数据分析入门

来源：B站：15天精通数据分析

数据分析的定义

数据分析是指根据分析目的，用适当的分析方法及工具，对数据进行分析，提取有价值的信息，形成有效结论的过程。

数据分析的作用

通过观察数据知道当前发生了什么？
通过具体的数据拆解，理解为什么发生？
预测未来会发生什么？
支撑商业决策。

数据分析的应用场景

运营：活动运营；内容运营；商品运营；用户运营：用户分类；用户生命周期
产品：产品功能；产品体验；产品调研；用户需求调研
市场：商务合作效果；渠道推广效果；投入产出比

数据分析的能力的要求：数据敏感性；对于业务的深刻理解；良好的逻辑思维能力；统计分析能力；熟练使用数据分析工具；数据解读能力，直击核心；对于数据的应用能力。

数据分析的不同阶段的能力表现：
入门（能解决基础问题）：
深度理解各个数据指标代表的含义，并且能够及时的发现数据中的问题和机会；
能够熟练运用各种数据分析工具，分析数据中的问题，提出有价值的意见和建议。
进阶（分析深度）：
快速，准确，深度理解数据代表的含义，并且能够快速找到问题的根源；
能够根据不同的数据分析需求，选择不同的分析维度和方法，对数据进行挖掘，发现其中存在的规律性，为
业务提供前瞻性的数据建议。
专业（分析深度和广度）：
能够根据不同的业务形态，参与到业务的规划中，根据业务特点建立一整套的数据分析体系；
能够从不同的角度对整个行业形式和竞争对手进行分析，并且结合自身的业务特点，给出影响管理决策层的 意见和建议。

数据分析的流程

需求分析；数据提取；数据清洗；数据分析；报告撰写；报告分享；投入应用，收集反馈。

数据分析的前提—数据类型：
定性数据（一般通过问卷调查获取）：
分类数据：男女、天气等（不能区分大小、不能加减、不能乘除）
顺序数据：满意度评分、幼儿园、小学、中学、大学等（可以区分大小）
定量数据（一般通过日志获取）：
数值型数据离散型：用户数、消费次数（可以加减）
数值型数据连续型：成绩、消费金额等（可以乘除）

数据分析的前提—数据收集：
数据埋点：如UV/PV、用户数、用户停留时间、浏览页面等用户行为数据
第三方的数据平台：如Growing IO、SimilarWeb、Google Analytics、国家统计局网站
问卷调查：线上问卷调查，制作问卷工具：如问卷星；线下问卷调查；电话回访等

数据分析的前提—数据整理：
数据异常表现：空值；波动太大；不同数据源获取的数据矛盾
数据异常原因：系统故障；人为因素
数据如何清洗：删除异常值；平均值填充；通过统计计算值填充；不同数据源的数据交叉验证

常用数据分析指标

网站分析指标：UV、PV、点击率、转化率、网页停留时间、网站停留时间、跳出率、退出率等
渠道分析指标：新增用户数、用户转化率、渠道ROI、渠道流量、渠道流量占比
活动效果指标：活动点击率、活动参与人数、活动转化率、活动ROI
收入指标：付费人数、转化率、订单数、客单价、GMV、复购频次、毛利率、毛利额
用户类型指标：新增用户、活跃用户、留存用户、回流用户、流失用户等
用户价值指标：用户最近一次下单时间、用户下单频次、用户消费总金额

构建全面的数据分析体系

构建全面的数据分析体系：拆分数据指标。

横向拆解数据指标体系原则：
应遵循MECC原则，相互独立，完全穷尽；
同一类型的数据在同一层级。

纵向拆解数据原则：
拆解的时候最多选择一条主流程；
主流程应该选择大多数用户的操作流程。

构建全面的数据分析体系：不同类产品关注指标
电商类产品：
GMV=流量转化率客单价
毛利额=流量转化率客单价毛利率
工具类/社区类产品：
活跃用户数=新增活跃用户数+已有活跃用户数
=新访客流量新用户激活率+已有用户数老用户留存率
游戏类产品：
付费收入=活跃用户数付费率ARPU
=（新活跃用户数+留存用户数）付费率ARPU
=（渠道流量转化率+老用户数次日留存率）付费率*ARPU
O2O类产品：
订单完成率=已完成订单数/需求订单数
=（新用户订单数+老用户订单数）/（新用户需求数+老用户需求数）

常用分析框架

QQ模型

数量（绝对数）：用户数；浏览量；点击量
质量（相对数）：留存率；转化率；参与率

用户行为理论

认知：
网站访问：PV、UV、访问来源
熟悉：
网站浏览：平均停留时长、跳出率、页面偏好
站内搜索：搜索访问次数占比
试用：
用户注册：注册用户数、注册转化率
使用：
用户登录：登录用户数、访问登录比
用户订购：订单数、转化率
忠诚：
用户黏性：回访者比率、访问深度
用户流失：用户流失数、流失率

