數(shù)據(jù)集中在1.5頁左右，并且較為平穩(wěn)，變化不大。瀏覽較多和較少頁面的都不多。最少的頁面瀏覽深度為1.12頁。最多的頁面瀏覽深度為2.29頁。

雙變量分析

在前面的單因素分析中，我們分別介紹了類別變量和數(shù)值變量的分析方法，下面我們介紹雙變量的分析方法。雙變量分析簡(jiǎn)單來說就是單因素的組合。我們把雙變量分為三類，分別為類別變量&類別變量，數(shù)值變量&數(shù)值變量和類別變量&數(shù)值變量。分析兩個(gè)變量間的關(guān)聯(lián)和差異。

類別變量&類別變量

第一個(gè)雙變量是類別變量&類別變量。下面是一組客戶來源和是否成交情況的列表。記錄了每個(gè)客戶的來源以及最終是否成交的情況。其中客戶來源分為線上和線下兩個(gè)來源，是否成交中已成交的記錄為”是”，未成交的記錄為”否”。對(duì)這組數(shù)據(jù)我們使用卡方檢驗(yàn)來分析線上與線下來源在成交率上是否有顯著差異。

卡方檢驗(yàn)的方法我們之前有單獨(dú)的文章進(jìn)行介紹，感興趣的朋友可以查看詳細(xì)的計(jì)算過程。這里我們粗略說明下計(jì)算過程和結(jié)果。首先，生成頻率表計(jì)算出不同來源的成交與未成交數(shù)量。并由此計(jì)算出線上和線下來源的成交率數(shù)據(jù)。

第二步，根據(jù)前面頻率表中的數(shù)據(jù)，按照卡方檢驗(yàn)的方法計(jì)算出線上和線下來源成交與未成交的期望值數(shù)據(jù)。以下是經(jīng)過計(jì)算獲得的期望值數(shù)據(jù)。

最后，通過使用頻率表和期望值的數(shù)據(jù)進(jìn)行計(jì)算，線上和線下的成交率存在顯著差異。具體數(shù)據(jù)請(qǐng)參考下表。

數(shù)值變量&數(shù)值變量

第二個(gè)雙變量是數(shù)值變量&數(shù)值變量，下面是一組廣告消費(fèi)和點(diǎn)擊量的數(shù)據(jù)。記錄了在廣告平臺(tái)上的消費(fèi)情況和獲得的點(diǎn)擊量數(shù)據(jù)。對(duì)于這組數(shù)據(jù)我們通過關(guān)聯(lián)分析來分析消費(fèi)和點(diǎn)擊量之間的關(guān)聯(lián)。

相關(guān)分析的方法有很多種，我們之前單獨(dú)有文章介紹過《5種常用的相關(guān)分析方法》。這里使用相關(guān)分析來分析消費(fèi)和點(diǎn)擊量數(shù)據(jù)間的關(guān)聯(lián)。通過Excel數(shù)據(jù)菜單中的數(shù)據(jù)分析功能獲得消費(fèi)和點(diǎn)擊量的相關(guān)性數(shù)據(jù)為0.95，說明消費(fèi)和點(diǎn)擊量高度正相關(guān)。

對(duì)于兩組數(shù)值變量，最好的展現(xiàn)形式是使用散點(diǎn)圖。下面通過散點(diǎn)圖描述了點(diǎn)擊量與消費(fèi)的關(guān)系。隨著消費(fèi)的增長(zhǎng)，點(diǎn)擊量也隨之增長(zhǎng)。在Excel的散點(diǎn)圖中，選擇添加趨勢(shì)線可以自動(dòng)生成回歸方程和判定系數(shù)R方。點(diǎn)擊量有91%的變化可以被解釋。

類別變量&數(shù)值變量

第三個(gè)雙變量是類別變量&數(shù)值變量，下面是一組每日訪問量數(shù)據(jù)，分別對(duì)應(yīng)了每一天網(wǎng)站獲得的訪問量數(shù)據(jù)。其中日期是類別變量，訪問量是數(shù)值變量。我們?cè)谇?5天和后15天分別使用了不同的推廣策略。下面將分別使用Z建議和T檢驗(yàn)分析訪問量數(shù)據(jù)前后變化差異的顯著性。

首先將30天的訪問量數(shù)據(jù)按投放策略分為前后兩組，每組各15天，然后計(jì)算出每組數(shù)據(jù)的均值和方差。具體數(shù)據(jù)如下表所示。

然后在Excel的數(shù)據(jù)菜單中選擇數(shù)據(jù)分析，使用其中的Z檢驗(yàn)進(jìn)行差異顯著性檢驗(yàn)。經(jīng)檢驗(yàn)，在95%的置信區(qū)間下兩組訪問量數(shù)據(jù)間不存在顯著性差異。

T檢驗(yàn)和Z檢驗(yàn)類似，我們?cè)贓xcel對(duì)數(shù)據(jù)菜單中選擇數(shù)據(jù)分析，使用T檢驗(yàn)對(duì)兩組訪問量數(shù)據(jù)進(jìn)行差異顯著性檢驗(yàn)，經(jīng)檢驗(yàn)在95%的置信區(qū)間下兩組訪問量數(shù)據(jù)不存在顯著差異。

最后，總結(jié)一下整篇文章的內(nèi)容。我們將信息分為兩類，類別變量和數(shù)值變量，類別變量是以文本或布爾值記錄的信息，數(shù)值變量是以數(shù)字記錄的信息。在單獨(dú)對(duì)這兩類信息進(jìn)行分析時(shí)，類別變量通常使用頻率和占比的方法，數(shù)值變量通常使用藐視統(tǒng)計(jì)和數(shù)據(jù)分布的方法進(jìn)行分析。在雙變量分析中，主要分析兩個(gè)變量間的關(guān)聯(lián)和差異的顯著性。雙變量分析分為三大類，分別為類別變量&類別變量，數(shù)值變量&數(shù)值變量和類別變量&數(shù)值變量。第一種類別變量&類別變量通過卡方檢驗(yàn)分析數(shù)據(jù)間差異的顯著性。數(shù)值變量&數(shù)值變量通過線性相關(guān)分析發(fā)現(xiàn)數(shù)據(jù)間的關(guān)系。類別變量&數(shù)值變量通過Z檢驗(yàn)和T檢驗(yàn)分析數(shù)據(jù)間差異的顯著性。