數(shù)據(jù)分析的8種方法詳解

對(duì)于具體的業(yè)務(wù)場(chǎng)景問(wèn)題，我們?cè)撛趺崔k呢?我們以一個(gè)電子商務(wù)網(wǎng)站為例，用數(shù)據(jù)分析產(chǎn)品 GrowingIO 對(duì)該網(wǎng)站進(jìn)行快速地?cái)?shù)據(jù)采集、清晰和可視化展示，然后給大家分享這 8 種常見(jiàn)的數(shù)據(jù)分析方法。

1 數(shù)字和趨勢(shì)

看數(shù)字、看趨勢(shì)是最基礎(chǔ)展示數(shù)據(jù)信息的方式。

在數(shù)據(jù)分析中，我們可以通過(guò)直觀(guān)的數(shù)字或趨勢(shì)圖表，迅速了解例如市場(chǎng)的走勢(shì)、訂單的數(shù)量、業(yè)績(jī)完成的情況等等，從而直觀(guān)的吸收數(shù)據(jù)信息，有助于決策的準(zhǔn)確性和實(shí)時(shí)性。

對(duì)于電子商務(wù)網(wǎng)站，流量是非常重要的指標(biāo)。

上圖中，我們將網(wǎng)站的訪(fǎng)問(wèn)用戶(hù)量(UV)和頁(yè)面瀏覽量(PV)等指標(biāo)匯匯聚到統(tǒng)一的數(shù)據(jù)看板(Dashboard)，并且實(shí)時(shí)更新。

這樣的一個(gè)數(shù)據(jù)看板，核心數(shù)字和趨勢(shì)一目了然，對(duì)于首席增長(zhǎng)官來(lái)說(shuō)一目了然。

2 維度分解

當(dāng)單一的數(shù)字或趨勢(shì)過(guò)于宏觀(guān)時(shí)，我們需要通過(guò)不同的維度對(duì)于數(shù)據(jù)進(jìn)行分解，以獲取更加精細(xì)的數(shù)據(jù)洞察。

在選擇維度時(shí)，需要仔細(xì)思考其對(duì)于分析結(jié)果的影響。

舉個(gè)例子，當(dāng)監(jiān)測(cè)到網(wǎng)站流量異常時(shí)，可以通過(guò)拆分地區(qū)、訪(fǎng)問(wèn)來(lái)源、設(shè)備、瀏覽器等等維度，發(fā)現(xiàn)問(wèn)題所在。

3 用戶(hù)分群

針對(duì)符合某種特定行為或背景信息的用戶(hù)，進(jìn)行歸類(lèi)處理，是我們常常講到的用戶(hù)分群(segmentation )的手段。

我們也可以通過(guò)提煉某一群用戶(hù)的特定信息，創(chuàng)建該群體用戶(hù)的畫(huà)像。 例如訪(fǎng)問(wèn)購(gòu)物網(wǎng)站、寄送地址在北京的用戶(hù)，可以被歸類(lèi)為“北京”用戶(hù)群體。

而針對(duì)“北京”用戶(hù)群體，我們可以進(jìn)一步觀(guān)察他們購(gòu)買(mǎi)產(chǎn)品的頻度、類(lèi)別、時(shí)間，這樣我們就創(chuàng)建出該用戶(hù)群體的畫(huà)像。

在數(shù)據(jù)分析中，我們往往針對(duì)特定行為、特定背景的用戶(hù)進(jìn)行有針對(duì)性的用戶(hù)運(yùn)營(yíng)和產(chǎn)品優(yōu)化，效果會(huì)更加明顯。

上圖中，我們通過(guò) GrowingIO 的用戶(hù)分群功能將一次促銷(xiāo)活動(dòng)中支付失敗的用戶(hù)挑選出來(lái)，然后推送相應(yīng)的優(yōu)惠券。

