数据分析算研究方法吗?

1. 数据分析算研究方法吗?

对于数据分析师来说，懂得更多的数据分析方法是很有必要的，而且数据分析师工作工程中会根据变量的不同采用不同的数据分析方法，一般常用的数据分析方法包括聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析等，我们要学会使用这些数据分析之前一定要懂得这些方法的定义是什么。


第一先说因子分析方法，所谓因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如影像分析法，重心法、最大似然法、最小平方法、α抽因法、拉奥典型抽因法等等。


第二说一下回归分析方法。回归分析方法就是指研究一个随机变量Y对另一个(X)或一组变量的相依关系的统计分析方法。回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。回归分析方法运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析;按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。


接着说相关分析方法，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系。


然后说聚类分析方法。聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，不需要事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。


接着说方差分析方法。方差数据方法就是用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。


最后说一下对应分析方法。对应分析是通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。

2. 数据分析的方法

见图

3. 数据分析最为基本的三种方法

数据分析最为基本的三种方法
数据分析重要的是模型，说白点就是知道要什么数据，了解数据走势，懂得如何分析。在数据分析呈现后，要根据分析得出结论，结论中需要用简单明了的语言表明出现的问题，导致问题的原因，最后就是针对问题的解决方法。数据分析体系可分为数据整理、数据分析、数据呈现。数据整理包含对源数据的获取、筛选、清洗、整理和统计，数据整理是对源数据的初加工，是数据分析工作的前置。数据预处理是最为重要的，保证数据的完整性和准确性，如果前期的数据加工过程中得到的数据是错误，后面再怎么分析都是不对的。数据分析是运用数据分析的工具，根据自己的目的，对数据进行深层次的挖掘和分析，找出内在的联系和变化；在这个阶段更重要的注重对于数据的解读，数据反映出来的规则是怎么样的？目前业务碰到什么样的问题？希望通过数据解决什么问题。数据呈现是对分析的结果进行呈现，大部分是通过专业图表来展示，是数据分析报告的重要组成部分，也即是数据分析的终极形式。对很多公司来说，数据整理不是难事，难就难在业务数据如何解读？如何呈现才能说明问题？从中能发现什么业务问题？有没有改善的机会？其实，以上的业务问题，可以转换为从三个方面去分析。首先数据整理后，需要三看：看趋势，看分布，看对比。 看趋势即是看目标数据的时间走向趋势，是波动大还是较平缓？哪个阶段变化较大？异常点落在哪个时间段？看趋势的目的是把握整体的走向。可选工具有：趋势图、多列堆积柱形图。 看分布目标数据段整体分布是发散的还是集中的？集中在哪个频率段？中位数集中在哪个区间段？占80%的数据集中在什么数据区间段？看分布的目的就是了解业务数据是否稳定，以及数据的集中度。可选工具有：直方图、箱线图、正态分布、点图、柏拉图。 看对比更多时候，环比和同比看不出什么问题，更不能说明问题，尤其是环比和同比结果相差不大的时候。这时候，可以与上月对比看看，稳定性如何？集中度有变化吗？变量之间有关系吗？相关关系是多大？可选工具有：堆积柱形图、方差分析、相关分析、回归分析等。看趋势、看分布、看对比，就是数据分析的三看。需要注意的是，数据就是数据，问题还是要通过具体的业务措施去解决，数据分析只是告诉你，出问题的地方在哪里，要从哪些方面去改善。因此，数据分析三板斧的解读结果，只是提供解决问题的方向，并不能代替具体的业务解决方案。
以上是小编为大家分享的关于数据分析最为基本的三种方法的相关内容，更多信息可以关注环球青藤分享更多干货