5W2H分析法

What:产品提供什么服务？用户的核心需求是什么？
Who:谁是目标用户？用户有什么特点？
Where:用户一般在什么场景使用产品？用户主要分布在哪里？
When:用户在什么时候使用产品？
Why:用户为什么要使用产品？产品有什么地方吸引用户？
How:用户如何使用产品？用户的使用路径是什么？
How much:用户在产品上花费了多少钱或多少时间？

5W2H分析法案例：蜗牛阅读
What:提供的服务：电子图书阅读服务，以出版类图书服务；领读人带领阅读；
Who:用户：喜欢阅读的一般用户、领读人：用户数、活跃用户数、KOL数
Where:用户主要分布哪些城市，用户来源的主要渠道
When:用户使用时间分布、用户使用时长
Why:对比其他产品的竞争优势：安装阅读时长付费；领读人功能
How:用户使用的主要功能：读书、写书评、笔记、问答、共读等；功能的点击率，使用用户数
How much:用户花费的金额：付费用户数、付费用户比例、付费金额

AARRR模型

Acquisition:用户获取
用户获取成本=（营销费用+销售费用）/同时期新增用户数
用户来源渠道：渠道新用户数、渠道新用户占比、渠道成本
Activation:用户激活
定义用户激活行为、用户激活率、激活漏斗转化率
Retention:用户留存
用户天然生命周期、用户留存率、不同用户分组留存率
Revenue:收入
付费用户数、付费用户占比、平均付费金额
Refer:推荐
推荐用户数、推荐转化率、被推荐转化率

RFM模型

R:Recency最近一次购买时间
F:Frequency购买频次
M:Money购买金额

人货场模型

人：用户数、留存率
货：商品数量、商品动销率、商品单价、客单件
场：网站、渠道、点位数、展示位置

常用数据分析方法

常用的数据分析方法有哪些？
对比分析法、分组分析法、矩阵关联分析、逻辑树分析方法、漏斗分析法

对比分析法

使用场景：用于判断某个数据是好还是坏，以及某几个数据之间的差异性
时间对比：同比、环比、变化趋势
空间对比：不同城市、不同产品对比
目标对比：年度目标、月度目标、活动目标
用户对比：新用户vs老用户、注册用户vs未注册用户等
竞品对比：渠道、功能、体验和流程、推广和收入

分组分析法

不同时间分组：日、周、月、年等
不同产品类型分组：产品属性；产品区域
不同用户类型分组：人口属性（性别、年龄）；客户价值；消费频次
不同渠道分组：线上渠道、线下渠道；付费渠道、免费渠道
使用场景：用于数据包含的信息多样化，且各种类型的数据之间差异较大，用于分析不同类型数据之间的差异，经常与对比分析法一起使用。

逻辑树分析法

分层罗列影响因素，发现问题

使用场景：通过将复杂数据层层拆解，用于发现复杂数据中的问题和机会

GMV.xmind

漏斗图分析

用于发现某个行为路径中的问题

矩阵关联法

对2-4个重要属性进行分析
SWOT矩阵：优势；劣势；机会；威胁
波士顿矩阵：市场份额；市场增长率
满意度矩阵：重要性；满意度
使用场景：当判断某个事物有多重属性时，且各个属性之间没有直接的关联性，需要根据多重属性判断事物的结果。

案例：渠道分析，以UV和转化率做矩阵图。

实战

实战一：渠道效果分析

1.各渠道拉新数量
2.各渠道来源占比
3.渠道成本：
首单成本
次月留存成本=首单成本/次月留存率

发现哪个渠道有提升空间，优化方案（AB测试）

新方案提升效果分析

渠道质量主要评估标准：
拉新效果：首单数
成本：首单成本、次月留存成本

渠道漏斗转化率：优化转化率

渠道效果分析：
渠道的拉新能力
渠道的首单成本
渠道的留存成本
渠道的转化率漏斗

实战二：优惠券分析

优惠券主要分为两种形式：一种是定向推送的优惠券，一种是活动页用户主动领取的优惠券。

分析思路：优惠券领取和使用数量
优惠券成本
优惠券拉新效果

优惠券使用率分析：满减门槛；折扣比例

优惠券ROI分析：满减门槛；折扣比例。
折扣比例越低，优惠券ROI越高。

优惠券拉新效果：满减门槛；折扣比例

优惠券效果分析：
不同类型优惠券使用率
不同类型优惠券的ROI
不同类型优惠券的拉新数

实战三：用户留存分析

案例：
背景：通过新用户复购率和高频用户特征的分析，希望通过对不同类型用户特征的分析找到提高用户复购率和购
买频次的方法。
分析思路：通过讨论，猜测新用户不同的购买习惯，对于复购率有不同的影响。
现需要对购买不同产品类型的新用户进行分组分析，验证新用户的购买习惯对于复购率的影响。
结论：通过对新用户7日内购买的不同品类的产品的分析，发现7日内购买过饮料的用户的复购率要比没有购买 过饮料的用户的复购率平均高出70%左右。
所以，提升新用户在7日内的购买饮料的比例，有利于提升新用户的复购率。

