主讲人：李启方 微信公众号：数据分析不是个事儿 课程PPT（鼠标放在ppt上出现下载按钮）
完整的数据分析.pptx
课程笔记

一、完整的数据分析流程

以一个电商数据分析场景为例：

业务方需求：公司第2季度的营收利润怎么下降了这么多？帮忙分析一下这个季度利润下滑的原因？

数据分析流程就是上一节课（传送门）提及的5个关键词：

1. 拆解问题
2. 数据获取
3. 数据清洗
4. 分析手段
5. 业务价值

1. 拆解问题：确定分析目标

1. 业务问题是什么？

   为什么第2季度公司挣的钱少了？

1. 业务的目的是什么？

   结合业务价值，给业务人员一个结果。基于利润下滑的原因，找到提高净利润的方法。表面上问的是“为什么”，实际是想知道“怎么办”。

1. 业务目标拆解之后是什么？

   基于业务模式或营销模式，看“利润”能拆解成什么。电商的业务模式：客户看中了你的产品或服务，你把产品或服务卖出去，完成一个订单。因此可将订单的利润拆解为a.客户、b.产品或服务两个模块进行分析。

1. 用到什么分析维度？

   过去的：原因诊断 未来的：趋势预测 现在的：现象评估

1. 最终的分析目的？

   基于以上，得出分析目的：通过分析用户和产品两个模块，对企业的收入和成本进行异常值的原因诊断分析。

2. 建立指标体系

建立指标顺序：体->面->线->点，逐层拆解指标。 此处省略【点】的拆解，点是指可用于表征业务逻辑的数据指标，比如：”活跃”的数据指标可以是PV、UV等，后面细说。

3. 数据采集和清洗

数据采集后面细讲，本次主要讲解数据清洗

3.1 清洗什么数据（WHAT）？

• 不完整的数据

  • 数据缺失
  • 字段缺失
  • 缺失必要的逻辑关系

• 前后不一致的数据

  • 字段和结构名不一致

• 已经损坏的数据

  • 数据有偏差
  • 数据文件有损坏
  • 数据存储格式有误

3.2 怎么清洗数据（HOW）？

• 筛选

  • 数据包含一些不必要的字符，如网络爬到的数据包含一些类似%22的编码解码

• 清除

  • 不需要的字段直接删除
  • 先要备份原始数据，或者直接取数进行分析，不可破坏原始数据集

• 补充

  • 以业务知识或经验推测填充缺失值
  • 以同一指标的计算结果填充缺失值
  • 以不同指标的计算结果填充缺失值

• 修正

  • 时间、日期、数值、全半角等显示格式不一致，需将其处理为统一格式

4. 数据分析

本节以新用户为例进行分析

4.1 新用户的影响因素1：拉新

• 拉新=引流=流量分析，确定分析目的

  将拉新转化为流量分析，通过对流量的分析，找到利润异常的原因。通过调整，尝试提高流量，并最终保证流量的稳定性。

• 指标体系

  PV、UV、访问次数(visits)、平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)

• 数据提取-数据清洗-数据加工

  从数据库中取出数据，清洗后导入分析软件，进行可视化分析，具体会在实操章节讲解。

4.1.1 找流量规律

看整体流量，找规律。从4.1.1到4.1.5，体会从大到小逐步细分

一天当中，访问集中在9点到11点和14点到17点这段工作时间
一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日
一般来说，流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的，第二季度UV值持续下降

4.1.2 找流量异常

放大颗粒度，找异常流量

| 3月21日到4月17日到流量图中，工作日到流量一般都维持在2400左右，保持平稳

4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑
原因可能是对手购买了竞价排名、自己的seo做的不好等等。

4.1.3 细分流量

对异常流量，从渠道、业务等维度细分流量

| 例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的范围

业务流量对比，发现业务3、4下降，因此进一步缩小业务范围

4.1.4 分析流量结构

| 流量结构一般可分为渠道结构、业务结构、地区结构，通过查询一段时间内的各结构占比，了解流量组成。

如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想办法提高app流量占比。
下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。