4. 数据分析很难?8大分析方法帮到你

1. 趋势分析法
将两个或两个以上的指标或比率进行对比，以便计算出它们增减变动的方向、数额、以及变动幅度的一种分析方法。
2. 对比分析法
将两个或两个以上指标对比，寻找其中规律。静态对比，不同指标横向对比。动态对比，同一指标纵向对比
3. 多维分解法
把一种产品或一种市场现象，放到一个两维以上的空间坐标上来进行分析。
4. 用户分群
根据用户与产品之间的互动程度进行划分，以更好经营用户。
5. 用户细查
用户抽样，具体观察用户在行为、交易上的特征数据，以观察是否具有显著特征，反推宏观数据，找出数据规律。
6. 漏斗分析法
对业务流程节点进行划分，建立整个业务流程的转化漏斗，并追踪分析。
7. 留存分析
用户注册后，追踪该用户次日/周/月的活跃情况。
8. AB测试法
A/B测试的实质是对照试验，即通过对几个不同的版本进行对比，从而选出最优解。
关于数据分析很难?8大分析方法帮到你，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
以上是小编为大家分享的关于数据分析很难?8大分析方法帮到你的相关内容，更多信息可以关注环球青藤分享更多干货

5. 做数据分析时有哪些方法论

6. 聊一聊数据分析方法论

数据分析的本质是抓住“变”与“不变”。
 
 谈到数据分析，大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法，再或是华丽的数据报表。其实，“ 分析 ”本身是每个人都具备的能力；数据分析是为了能以量化的方式来分析业务问题并得出结论。
 
   
 
 其中有两个重点词语：量化和业务。首先讲下量化。量化是为了统一认知，并且确保路径可回溯，可复制。 统一认知后，才能保证不同层级，不同部门的人在平等话语权和同一个方向的背景下进行讨论和协作，才能避免公司内的人以“我感觉”、“我猜测”来猜测当前业务的情况。
 
 路径可回溯可复制指的是，通过量化后的结果，许多优化的方法是可以被找到原因并且可以被复制的。同样是转化率优化，用 A 方案和 B 方案，谁的效果会比较好和具体好多少，都是可被预测的。
 
 要想做到量化，需要做到三点：建立量化体系，明确量化重点和保证数据准确性。
 
 建立量化体系
 
 主要是根据“指标设计方法”，设计业务的核心指标+拆解指标+业务指标，最后落地成全公司通用的“指标字典”和“维度字典”。这种工作一般是由数据分析师或数据 PM 来担任完成。通过这种方式，我们就能初步建立面向全公司全面而系统的量化分析框架，保证日常分析可以做到逐层拆解，不重不漏。
 
 明确量化重点
 
 每个阶段，都应该明确当前的业务重点。量化体系需要根据业务阶段，更改量化重点及方式。这同时意味着，有更细节的指标及更大的监控和推广力度。
 
 比如外卖行业早期，经历了看重订单数，到订单额，到新客数+补贴率，到新客数+资金使用效率（交易完成进度/费用完成进度）的历程。
 
 我们可以看到，随着战争开拓的阶段不断升级和变化，从不计成本打下市场份额，到看中订单质量，到存量市场争得差不多了，开始考虑新客数量，同时控制补贴力度，到战争趋于常态化，开始控制整体补贴额度，靠拼效率来战胜对手。
 
 每个阶段，都需要根据不同的战场情况来判断当前重点，从而围绕该重点建立一套360度无死角的分析监控体系。
 
 确保数据准确性
 
 在数据准确性这个话题里，数据产品已经有成熟的数据质量管理方法，涉及了数据源，指标计算和数据呈现等各个环节的监控。
 
 站在业务的角度
 
 除了量化之外，另外一个重点词语是业务。只有解决业务问题分析才能创造价值。价值包括个人价值和公司价值。
 
 如何站在业务方的角度思考问题呢，总结起来就是八个字“忧其所虑，给其所欲”。这里不仅适用于分析师这个岗位，在所有以供需为主要关系的交互过程里，精准理解对方需求对于供给方都是最重要的。
 
 这些小型决策，其实都是依照我们脑海中的数据点作出判断，这就是简单分析的过程。对于业务决策者而言，则需要掌握一套系统的、科学的、符合商业规律的数据分析知识。
 
 数据分析的战略思维
 
 无论是产品、市场、运营还是管理者，我们必须反思：数据本质的价值，究竟在哪里？从这些数据中，团队都可以学习到什么？
 
 数据分析的目标
 
 对于企业来讲，数据分析的可以辅助企业优化流程，降低成本，提高营业额，往往我们把这类数据分析定义为商业数据分析。商业数据分析的目标是利用大数据为所有职场人员做出迅捷、高质、高效的决策，提供可规模化的解决方案。商业数据分析的本质在于创造商业价值 ，驱动企业业务增长。
 
