编辑导语:数据分析是通过适当的统计分析方法，对收集到的大量数据进行分析，并对其进行总结、理解和消化，从而最大限度地发挥数据的功能，发挥数据的作用。在本文中，笔者分享了七种常用的数据分析方法。推荐工作中需要数据分析的用户阅读。

数据分析一直是我们互联网人辨别方向的不二法门。我们通过观察数据来判断事物的发展趋势，经常运用数据思维来辩证地做出决策参考。

下面就对七种常见的数据分析进行详细的分解，让我们的数据分析少走弯路。

从这幅图中你能分析出什么？

从左到右，X轴是点击率，从下到上，Y轴是转化率，形成四个象限，这就是我们要讲的象限分析。根据每一次营销活动的点击率和转化率找到对应的数据标注点，然后将这次营销活动的效果归入每个象限，四个象限代表不同的效果评价。

1.象限分析的功能

(1)找到问题的共同原因

通过象限分析，对具有相同特征的事件进行归因，总结共同原因。比如案例第一象限的事件可以提取有效的推广渠道和推广策略，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

针对投放的象限分析可以针对不同的象限建立优化策略，比如提高象限二的投放创意和象限四的投放渠道。

1.什么是公式反汇编分析法？

所谓公式拆解法，就是把一个指标的影响因素用公式表达出来。比如日常销售的影响因素就是各种商品的销量。找到影响因素后，就要对影响因素进行拆解。

看这张图，以日常销量为例，我们做了一个公式反汇编分析。这个拆解由五层组成，最后一层是推广效果的衡量。

一级:找出日销售额的影响因素:

日销售额=每种商品的销售额之和，也可以分解为每个渠道的销售额和每个销售人员的销售业绩之和。公式反汇编分析的第一步是确定要分析的指标，然后找出这个指标的直接影响因素。

二级:找出每种商品销售的影响因素:

每种商品的销售额=销售数量*单价。

第二级拆解需要找到目标指标的影响因素，比如每种商品销量的影响因素是该商品的销量和单价，这里是一个简单的示例算法，在实际分析中，还需要计算优惠政策等因素。

第三级:找出销量的构成:

销售数量=新客户购买数量+老客户购买数量+复购用户购买数量。

这里销售数量的拆解是根据买家的特点来划分的。这种分析的目的是找出不同客户购买的影响因素。但在实际应用中，由于分析目的不同，指标影响因素的分解也有所不同。例如，销售数量可以分解为渠道A销售+渠道B销售+渠道C销售。

第四层:寻找新客户的来源:

店铺新增客户数=渠道A新增客户数+渠道B新增客户数+渠道C新增客户数+…

这种拆分的目的是找出不同渠道用户的后续转化特征，从而找到购买力高的用户源渠道。

第五级:计算渠道推广的回报:

渠道推广回报的计算方法是渠道A新客户销售额-推广费用。

从日常销售拆解到最后一步，渠道推广效果分析拆解，也就是店铺新客户的拆解。同样，也可以进行老客户拆解或者回购客户。比如复购用户可以拆解复购周期、复购次数、累计复购数量等因素。，并给予专门的购买渠道对用户进行复购或提供绑定购买政策，如年卡。

公式反汇编法是一种问题的层次分析法。在拆解之前，不要盲目拆解，需要有目的的找到方向，这样才能挖掘出原因。比如上述案例的拆解过程中，拆解方向可以分为两种，一种是拆解优秀指标找出销量上升的原因，一种是拆解不良指标找出销量下降的原因。

1.什么是比较分析法？

上图是常见的直方图，直方图的作用是直观的比较各种数据之间的差异。

以上柱状图是9月份各渠道获得的客户统计数据对比分析图，对比了各渠道的下载量、访问量、注册量。

比较的第一点:比较是基于同一个标准维度。

在这个图中，首先要注意的是，各种数据的比较要建立在同一个维度上。这张图是9月渠道推广效果对比统计，9月是第一个对比标准，也就是时间维度。

在时间维度上，后续比较的结果都是基于这个标准，即9月份时间范围内的数据比较无法与本图表中10月份的数据进行比较。当然，除了时间维度，还可以使用空之间的维度，比如1-12月A频道月度数据对比。不管用什么维度，比较都要建立在一个大的标准上。

对比点二:分离出相关影响因素。

在时间这个大维度下，我们对各渠道的获客效果进行拆分，即获客效果的衡量分为访问量、下载量和注册量。以这三个维度的数据作为判断渠道客户的标准，从对比中找出每个渠道的优缺点。

例如，从这个图表中，我们可以看到频道A的访问量最高，频道B的下载量最高，频道A的注册量最高。那么这个对比结果能告诉我们什么呢？我们可以看到，A通道从接入到下载的损耗严重，B通道从下载到注册的损耗严重。在C频道的访问量和下载量低于其他频道的基础上，C频道和a频道的注册量并没有太大差别。

