数据分析的方法有哪些?
一、公式反汇编
所谓公式分解法,就是用公式将一个指标的影响因素逐层分解。
比如分析某产品销量低的原因,用公式法分解。
第二,比较分析
对比法是比较两组或多组数据,是最常用的方法。
我们知道孤立的数据是没有意义的,只有对比才能有所作为。比如同比与环比对比、增速、定基比、与竞争对手对比、品类间对比、特色与属性对比等。对比法可以发现数据变化的规律,使用频率较高,经常与其他方法结合使用。
对比下图中AB公司的销售额,虽然A公司的销售额普遍有所增长且高于B公司,但B公司的增长速度很快且高于A公司,即使后期增速降低,最终销售额还是赶上了。
三。a/b测试
A/Btest是指一个Web或App界面或流程的两个或两个以上版本,在同一时间维度被相似的访问者群体访问,收集每个群体的用户体验数据和业务数据,最终分析评估出最佳版本正式采用。A/b测试的流程如下:
(1)现状分析与假设建立:分析业务数据,确定目前最关键的改进点,提出优化改进的假设,提出优化建议;比如我们发现用户转化率不高。我们假设推广的落地页带来的转化率太低,要想办法提高。
(2)设定目标,制定计划:设定主要目标,衡量各优化版本的优劣;设置辅助目标,评估优化版本对其他方面的影响。
(3)设计开发:制作两个或两个以上优化版本的设计原型,并完成技术实现。
(4)流量的分配:确定各上线测试版本的分配比例。在初始阶段,优化方案的流量设置可以很小,可以根据情况逐步增加流量。
(5)收集和分析数据:收集实验数据,判断有效性和效果:如果统计显著性达到95%或以上,并维持一段时间,可以结束实验;如果低于95%,可能需要延长测试时间;如果统计显著性长期达不到95%甚至90%,就要决定是否停止实验。
(6)最后根据测试结果,确定发布新版本,调整分流比继续测试,或者在测试效果未达到时,继续优化迭代方案,重新开发上线测试。
流程图如下:
第四,象限分析
通过两个或多个维度的划分,用坐标的方式表示期望值。直接从价值变成策略,从而进行一些落地推广。象限法是一种战略驱动的思维,经常与产品分析、市场分析、客户管理、商品管理等联系在一起。例如,下图显示了广告点击的四象限分布,从左到右的X轴表示从低到高,从下到上的Y轴表示从低到高。
点击率高、转化率高的广告,说明人群相对精准,是高效的广告。点击率高转化率低的广告,说明大部分点进来的人都是被广告吸引的,转化率低说明广告内容针对的人群和产品的实际受众有些不符。高转化低点击的广告,说明广告内容的目标受众与产品的实际受众高度吻合,但广告内容需要优化才能吸引更多人点击。点击率低、转化率低的广告可以舍弃。还有经典的RFM模型,该模型根据三个维度将客户分为八个象限:新近度、频率和货币。
象限法的优点:
(1)找出问题的* * *原因。
通过象限分析,对具有相同特征的事件进行归因分析,总结* * *的原因。比如上面的广告案例,第一象限的事件可以提取有效的推广渠道和策略,第三和第四象限可以排除一些无效的推广渠道;
(2)建立分组优化策略
交付象限分析法可以为不同的象限建立优化策略。例如,在RFM客户管理模型中,根据象限将客户分为不同类型,如重点发展客户、重点保留客户、一般发展客户和一般保留客户。给重点发展客户更多的资源,比如VIP服务,个性化服务,追加销售。把更高价值的产品卖给潜在客户,或者采取一些优惠措施把他们吸引回来。
动词 (verb的缩写)帕累托分析
帕累托法则,源自经典的二八法则。比如个人财富方面,可以说世界上20%的人掌握了80%的财富。在数据分析中,可以理解为20%的数据产生了80%的效果,需要围绕这20%的数据进行挖掘。使用二八法则时往往与排名有关,前20%被认为是有效数据。“二八”法重在分析,适用于任何行业。找到重点,找到它们的特点,然后思考如何把剩下的80%转化成这20%来提高效果。
通常,它将用于产品分类,以衡量和建立ABC模型。比如一个零售企业有500个SKU以及这些SKU对应的销售额,那么哪些SKU比较重要呢?这就是企业经营中分清轻重缓急的问题。
常见的做法是以产品SKU为维度,以对应的销售额为基本衡量指标,将这些销售指标由大到小排列,计算出当前产品SKU的累计总销售额占总销售额的百分比。
百分比在70%(含)以内的,定为A类..百分比在70~90%(含)以内的,划为b类,百分比在90~100%(含)以内的,划为C类..以上比例也可以根据你的实际情况进行调整。
ABC分析模型不仅可以用来划分产品和销售,还可以用来划分客户和客户交易。比如给企业贡献80%利润的客户都是些什么人,比例是多少?假设有20%,那么在资源有限的情况下,我们知道应该重点维护这20%的客户。
六、漏斗分析
漏斗法是漏斗图,有点像倒金字塔。它是一种精简的思维方式,常用于新用户开发、购物转化率等变化和某些流程的分析。
上图是一个经典的营销漏斗,形象地展示了从获取用户到最终转化为购买的整个过程中的一个子环节。邻链转化率是指用数据指标量化每一步的表现。所以整个漏斗模型就是把整个购买过程分成步骤,然后用转化率衡量每个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化步骤,最终达到提升整体购买转化率的目的。
整个漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转型,我们要做的就是监测每一层的用户转化,找到每一层的可优化点。对于不按流程走的用户,专门绘制了他们的转化模型,缩短路径,提升用户体验。
还有一个经典的黑客成长模型,AARRR模型,指的是获取、激活、留存、收益和引荐,即用户获取、用户激活、用户留存、用户收益和用户传播。这是产品运营中常见的模式。结合产品本身的特点和产品的生命周期位置,关注不同的数据指标,最终制定不同的运营策略。
从下面的AARRR模型图可以明显看出,整个用户的生命周期是逐渐递减的。通过对整个用户生命周期的所有环节进行拆解和量化,进行横向和纵向的数据对比,从而发现相应的问题,最终进行持续的优化迭代。
七、路径分析
用户路径分析跟踪用户从某个开始事件到结束事件的行为路径,即监测用户流向,可以用来衡量网站优化或营销推广的效果,了解用户的行为偏好。其最终目的是实现商业目标,引导用户更高效地完成产品的最优路径,最终促使用户付费。如何进行用户行为路径分析?