 数据分析的作用
 
 我们常常讲的企业增长模式中，往往以某个业务平台为核心。这其中，数据和数据分析，是不可或缺的环节。   
 
 通过企业或者平台为目标用户群提供产品或服务，而用户在使用产品或服务过程中产生的交互、交易，都可以作为数据采集下来。
 
 根据这些数据洞察，通过分析的手段反推客户的需求，创造更多符合需求的增值产品和服务，重新投入用户的使用，从而形成形成一个完整的业务闭环。这样的完整业务逻辑，可以真正意义上驱动业务的增长。
 
 数据分析进化论
 
 我们常常以商业回报比来定位数据分析的不同阶段，因此我们将其分为四个阶段。
 
 阶段 1：观察数据当前发生了什么？
 
 首先，基本的数据展示，可以告诉我们发生了什么。例如，公司上周投放了新的搜索引擎A的广告，想要比对一周下来，新渠道 A 比现有渠道B情况如何，A、B 各自带来了多少流量，转化效果如何？又比如，新上线的产品有多少用户喜欢，新注册流中注册的人数有多少。这些都需要通过数据来展示结果，都是基于数据本身提供的“发生了什么”。
 
 阶段 2：理解为什么发生？
 
 如果看到了渠道 A 为什么比渠道B带来更多的流量，这时候我们就要结合商业来进一步判断这种现象的原因。这时候我们可以进一步通过数据信息进行深度拆分， 也许某个关键字带来的流量，也许是该渠道更多的获取了移动端的用户。这种数据深度分析判断，成为了商业分析第二个进阶，也同时能够提供更多商业价值上的体现。 
 
 阶段 3：预测未来会发生什么？
 
 而当我们理解了渠道 A、B 带来流量的高低，就根据以往的知识预测未来会发生什么。在投放渠道 C、D 的时候，猜测渠道 C 比渠道 D 好，当上线新的注册流、新的优化，可以知道哪一个节点比较容易出问题；我们也可以通过数据挖掘的手段，自动预测判断 C 和 D 渠道之间的差异，这就是数据分析的第三个进阶，预测未来会发生的结果。
 
 阶段 4：商业决策
 
 所有工作中最有意义的还是商业决策，通过数据来判断应该做什么。而商业数据分析的目的，就是商业结果。当数据分析的产出可以直接转化为决策，或直接利用数据做出决策，那么这才能直接体现出数据分析的价值。
 
 数据分析的 EOI 框架
 
 EOI 的架构是包括 LinkedIn、Google 在内的很多公司定义分析型项目的目标的基本方式，也是管理者在思考商业数据分析项目中一种基本的、必备的手段。
 
 其中，我们先会把公司业务项目分为三类：核心任务，战略任务，风险任务。
 
 数据分析项目对这三类任务的目标也不同，对核心任务来讲，数据分析是助力（E），帮助公司更好的盈利，提高盈利效率；对战略任务来说是优化（O），如何能够辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I），努力验证创新项目的重要性 。
 
 管理者需要对公司业务及发展趋势有着清晰的认识，合理分配数据分析资源、制定数据分析目标方向。
 
 数据分析的基本思路
 
 而面对海量的数据，很多人都不知道从如何准备、如何开展，如何得出结论。下面为大家介绍做数据分析时的 基本思路，希望在数据分析的实际应用中能给大家带来帮助。
 
 数据分析的基本步骤
 
 上面我们提到了数据分析与商业结果之间关联的重要性，所有商业数据分析都应该以业务场景为起始思考点，以业务决策作为终点。数据分析该先做什么、后做什么？基于此，我们提出了商业数据分析流程的五个基本步骤。
 
 第一步：挖掘业务含义。
 
 首先要了解市场部想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化，重点在于如何通过数据手段衡量转化效果；也可以进一步根据转化效果，优化不同渠道的运营策略。
 