随着天气渐热，购买饮料的新用户数和用户数占比都在逐步上升。

结论：1.有冷藏柜的点位的饮料销量占比要明显高于没有冷藏柜的点位。
2.截止6月20日营业中的有冷藏柜的点位数占比上海、广州占比较高，对于天气较热的城市，建议可以增 加冷饮柜的投放，以增加饮料商品的销售占比。
分析：购买饮料的新用户数占比；各城市有无冷饮柜的点位数占比

高频用户特征分析：每7天不同购买频次的用户购买的商品类型占比

结论：
1.在14天之后周期内的用户复购率增长比较缓慢，所以，建议将14天未进行复购的用户定义为流失用户，在用户最近一次购买日期距今快到14天时，通过短信通知，优惠券发放提醒，新品上架提醒等方式及时唤起用户复购。
2.在新用户第一次下单的7天内（包括当天）如果有购买饮料，复购率和留存率要明显高于未购买饮料的用户。
3.有冰柜的点位销售的饮料占比要明显高于没有冰柜的点位，所以，建议可以增加各个城市的有冰柜的点位数量。
4.购买频次越高，购买的酒水饮料的商品数量占比就越大，休闲食品的占比越小。

用户留存分析：
新用户生命周期分析
不同类型新用户的留存率
如何提升新用户的留存率
高频用户的购买商品特征

实战四：商品分析

背景：通过对网站的邮轮旅游产品分析，将产品分为引流产品、主推产品、高毛利产品等，以便进行精细化运营，价格敏感用户，品质敏感用户，时间敏感用户
引流产品：单价低，销量高
主推产品：单价高，销量高
高毛利产品：毛利高
分析维度：产品类型、产品区域、产品天数

结论：陆地+邮轮产品的毛利率要明显高于单船票的产品，可以作为高毛利的主打商品。

商品分析：
商品订单数
商品GMV
商品客单价
商品毛利率

数据分析报告

数据分析报告：根据分析目的，进行数据分析，来反映某项事物的现状与问题，分析研究原因、本质和规律，并得出结论、提出解决方案的一种呈现应用文体。

基础数据报告：如日报/周报
列明重点关注的数据指标
波动异常的数据，注明原因
对于近期的关注的重点动作注明进展

综合性分析报告：如月报/季度报告、竞争对手分析报告
通过对长时间数据的同比和环比，分析数据波动的原因，找到业务的问题和机会点
注明目前重点项目的进展以及问题情况
总结成败得失，给出意见和建议

专题型分析报告：如活动复盘、用户分析报告等
针对某个专项活动或目的进行细化的分析
总结项目的成败原因，得出经验教训

报告的基本要求：
分析背景和目的清晰
取数时间和逻辑标记清晰，外部数据注明出处
避免结论和数据相互矛盾
观点、结论清晰，并且结论一定基于报告中已呈现的数据，有理有据，避免主观臆测
呈现方式文不如表，表不如图，文字和配色尽量简洁

报告的思路：金字塔思维
金字塔思维的报告更适用于专题性分析报告，针对专门问题的分析，可以先抛出结论和建议，然后通过数据论证结论。

金字塔思维.xmind

报告的思路：总分总结构

总分总结构的报告适用于写综合性分析报告：先叙述本次分析的背景和目的，然后通过对各个部分的业务和问题的分析，最后再汇总结论和建议。

总分总结构.xmind

报告的展现：ppt母版的运用

母版作用：设计统一版式；添加LOGO；批量修改内容

报告的展现：文字提炼原则

问题：没有观点；观点缺乏提炼；观点与内容脱节
文字提炼原则：
要言之有物：
删除不重要的话
删除不表达观点的描述性语言
要写简单完整句：
8月份的销售
8月份的销售完成了计划的120%

报告的展现：图表展现

表格：提供详实的数据清单；突出页面的重点数据
图表：强化重点数据信息；直观且清晰表达逻辑关系

报告的展现：配色原则

单色原则：颜色数量尽量少，建议不要超过3种
同一页面上更多使用颜色相近的色彩，例如：红、淡红、粉红、淡粉红

对比原则：页面整体协调，局部重点突出
保持页面整体颜色统一的情况下，对局部需要强调的部分，使用明亮的对比色