(1)计算用户使用网站或app时的每一个第一步,然后依次计算每一步的流向和转化,通过数据真实再现从打开app到离开用户的全过程。
(2)查看用户使用产品时的路径分布。比如访问一个电商产品的首页后,有百分之多少的用户进行了搜索,有百分之多少的用户访问了分类页面,有百分之多少的用户直接访问了产品详情页。
(3)分析路径优化。比如用户访问最多的是哪条路径;走到哪一步,用户最容易流失。
(4)通过路径识别用户行为特征。比如分析用户是目标导向还是无目的浏览。
(5)细分用户。用户通常根据使用APP的目的进行分类。比如汽车APP的用户可以细分为关注型、意向型和购买型用户,针对每一类用户进行不同访问任务的路径分析。比如对于意向导向的用户来说,他在对比不同车型时有哪些路径,存在哪些问题?另一种方法是利用算法基于用户的所有访问路径进行聚类分析,根据访问路径的相似性对用户进行分类,然后对每一类用户进行分析。
以电子商务为例。从登录网站//APP到支付成功,买家要经历浏览首页、搜索商品、加入购物车、提交订单、支付订单等流程。然而,用户真正的购物过程是一个纠结反复的过程。例如,提交订单后,用户可以返回主页继续搜索商品,也可以取消订单。每条道路背后都有不同的动机。用其他分析模型深入分析后,可以找到快速的用户动机,引导用户走向最优路径或期望路径。
用户行为路径图示例:
八、保留分析
用户留存是指新会员/用户在一定时间后仍然具有访问、登录、使用或转化等一定属性和行为,当时留存用户与新用户的比例即为留存率。留存率根据不同周期分为三类,以登录行为识别的留存为例:
第一种每日保留可细分为以下几类:
(1)次日留存率:(当日新增用户中,第二日登录用户数)/首日新增用户总数。
(2)第三天留存率:(第一天增加的用户中,也有第三天登录的用户)/第一天增加的用户总数。
(3)第7天留存率:(第一天增加的用户中,也有第7天登录的用户)/第一天增加的用户总数。
(4)14日留存率:(首日新增用户中,也有14日登录的用户)/首日新增用户总数。
(5)第30天留存率:(第一天增加的用户中,也有第30天登录的用户)/第一天增加的用户总数。
第二种周留存,周度留存率,指的是与第一周相比,每周仍然登录的新用户数量。
第三种月留存,即月留存率,是指每个月与第一周相比仍在登录的用户数。留存率针对新用户,结果是矩阵半面报表(只有一半有数据)。每个数据记录行是日期,列是不同时间段的保留率。一般情况下,留存率会随着时间的推移而逐渐降低。以下月度用户留存曲线是以月度留存为例生成的:
九、聚类分析
聚类分析是一种探索性的数据分析方法。通常,我们使用聚类分析对看似无序的对象进行分组和分类,以便更好地了解研究对象。聚类结果要求组中的对象之间具有高相似性,而组中的对象之间具有低相似性。在用户研究中,聚类分析可以解决很多问题,例如网站的信息分类、网页点击行为的相关性以及用户的分类等。其中,用户分类是最常见的情况。
常见的聚类方法有很多,如K-Means、谱聚类和层次聚类等。以最常见的K均值为例,如下图:
可以看出,数据可以分为三个不同的簇:红色、蓝色和绿色,每个簇都应该有自己独特的属性。显然,聚类分析是一种无监督的学习,是一种没有标签的分类模型。当我们对数据进行聚类,得到聚类后,一般会对每个聚类单独进行分析,从而得到更详细的结果。
获取更多数据分析和学习信息资料,欢迎关注云海同名微信官方账号~