 第二步：制定分析计划。
 
 以 “投资 理财 ” 为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及最终转化的效果。记下俩可以持续关注这些人重复购买理财产品的次数，进一步判断渠道质量。
 
 第三步：拆分查询数据。
 
 既然分析计划中需要比对渠道流量，那么我们需要各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。
 
 第四步：提炼业务洞察。
 
 根据数据结果，比对广告投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。假设移动搜索效果不好，可以思考是否产品适合移动端的客户群体；或者仔细观察落地页表现是否有可以优化的内容等，需找出业务洞察。
 
 第五步：产出商业决策。
 
 根据数据洞察，指引渠道的决策制定。比如优化移动端落地页，更改用户运营策略等等。
 
 DOSS 思路
 
 DOSS 思路是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。快速规模化有效的增长解决方案，DOSS 是一个有效的途径。
 
 数据分析的八种方法
 
 数字和趋势
 
 看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。
 
 维度分解
 
 当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。
 
 用户分群
 
 针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群（segmentation ）的手段。我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。
 
 转化漏斗
 
 绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。
 
 其中，我们往往关注三个要点：
 
 01）从开始到结尾，整体的转化效率是多少？
 
 02）每一步的转化率是多少？
 
 03）哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？
 
 行为轨迹
 
 关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量（UV）和页面访问量（PV）这类指标，断然是无法全面理解用户如何使用你的产品。
 
 通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。
 
 留存分析
 
 在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。
 
 除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。
 
 A/B 测试
 
 A/B 测试用来对比不同产品设计／算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。
 
 要进行 A/B 测试有两个必备因素：第一，有足够的时间进行测试；第二，数据量和数据密度较高。因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。
 
 数学建模
 
 当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。
 
 当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。
 
 我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。当然，仅仅掌握单纯的理论还远远不够，实践出真知。

7. 数据分析必读干货：简单而实用的3大分析方法

导读：数据分析师需要哪些“专业技能”？如果有人建议你去学习R语言、tableau、PowerBI，那么我建议你不如先从最基础也是最核心的数据分析方法学起。 
  
 在一家年销售不到10亿的电商公司（行业中大部分电商企业年销售可能都不到1个亿），你只要掌握一些基础的数据分析方法，再配合Excel表格，就足够你完成各种数据化运营工作了。
  
  本文主要讲解日常数据分析中，最常用的三大数据分析方法 。内容虽然简单，但是其中充满了大量的细节方面的实用技巧。
                                          
  01 对比 
  
 对比是所有数据分析方法中最基础，也是大家耳熟能详的一个。俗话说，无对比，不分析。说的就是对比分析法了。
  
 在实际分析场景中，对比有不同的应用维度。比如有环比、同比、横比、纵比、绝对值对比，相对值对比等。下面我们分别解释一下它们的不同应用场景。
  
  1. 绝对值对比与相对值对比 
  
 从概念上而言，绝对值包含正数、负数和零值。在电商数据分析中，一般是指正数之间的对比较多，如销售额、退货额等；相对值对比，则是指转化率、完成率等这类相对数之间的对比。
  
  2. 环比 
  
 环比是指统计周期内的数据与上期数据的比较，比如2017年6月数据与2017年5月数据的比较。
  
 在电商数据分析中，由于每个自然月之间的销售差额比较大，如果采用绝对指标，便很难通过对比观察到业务的变化。
  
 因此，一般会采用相对指标来做环比分析，如2017年6月的销售达标率是102%，2017年5月的销售达标率是96%；这样便很容易知道两个月度之间转化率的好坏优劣了。然而，如果我们用绝对值来对比：2017年6月销售额500万，2017年5月销售额300万，这样的对比便很难判断究竟哪个月的销售额完成得更好。
  
