來源：大數據分析和人工智

很多做數據分析或者剛接觸數據分析的小夥伴，不知道怎麼做數據分析。一點思路都沒有，今天就給大家盤點數據分析師常用的數據分析方法。希望看完此文的小夥伴，有一個清晰的數據分析思維。

方法論和方法有什麼區别?

方法論是從宏觀角度出發，從管理和業務的角度提出的分析框架，指導我們接下來具體分析的方向。方法是微觀的概念，是指我們在具體分析過程中使用的方法。

數據分析方法論

數據分析的方法論很多，這裡我給大家介紹一些常見的框架。

1、PEST分析法

PEST 為一種企業所處宏觀環境分析模型，從政治(Politics)、經濟(Economy)、社會(Society)、技術(Technology)四個方面分析内外環境，适用于宏觀分析。

四點因素也被稱之為“pest有害物”，PEST要求高級管理層具備相關的能力及素養。PEST分析與外部總體環境的因素互相結合就可歸納出SWOT分析中的機會與威脅。PEST/PESTLE、SWOT 與 SLEPT 可以作為企業與環境分析的基礎工具。

2、SWOT分析法

從優勢(Strength)、劣勢(Weakness)、機遇(Opportunity)、威脅(Threat)四個方面分析内外環境，适用于宏觀分析。

SWOT分析法是用來确定企業自身的競争優勢、競争劣勢、機會和威脅，從而将公司的戰略與公司内部資源、外部環境有機地結合起來的一種科學的分析方法。運用這種方法，可以對研究對象所處的情景進行全面、系統、準确的研究，從而根據研究結果制定相應的發展戰略、計劃以及對策等。

3、5W2H分析法

從Why、When、Where、What、Who、How、How much 7個常見的維度分析問題。廣泛用于企業管理和技術活動，對于決策和執行性的活動措施也非常有幫助，也有助于彌補考慮問題的疏漏。

4、4P理論

經典營銷理論，認為産品(Product)、價格(Price)、渠道(Place)和促銷(Promote)是影響市場的重要因素。

5、AARRR

增長黑客的海盜法則，一種以用戶為中心的着眼于轉化率的漏鬥型的數據收集測量模型，從獲取(Acquisition)、激活(Activition)、留存(Retention)、收益(Revenue)和推薦(Referral)5個環節增長。

AARRR在應用推廣運營各個層次（各個階段）需要關注的一些指标。在整個AARRR模型中，這些量化指标都具有很重要的地位，而且很多指标的影響力是跨多個層次的。及時準确地獲取這些指标的具體數據，對于應用的成功運營是必不可少的。

數據分析的方法論很多，這裡不能一一列舉;沒有最好的方法論，隻有最合适的。

從數據分析方法論也可得知，數據分析的意義在于将雜亂無章的數據轉化為清晰可見的可視圖，從而進行精準決策。“大數據時代，技術和分析哪個更重要”一文中也闡述了分析的重要性。

數據分析的七個方法

1、趨勢分析

趨勢分析是最簡單、最基礎，也是最常見的數據監測與數據分析方法。通常我們在數據分析産品中建立一張數據指标的線圖或者柱狀圖，然後持續觀察，重點關注異常值。

在這個過程中，我們要選定第一關鍵指标(OMTM，One Metric That Metter)，而不要被虛榮指标(Vanity Metrics )所迷惑。

以社交類APP為例，如果我們将下載量作為第一關鍵指标，可能就會走偏;因為用戶下載APP并不代表他使用了你的産品。在這種情況下，建議将DAU(Daily Active Users，日活躍用戶)作為第一關鍵指标，而且是啟動并且執行了某個操作的用戶才能算上去;這樣的指标才有實際意義，運營人員要核心關注這類指标。

2、多維分解

多維分解是指從業務需求出發，将指标從多個維度進行拆分;這裡的維度包括但不限于浏覽器、訪問來源、操作系統、廣告内容等等。

為什麼需要進行多維拆解?有時候一個非常籠統或者最終的指标你是看不出什麼問題來的，但是進行拆分之後，很多細節問題就會浮現出來。

舉個例子，某網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。如果你要提升用戶的參與度，顯然這樣的數據會讓你無從下手;但是你對這些指标進行拆解之後就會發現很多思路。

3、用戶分群

用戶分群主要有兩種分法：維度和行為組合。

第一種根據用戶的維度進行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的用戶;從用戶登錄平台進行分群，有PC端、平闆端和手機移動端用戶。

第二種根據用戶行為組合進行分群，比如說每周在社區簽到3次的用戶與每周在社區簽到少于3次的用戶的區别，這個具體的我會在後面的留存分析中介紹。

4、用戶細查

正如前面所說的，用戶行為數據也是數據的一種，觀察用戶在你産品内的行為路徑是一種非常直觀的分析方法。在用戶分群的基礎上，一般抽取3-5個用戶進行細查，即可覆蓋分群用戶大部分行為規律。

絕大多數産品都或多或少存在一些反人類的設計或者BUG，通過用戶細查可以很好地發現産品中存在的問題并且及時解決。

5、漏鬥分析

漏鬥分析是一套流程式數據分析，它能夠科學反映用戶行為狀态以及從起點到終點各階段用戶轉化率情況的重要分析模型。漏鬥分析模型已經廣泛應用于網站用戶行為分析和APP用戶行為分析的流量監控、産品目标轉化等日常數據運營與數據分析的工作中。

漏鬥分析要注意的兩個要點：

第一：不但要看總體的轉化率，還要關注轉化過程每一步的轉化率;

第二：漏鬥分析也需要進行多維度拆解，拆解之後可能會發現不同維度下的轉化率也有很大差異。

6、留存分析

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。這是用來衡量産品對用戶價值高低的重要方法。

衡量留存的常見指标有：次日留存率、7日留存率、30日留存率等等。

留存分析可以幫助回答以下問題：

• 一個新客戶在未來的一段時間内是否完成了您期許用戶完成的行為？如支付訂單等；

• 某個社交産品改進了新注冊用戶的引導流程，期待改善用戶注冊後的參與程度，如何驗證？

• 想判斷某項産品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用産品幾個月？

7、A/B測試與A/A測試

A/B測試是為了達到一個目标，采取了兩套方案，一組用戶采用A方案，一組用戶采用B方案。通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。在A/B測試方面，谷歌是不遺餘力地嘗試;對于搜索結果的顯示，谷歌會制定多種不同的方案(包括文案标題，字體大小，顔色等等)，不斷來優化搜索結果中廣告的點擊率。

這裡需要注意的一點，A/B測試之前最好有A/A測試或者類似準備。什麼是A/A測試?A/A測試是評估兩個實驗組是否是處于相同的水平，這樣A/B測試才有意義。其實這和學校裡面的控制變量法、實驗組與對照組、雙盲試驗本質一樣的。