4.1.5 分析活动

| 对流量的追踪，一般就是对流量的监控，观察活动前、活动中、活动后的变化情况，评估活动效果

一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动
如果活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动

4.1.6 流量对新用户影响的结论

3-4月份新用户的拉新减少了，代表着我们的客户减少，原因在于流量的降低。

细分分析后发现是PC端的整体流量降低，无论是PV、UV还是转化率等，初步结论是：

1. 竞品购买了竞价排名，我们的SEO降低，考虑购买竞价，将SEO排名做上去；
2. app端占比太少，过度依靠PC端，考虑加大对app端的推广和优化，为app端用户提供更好服务，可以考虑app端的活动形式，提高app端的流量入口；
3. PC端上在业务3、4的流量降低，说明业务3、4在手机端上不能满足用户需求，或者不是用户所需要的，或者是已经过时，建议降低这两个业务在app上的占比。

4.2 新用户的影响因素2：转化

• 转化=转化率：分析目的

  了解转化路径的各环节情况，分析其异常或不合理情况，进行调整，以提升各环节的转化率

• 指标体系

  静默转化率、注册转化率、登录转化率、咨询转化率、付款转化率等等

• 转化环节

  浏览页面（下载app） -> 注册 -> 登录 -> 添加商品到购物车 -> 下单 -> 付款 -> 完成交易

4.2.1 追踪环节异常

| 在4月17日到21日中间，转化率出现下滑趋势，常见的原因是公司运营部门投入了某个渠道进行推广，新的渠道带来了新的流量，而该渠道所引入的用户质量却偏低，拉低了整体的转化率

在4月22号之后，转化率开始抬头，并且维持了较高转化率，一般这种情况下短期内是活动带来，长期是产品改进带来的

4.2.2 环节分析

| 下单到付款中的转化率过低，猜测是：

1. 又看了下其他家的商品或服务，发现了更好的，就取消了付款；
   1. 付款前习惯性的问下相关的人进行确认，然后发现计划有变，所以取消付款；
   1. 到了付款的时候发现居然不支持支付宝，无奈取消付款；
   1. 下单后被告知没货；
   1. 页面好卡，怒而弃之；
   1. 余额不足
   

4.2.3 细分环节分析

| 各渠道的转化率差别较大，其中pc端转化率明显偏低，而各业务之间的转化率差别不大，基本可以确定，是pc端存在问题，导致转化率偏低

各业务的转化率差别不大，但是也能看出来业务E的付款转化率是要低一些的，说明是业务本身的原因，可能是因为没货

4.2.4 对比环节分析

| 多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。

对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。
从行业上看，我们的转化率远远偏于正常值，从日期上对比，我们的转化率也降低了很多。

4.2.5 渠道环节分析

| 在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情况。

一般来说渠道7和渠道8是价值比较大的渠道，我们需要从这里打开突破口

4.2.6 时间环节分析

| 该业务的付款与成交一般在前四周完成，而第五周开始趋于稳定。

知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。
另外可制定四周内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四周时间足够完成服务检查、订单确认等工作。

4.2.7 转化对新用户影响的结论

3-4月份新用户的转化率降低了，代表着我们的客户转化变少。

细分分析后发现是PC端的付款转化率异常，初步结论是：

1. 公司引入的新渠道的转化率太低，还吸引走了大部分流量，建议重新考虑新渠道的价值，降低甚至取消新渠道业务。
2. PC端的付款系统有问题，可能是设计问题、造成卡顿，或者是货存问题、无法提前告知用户，建议改进付款系统。
3. 建议加大渠道7、渠道8的投放力度，能够尽量提升转化率。
4. 建议对第五周没有付款的用户进行追踪，主动询问，提高转化率。

二、数据分析职业问题解答

1. 入职数据分析后，该做什么？

2. 数据分析是否有中年危机？是否加班？

结论：有中年危机，加班看情况

• 天花板问题：行业天花板比较低，30-35岁出现分水岭，关键是对业务方面是否理解的透彻
• 技术容易被抛弃
• 管理岗位加班严重，普通分析人员是否加班与能否控制好沟通成本有关