  3. 同比 
  
 同比是指统计周期内数据与去年同期数据之间的对比，比如2017年6月销售额是500万，2016年6月销售额是450万，同比增加11.1%。
  
 在电商分析中，同比是应用最广泛的数据分析方法。通过同比，我们能大致判断店铺的运营能力在最近一年中，是保持增长还是呈下滑趋势。
  
 同时，也可以根据同比增长趋势，来制订初步的销售计划。如表3-4所示，假设现在店铺流量同比下降8%（流量下降是平台趋势），客单价保持不变的情况下，要想实现店铺销售业绩的上升，唯有提升转化率。
  
 因此，我们通过表3-4的模拟推算，可以得知，当转化率提升21%，到达0.35%时（0.35%转化率被认为是行业的平均值），业绩会提升11%。
  
 ▼表3-4 店铺销售计划推算模拟表
                                          
  4. 横向对比与纵向对比 
  
 所谓横向对比与纵向对比，是指空间与时间两个不同的维度之间的对比。横向对比是空间维度的对比，指同类型的不同对象在统一的标准下进行的数据对比。如“本店”与“竞品”之间的对比；纵向对比是时间维度的对比，指同一对象在不同时间轴上的对比。如前面提到的“同比”“环比”都是纵向对比。
  
  5. 份额 
  
 严格地说，“份额”属于横向对比的一种。由于在实际分析场景中它经常会被忽略，因此单独罗列出来，加以说明。
  
 在某些情况下，数据表格中多一个“份额”，会让表格清晰明了许多。
  
 如表3-5所示，假设我们要分析“某品牌天猫、京东、唯品会三大渠道”的“上衣、下衣、连衣裙和其他”在“Q1～Q4季度”的销售趋势和表现。常规的分析方法是，按照表1的表格结构，将各种数据有层次地展现出来。这时，所有的销售数据在表格中可以层次分明地一览无余。
  
 ▼表3-5 以份额处理的数据表格
                                          
 但是，如表1这般的数据却不能直观告诉我们每个销售类别在不同渠道和不同季度的销售趋势是什么。因此，在数据分析中便需要加入表2这样的“份额”分析表格。如此，我们便可一目了然地掌握每个类别在不同渠道、不同时期的销售趋势。因此也就达到了数据分析的目的。
  
 很多数据分析师往往只是完成了“表1”的分析步骤，却缺少临门一脚，没有把“表2”也同步呈现出来。
                                          
  02 细分 
  
 细分，是一种从概念上理解非常容易，但实际应用起来却很难的分析方法。
  
 细分分析法，常用于为分析对象找到更深层次的问题根源。难点在于我们要理解从哪个角度进行“细分”与“深挖”才能达到分析目的。就好像高中课程中解几何题一样，如果找对了“解题思路”，问题就迎刃而解；如果“解题思路”错了，劳心费力不说，问题还解决不了。
  
 在实际应用中，细分有许多不同的方法，就如同我们在解题时，有各种不同的“解题思路”一样。有时候，面对同一个问题，两个不同的解题思路都可以达到解题的目的；但更多时候，只有唯一正确的解题思路才可以正确地解题。所以，在分析之前，选择正确的‘细分’方法便非常重要。
  
 下面，我们就具体来看一下，在细分分析中，有哪些解题思路。
  
  1. 分类分析 
  
 就是指对所有需要被分析到的数据单元，按照某种标准打上标签，再根据标签进行分类，然后使用汇总或者对比的方法来进行分析。
  
 在服装行业中，常用于做分类分析的标签有“类目”“价格带”“折扣带”“年份”“季节”等。
  
 通过从“年份”“季节”的维度来对商品库存进行细分，我们可以轻松地知道有多少货属于“库存”，有多少货属于“适销品”；
  
 通过从“折扣带”的维度来对销售流水进行细分，我们可以大致知道店铺的盈利情况；
  
 通过从“类目”的维度对销售流水和库存同时进行细分，我们可以知道统计周期内品类的销售动态与库存满足度。
  
  2. 人—货—场 
  
 “人—货—场”能够为人提供宏观视野的分析。其原理类似于分类分析，即将所有需要被分析到的数据单元，打上“人”“货”“场”的标签，然后再进行相应的数据分析与处理。
  
 在实际应用场景中，“人—货—场”分析法往往被灵活运用在初步诊断某一竞品店铺时。
  
 如图3-3所示是利用“人—货—场”逻辑方法来分析竞品店铺的主流思路。在分析之前，先把“解题思路”用“人—货—场”的方式罗列出来，把所有能够想到的有用的“分支”都罗列出来，然后查漏补缺、标注重要与非重要。最后，再按此“解题思路”来进行分析。便可达到事半功倍的分析效果。
                                          