也就是说，我们可以提出一个假设，渠道C获得更好的客户。为了证明这一假设，我们可以在影响因素中加入渠道传递成本这个维度。如果A渠道因为成本高而准入高，C渠道因为成本低而准入低，那么这个假设基本可以被证明。

对比点三:数据对比需要建立数据标准。

在这幅图中，我们可以看到一个奇怪的现象。B频道的下载量高于访问量。为什么会这样呢？

我们在这个图表中添加了一个中间标准数据，并对每个数据进行了标准转换。假设访问的真实数据是10000，标准数据是1，下载的真实数据是1000，标准数据是1，注册的真实数据是100，标准数据是1。

经过标准数据的换算，当我们把所有的数据放在一张图表上，对比的差异会更加明显。

对比分析的维度可分为同比、环比、定基比等不同的对比方法:对比分析是基于同一数据标准，找出其他影响因素引起的数据差异，对比分析的目的是找出差异背后的原因，进一步探索优化方法。

1.什么是可行域分析？

左边的图片是福格模型的图片。福格大哥把影响用户行为动机的因素分为三个因素:mat。

m是采取行动的动机，A是采取行动的能力，T是触发行动的条件。简单的理解就是，人只对自己感兴趣，有能力满足的事情，才会引发下一步的行动。

比如新iphone卖一万块，大部分人都买得起，这就赋予了他们采取行动的能力，而行为的动机取决于新iphone的创新能力。当乔布斯从作品集里拿出ipad的时候，所有人的动力都被调动到了最高点，但是价格限制了一部分人的行动能力。

动机越高，需要付出的能力越低，形成的有效触发区域越广。Fogg模型的触发有效区域称为可行区域。

2.可行域分析的应用

看右上方的图表，是促进创造力的象限分析。横轴代表从低到高的点击量，纵轴代表从低到高的转化率。

点击率代表营销思路的有效性，转化率代表推广渠道的精准性。在这个图表中，我们分为四个象限，但在高点击和高转化的象限中，具体数据也有差异。诸葛io——专注用户行为分析。首先，我们看到两条红色曲线。我们在高点击、高转化的区域画一条红色曲线。该曲线的上部是“高可行区域”,下部是低可行区域。在低转化、低点击的象限，我们还画了一条曲线，这条红色曲线下面就是最不可行的区域。

这是什么意思？

其实点击率和转化率是细化分层的。点击率和转化率是每一个推广创意的数据表达，画出可行域是营销活动的分类。

那么这条曲线应该画在什么样的数据标签上呢？

这需要在实际的分析工作中进行总结，也就是说，可行域分析实际上是我们自己建立的一个数据分析模型，根据具体的数据不断地修正和调整可行域的范围，以有效地评价经营指标。

除了两条红色曲线，还有两条蓝色曲线，一条是渠道可行区，一条是创意可行区。这两条曲线是渠道效果和创意效果的评价。符合相应区域条件的事件，可视为有效的事件体验，为后续运营成长提供支撑。

根据经济学规律，80%的财富掌握在20%的人手里，而在运营中，可以发现80%的贡献来自于20%的用户。

这张图展示了两个定律，即二八定律和长尾理论。在数据分析中，建议将这两种理论结合起来。

但其实二八法则和长尾理论是相反的。二八法则告诉我们，你要关注头部用户，也就是能产生80%收入的20%用户或商品，而长尾理论告诉我们，要关注长尾效应，也就是剩下的20%收入。

1.二八法则在数据分析中的应用

在数据分析中，二八法则和长尾理论应用于用户分析和业务分析:

(1)20%的头部用户:为什么这么好

在用户分析中，通过二八法则对用户进行分组，将所有用户一个接一个的切割成一个个实验组，对实验组中的用户进行个体特征分析。目的只有一个，都是用户。你为什么这么优秀？

在数据分析中，个体分析和群体特征分析一样重要。但是我们不可能对几万个用户进行个体分析，但是对头部用户进行个体行为分析，建立群体样本是可能的。

在运营数据的分析中，可以根据核心指标找到20%的用户:

也就是说，如果你想提高任何一个指标，你都会找到在这个指标上表现优秀的用户。那么如果20%的用户有很多用户呢？您可以主动设置数据间隔。

比如为了提高用户的访问时间，可以分析头部用户的访问内容和路径来找出原因，20%的头部用户的访问时间在10分钟到30分钟不等。然后我们可以把头部用户的接入市场分为10分钟、15分钟、20分钟、25分钟、30分钟，得到不同的用户群，从这个用户群中找到对应的20%用户进行特征分析。

这里需要注意的是，同组20%用户的特性改进只对同组剩余80%用户有效。例如，在访问10-15分钟的用户中，前20%用户的行为特征对其余80%的用户可以有效，但对每天访问5分钟的用户效果并不显著。