這樣精準(zhǔn)的營(yíng)銷(xiāo)推廣，可以大幅度提高用戶(hù)支付的意愿和銷(xiāo)售金額。

4 轉(zhuǎn)化漏斗

絕大部分商業(yè)變現(xiàn)的流程，都可以歸納為漏斗。

漏斗分析是我們最常見(jiàn)的數(shù)據(jù)分析手段之一，無(wú)論是注冊(cè)轉(zhuǎn)化漏斗，還是電商下單的漏斗。

通過(guò)漏斗分析可以從先到后還原用戶(hù)轉(zhuǎn)化的路徑，分析每一個(gè)轉(zhuǎn)化節(jié)點(diǎn)的效率?！　∑渲?，我們往往關(guān)注三個(gè)要點(diǎn)：　第一，從開(kāi)始到結(jié)尾，整體的轉(zhuǎn)化效率是多少?　　第二，每一步的轉(zhuǎn)化率是多少?　　第三，哪一步流失最多，原因在什么地方?流失的用戶(hù)符合哪些特征?

上圖中注冊(cè)流程分為 3 個(gè)步驟，總體轉(zhuǎn)化率為45.5%;

也就是說(shuō)有 1000 個(gè)用戶(hù)來(lái)到注冊(cè)頁(yè)面，其中 455 個(gè)成功完成了注冊(cè)。

但是我們不難發(fā)現(xiàn)第二步的轉(zhuǎn)化率是 56.8% ，顯著低于第一步 89.3% 和第三步轉(zhuǎn)化率 89.7%，可以推測(cè)第二步注冊(cè)流程存在問(wèn)題。

顯而易見(jiàn)第二步的提升空間是最大的，投入回報(bào)比肯定不低;如果要提高注冊(cè)轉(zhuǎn)化率，我們應(yīng)該優(yōu)先解決第二步。

5 行為軌跡

關(guān)注行為軌跡，是為了真實(shí)了解用戶(hù)行為。

數(shù)據(jù)指標(biāo)本身往往只是真實(shí)情況的抽象，例如，網(wǎng)站分析如果只看訪(fǎng)問(wèn)用戶(hù)量(UV)和頁(yè)面訪(fǎng)問(wèn)量(PV)這類(lèi)指標(biāo)，斷然是無(wú)法全面理解用戶(hù)如何使用你的產(chǎn)品。通過(guò)大數(shù)據(jù)手段，還原用戶(hù)的行為軌跡，有助于增長(zhǎng)團(tuán)隊(duì)關(guān)注用戶(hù)的實(shí)際體驗(yàn)、發(fā)現(xiàn)具體問(wèn)題，根據(jù)用戶(hù)使用習(xí)慣設(shè)計(jì)產(chǎn)品、投放內(nèi)容。

上圖中展示了一位用戶(hù)在某電商網(wǎng)站上的詳細(xì)行為軌跡，從官網(wǎng)到落地頁(yè)，再到商品詳情頁(yè)，最后又回到官網(wǎng)首頁(yè)。

網(wǎng)站購(gòu)買(mǎi)轉(zhuǎn)化率低，以往的業(yè)務(wù)數(shù)據(jù)無(wú)法告訴你具體的原因;通過(guò)分析上面的用戶(hù)行為軌跡，可以發(fā)現(xiàn)一些產(chǎn)品和運(yùn)營(yíng)的問(wèn)題(比如是不是商品不匹配等等)，從而為決策提供依據(jù)。

6 留存分析

在人口紅利逐漸消褪的時(shí)代，留住一個(gè)老用戶(hù)的成本要遠(yuǎn)遠(yuǎn)低于獲取一個(gè)新用戶(hù)。

每一款產(chǎn)品，每一項(xiàng)服務(wù)，都應(yīng)該核心關(guān)注用戶(hù)的留存，確保做實(shí)每一個(gè)客戶(hù)。

我們可以通過(guò)數(shù)據(jù)分析理解留存情況，也可以通過(guò)分析用戶(hù)行為或行為組與回訪(fǎng)之間的關(guān)聯(lián)，找到提升留存的方法。

在 LinkedIn，增長(zhǎng)團(tuán)隊(duì)通過(guò)數(shù)據(jù)發(fā)現(xiàn)，如果新用戶(hù)進(jìn)來(lái)后添加 5 個(gè)以上的聯(lián)系人(上圖紅色線(xiàn)條)，那么他/她在 LinkedIn 上留存要遠(yuǎn)遠(yuǎn)高于那些沒(méi)有添加聯(lián)系人(上圖綠色和紫色的線(xiàn)條)的留存。