 ▲图3-3 利用“人—货—场”细分方法初步分析竞品店铺
  
  3. 杜邦分析法 
  
 细分分析方法中，还有一种知名的分析方法，叫“杜邦分析法”。在电商数据分析中，杜邦分析也是常被使用的分析方法之一。
  
 百度百科中对杜邦分析的解释是：“杜邦分析法（DuPont Analysis）是利用几种主要财务比率之间的关系来综合分析企业的财务状况。具体来说，它是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。”由此可见，杜邦分析主要是用于企业的财务分析之中。
  
 但是在电商中，杜邦分析常被用于寻找销售变化的细小因素之中。如图3-4所示，便是根据杜邦分析原理，将所有影响到销售额的量化指标都统计出来的一种常用分析方法。此种方法，有助于我们从细小的数据颗粒中找到影响销售变化的元素。
                                          
  ▲图3-4 销售变化的原因分析 
                                          
  03 转化 
  
 转化分析是电商、游戏等互联网行业的特定分析方法，在传统行业的零售分析中并不常见。转化分析常用于页面跳转分析、用户流失分析等业务场景。
  
 转化分析的表现形式一般是选用漏斗模型，如图3-5所示，便是模拟了某电商店铺的流量转化情况，并以漏斗图的形式展现出来。
                                          
 ▲图3-5 电商常见的流量转化漏斗图
  
 这张图模拟了从店铺的浏览商品人数到加购人数，然后生成订单、支付订单，直到最后支付成功的漏斗示意图。
  
 从图3-5的示例中，反推“转化”分析方法，我们应该得到以下结论：
  
 转化分析方法的前提，是我们需要首先确定一条“转化路径”（如图3-5左侧的路径所示），这条路径就是我们的“解题方法”，是决定我们接下来的分析能否达成目标的重要因素。
  
 当“转化路径”确定后，我们需要把“路径”中的各个“节点”罗列出来，并把节点下的重要数据统计出来。
  
 最后，根据路径把各节点的数据用漏斗图的形式表达出来。
  
 同时，转化分析还可用于店铺微观方面的“转化”洞察。譬如在某一次店铺举行大促活动时，我们需要分析大促期间“活动二级页”的流量转化效果如何。此时，我们便可以参照如图3-6所示的漏斗模型。
                                          
 ▲图3-6 活动页效果分析的漏斗图
  
 在以上案例中，我们将转化路径定义为“活动页→详情页→支付页面（下单）→支付成功（购买）”四个节点。然后统计每个页面的流量到达数量，于是得出如图3-6所示的漏斗图。
  
 通过此图，可以清晰明确地诊断出此次活动二级页在“下单→付款”环节转化率仅40%，存在一定问题。在支付界面的流量跳失，很可能是价格过高所致。
    
 本文摘编自《电商数据分析与数据化运营》，经出版方授权发布。

8. 有关数据分析的7个方法论

距离2018Tableau峰会--上海站已经过去10天了，好记性不如烂笔头，干货太多很想把所有内容都记录下来，下面分享一篇《有关数据分析的7个方法》并结合我工作当中的一些心得~
  
 当我们拿到海量的数据时，可能会因为数据体量过大而无从下手，于是我们就变成了数据的搬运工，老板实际上要的是一瓢数据，而我们给老板的是一池数据让老板在数据的池水中翱游。好的数据分析是让数据说话，那么我们怎样来让数据说话呢，上干货~~~7个分析方法
  
 1. 数据随时间变化 ：某一个指标在日期维度上的变化，找寻异常、趋势
  
 tips：结合已知的事件来看待它的影响，最大值和最小值、异常值，等拐点都可以成为挖掘故事的金矿，可以将跨度时间切割为年度、季度、月度等，比较正常和不正常值的差异来探究异常。
  