(2)头部业务的20%:领导者应有的意识

商业分析的目的是发现爆款内容的特征。

比如在资讯产品中，阅读头文章的分析，一方面是分析文章的特点，另一方面是分析阅读用户。

爆款文章或商品的背后，代表了大部分用户利益的满足，充分调动了用户的行为动机。在用户分析中，我们需要进一步找到这些用户日常阅读的头部内容，进行特征延伸分析。

1.假设分析方法是什么？

举个栗子:

“小明和妈妈买了10本书，刚好花了100元。图书单价8元13元。你分别用8元和13元买了几本书？

解决方案想法:

首先，假设这10本书都是8块钱买的，那么这10本书一共是80块钱，还有额外的20块钱。这是个错误吗？不是，很明显多出来的20是13元一本书的额外费用。13元的书比8元的书多5元，20元可以买4本。那么我们可以得出结论，13元的书有4本，8元的书有多少本？

是的，六本书。

这个六年级的数学题用到了假设。假设所有的书都是8块钱，那么数据分析中的假设是什么？可以理解，假设法是一种在影响结果的变量中假设一个量，反向推导过程的数据分析方法。

2.假设方法在运算分析中的应用

假设方法在操作分析中有两种最常见的情况:

情景一:对已知结果找原因，对过程变量做假设。

比如某内容社区11月的发帖量比10月下降了20%。如何分析造成这种结果的原因？

面对这样一个不合理的问题，应该如何分析？结果帖子数量下降了20%。影响岗位数量的因素有哪些？

我们可以按照用户层级来拆分发帖量，比如老用户的发帖量和新用户的发帖量，也可以按照具体的发帖量来拆分，比如发帖5个以上的用户，发帖3-5个的用户，发帖1-3个的用户。拆分后可以对比11月和10月同维度的数据，找出变量。

比如拆解后发现，发1-3篇的用户比10月份下降了40%，发其他文章的用户比10月份高，所以问题出在发1-3篇的用户。

那么为什么发1-3帖的用户减少了呢？我们可以做两个假设:

然后根据这两个假设，需要跟踪分析10月份发1-3篇文章的用户和11月份发3-5篇或以上文章的用户，分析11月份新用户和10月份新用户的留存和活跃度对比。

情景二:知道目标寻找过程，做结果假设。

比如12月的销售KPI是1000万，比11月增长20%。如何制定销售计划？

这是制定工作计划时最常见的需求。以12月需要达到1000万的销售KPI为例，拆分销售KPI的相关影响因素，也有两个拆解维度:

(1)从商品角度拆分

要实现1000万的销量，有很多假设，比如假设现有产品销量与11月份持平，新品销量达到200万，那么为了实现这个结果假设，就要制定一个能够支撑200万销量的流程计划，比如在促销渠道预算、仓储物流、人力配置等方面做计划。你也可以提出几种产品销量增长的假设；

(2)从人群角度分开

要实现1000万的销售额，一方面挖掘老客户的购买力，另一方面增加新客户的来源渠道，假设老客户回购销售500万，那么为老客户设计营销活动。

假设分析是实际应用中常用的数据分析思路之一。数据分析的过程就是不断提出假设和验证假设的过程。通常情况下，我们不知道如何开始数据分析，这可以通过假设的方法来打破。

简单来说，将住户划分为同期组后，不同同期组住户的同一指标称为同期组分析。

1.同期群体分析的作用

比如9月新增用户10万，10月新增用户15万，但是9月30日新增用户1万，10月30日新增用户1万。哪个月的经营业绩比较好？

通过同期的分组分析可以发现，9月和10月新用户的留存用户是相同的，所以9月留存率更高。从用户质量来看，9月份的运营效果更好。从有效用户来看，两个月的运营结果是一样的，从新增用户来看，10月的运营结果更好。

同期群分析的目的是通过现象找出结果，在时间维度上建立同期群。除了考虑时间维度，还可以在其他维度如来源渠道建立同期组。

以上是七种常见的数据分析方法，只是一些基本概念。希望能有点帮助。

至于在实际工作中如何应用这些方法，那就非常复杂和困难了。需要将这些方法适应自己的业务，甚至根据实际业务进行一些修改，这需要大量的实践和思考。

中国的互联网时代刚刚完成野蛮生长阶段，大家对流量获取已经有了理解和应用，但在互联网时代的下半场，对数据的理解和应用将成为制胜的关键。

我始终相信互联网行业的未来在运营，运营的未来在于精细化运营和有效的数据分析与管理。不断学习，工作中用数据说话吧。

本文由@诸葛io原创发布。每个人都是产品经理。未经许可，禁止转载。

图片来自Unsplash，基于CC0协议。