這樣，添加聯(lián)系人稱(chēng)為 LinkedIn 留存新用戶(hù)的最核心手段之一。除了需要關(guān)注整體用戶(hù)的留存情況之外，市場(chǎng)團(tuán)隊(duì)可以關(guān)注各個(gè)渠道獲取用戶(hù)的留存度，或各類(lèi)內(nèi)容吸引來(lái)的注冊(cè)用戶(hù)回訪(fǎng)率，產(chǎn)品團(tuán)隊(duì)關(guān)注每一個(gè)新功能對(duì)于用戶(hù)的回訪(fǎng)的影響等等，這些都是常見(jiàn)的留存分析場(chǎng)景。

7 A/B 測(cè)試

A/B 測(cè)試用來(lái)對(duì)比不同產(chǎn)品設(shè)計(jì)/算法對(duì)結(jié)果的影響。

產(chǎn)品在上線(xiàn)過(guò)程中經(jīng)常會(huì)使用 A/B 測(cè)試來(lái)測(cè)試不同產(chǎn)品或者功能設(shè)計(jì)的效果，市場(chǎng)和運(yùn)營(yíng)可以通過(guò) A/B 測(cè)試來(lái)完成不同渠道、內(nèi)容、廣告創(chuàng)意的效果評(píng)估。

舉個(gè)例子，我們?cè)O(shè)計(jì)了兩種不同的產(chǎn)品交互形式，通過(guò)比較實(shí)驗(yàn)組(A 組)和對(duì)照組(B 組)的訪(fǎng)問(wèn)時(shí)長(zhǎng)和頁(yè)面瀏覽量?jī)蓚€(gè)衡量指標(biāo)，來(lái)評(píng)估哪一種交互形式更佳。要進(jìn)行 A/B 測(cè)試有兩個(gè)必備因素：

第一，有足夠的時(shí)間進(jìn)行測(cè)試;

第二，數(shù)據(jù)量和數(shù)據(jù)密度較高。

因?yàn)楫?dāng)產(chǎn)品流量不夠大的時(shí)候，做 A/B 測(cè)試得到統(tǒng)計(jì)結(jié)果是很難的。而像 LinkedIn 這樣大體量的公司，每天可以同時(shí)進(jìn)行上千個(gè) A/B 測(cè)試。所以 A/B 測(cè)試往往在公司數(shù)據(jù)規(guī)模較大時(shí)使用會(huì)更加精準(zhǔn)，更快得到統(tǒng)計(jì)的結(jié)果。

8 數(shù)學(xué)建模

當(dāng)一個(gè)商業(yè)目標(biāo)與多種行為、畫(huà)像等信息有關(guān)聯(lián)性時(shí)，我們通常會(huì)使用數(shù)學(xué)建模、數(shù)據(jù)挖掘的手段進(jìn)行建模，預(yù)測(cè)該商業(yè)結(jié)果的產(chǎn)生。

作為一家 SaaS 企業(yè)，當(dāng)我們需要預(yù)測(cè)判斷客戶(hù)的流失時(shí)，可以通過(guò)用戶(hù)的行為數(shù)據(jù)、公司信息、用戶(hù)畫(huà)像等數(shù)據(jù)建立流失模型。

利用統(tǒng)計(jì)學(xué)的方式進(jìn)行一些組合和權(quán)重計(jì)算，從而得知用戶(hù)滿(mǎn)足哪些行為之后流失的可能性會(huì)更高。

我們常常說(shuō)，不能度量，就無(wú)法增長(zhǎng)，數(shù)據(jù)分析對(duì)于企業(yè)商業(yè)價(jià)值的提升有著至關(guān)重要的作用。

當(dāng)然，僅僅掌握單純的理論還遠(yuǎn)遠(yuǎn)不夠，實(shí)踐出真知。數(shù)據(jù)分析的方法大家不妨在自己日常工作中，有分析相關(guān)項(xiàng)目里嘗試使用，相信可以事半功倍，創(chuàng)造更多商業(yè)價(jià)值。