 结合工作当中的实例：上海一门店进行促销，老板一般会看截止某一时间节点的销量，当时我们在分析销量的时候我们分析了按小时的销量，发现门店的销量会在早晚高峰出现销量上升，但在晚高峰时突然出现了销量的短时下跌，后来结合CCTV发现门店因为进货短时间人手不足等原因造成销量下降。
  
 2. 数据的放大与缩小 
  
 tips:集中关注某一特定区域或者范围的数据，将其与其余的数据做对比，可以先从整体入手并选择感兴趣的的数据区间，或者从某些有特征的数据点入手，查看数据是否存在异常
  
 结合工作当中的实例：每月在做月度分析的时候，比如涉及销量完成率等这一个指标，我们一般会先看当月的情况，根据预算分配，我们会再考察YTD的情况。
  
 3. 数据的对比 
  
 tips:展示不同区域或者不同类别为什么会呈现不同的现象，通常是将一个群组/维度/项目与另外一个做对比
  
 确认对比的目的，比如证实或伪证自己的猜想，对比不一定需要产生于在同一层级之间，可以个体VS个体，VS整体/平均/中位数
  
 结合工作当中的实例：我们在年初的时候，公司对亏损的门店进行指标分析和量化，我们选取了销量-服务-效率等几个维度进行对比。对于具体门店到具体指标时，我们采用门店指标与公司中位数进行对比。
  
 4. 数据的上钻/下钻 
  
 tips:在具有层级结构的数据中探索某一维度是如何影响全局的，可以有自下而上或者自上而下
  
 当选择到底是自下而上还是自上而下时，考虑你的听众更熟悉的背景，如果他们是只处理工作流程的某一具体环节的同事，那么选择自下而上；如果他们是对全局有宏观把控但是你需要他们关注某些具体细节的领导，那么选择自上而下。
  
 结合工作当中的实例：每月在做月度分析的时候，我们一般都会先关注公司整体销售数据，具体销量数字和完成预算情况，此外还会关注重点销售区域的销售数据，对于预算完成较差的区域，我们进一步再关注具体门店的情况。
  
 5.突出值/异常值
  
 tips:发现表现异常的时间段/个体，通过散点图或者盒须图进行呈现。异常值越突出，故事效果越好，越容易给观众以深刻的印象，用不同的颜色或者注释标记出异常值以达到突出的效果。结合其他的叙述类型来挖掘出异常值背后的故事。
  
 结合工作当中的实例：笔者所在的行业为零售行业，每天的零售销售数据很多，记得一次月度汇报，销量Top5的门店竟然出现在利润后十名的表单中，当时细究原因是财务在账务处理时将利润进行了分割。此外，对于异常数据笔者发现很多情况是由于底层数据未经处理而导致数据不干净。
  
 6. 数据的交叉点 ：多条趋势线的相互交叉，或者某一个体超越了另外一个个体的时间节点
  
 tips:通常代表着某种转折或某个标志性的时间，展示时将交叉点之前时段的数据带入到故事当中可以让听众对交叉点产生时的背景有大致了解，同样可以结合其他的故事类型一同讲述。
  
 结合工作当中的实例：我们在做数据分析时，我们会对比同期销量趋势，对于本年度销量大于上一年度销量的月份，我们会具体去看上涨的原因，具体是因为某一营销政策、竞争对手等原因。
  
 7.剖析原因：
  
 tips:在关注某一指标时，分析哪些因素会影响该指标的表现，分析两个角度之间的关系。
  
 一个普遍应用的结构叫做“Goldilocks", 先展示一个并非特别相关的因素，然后再讲述特别恰当的影响因子。如果有一个大家普遍认为很重要的因素但事实上并没有想象中那么重要，说明后面还有一个更恰当的因素。
  
 结合工作当中的实例：我们在分析门店亏损情况的时候，通常会先找到几个可能影响利润的几个指标，然后进行参考环比数据进行解释，当我们用现有的几个指标不能解释利润变化的时候，说明我们查看的影响因素还不够全面或者门店周围环境发生了重大改变。