标签：挖掘   维度   问题   转化率   除了   上层   常见   视角   的区别   

一、数据分析

本章 9 种数据分析方法：对比分析、多维度拆解、漏斗观察、分布情况、用户留存、用户画像、归因查找、路径挖掘、行为序列

二、如何进行对比分析

2.1 比什么

 注意：

（1）只看绝对值，不知道问题的严重程度

（2）易受到极端值影响

2.2 怎么比 

（1）环比：与当前时间范围相邻的上一个时间范围对比

（2）同比：与当前时间范围上层时间范围的前一范围中同样位置数据对比

2.3 和谁比

总结：

（1）比什么：绝对值、比例值

（2）怎么比：环比、同比

（3）和谁比 ：和自己比，和行业比

 三、如何进行多维度拆解

数据分析的本质就是用不同的视角去拆分、观察同一个数据指标。

3.1 对业务流程，拆解维度 

3.2 多维度拆解的适用场景

（1）分析单一指标的构成

　　- 分栏目的播放量

　　- 新老用户比例

（2）针对流程进行拆解分析

　　- 不同渠道的浏览、购买转化率

　　- 不同省份的活动参与漏斗

（3）还原行为发生时的场景

 　　- 打赏主播的等级、性别、频道

　　- 是否在 WiFi 或 4G 环境下

总结 多维度拆解

（1）运作原理

　　- 指标/业务流程需要按照多维度拆分，来观察变动

（2）适用场景

　　- 需要分析单一指标的构成、比例时

　　- 需要针对流程进行拆解分析

　　- 需要还原行为发生时的场景

四、漏斗观察的分析方法

漏斗是一连串向后影响的用户行为

4.1 建立漏斗时容易掉的坑

4.1.1 漏斗一定是有时间窗口的

根据业务实际情况，选择对应的时间窗口

- 按天：对用户心智的影响只在短期内有效（如短期活动）

- 按周：业务本身复杂/决策成本高/多日才能完成（如理财/美股开户）

- 按月：决策周期更长（如装修买房）

注意：漏斗周期过长，包含了太多无关的信息；漏斗周期过短，扔掉了很多有用的信息。

4.1.2 漏斗一定是有严格顺序的

不可以用「ABCDE」的漏斗，看「ACE」的数据。

4.1.3 漏斗的计数单位可以基于「用户」，也可基于「事件」

（1）往往基于「用户」

　　- 关心整个业务流程的推动　

（2）往往基于「事件」

　　- 关心某一步具体的转化率

　　- 无法获知事件流转的真实情况

4.1.4 建立漏斗时容易掉的坑 

总结 漏斗观察

（1）运作原理

- 通过一连串向后影响的用户行为来观察目标

（2）适用场景

- 适用：有明确的业务流程和业务目标

- 不适用：没有明确的流程、跳转关系纷繁复杂的业务

五、发布分析的方法

5.1 常见的群体划分

（1）事件频率

（2）一天内的时间分布

（3）消费金额的区间

5.2 分布情况

（1）运作原理

- 从事件在不同维度中的分布来观察，以便理解该事件除了累积数量和频次外，更多维度的信息

（2）适用场景

- 已经知道一群用户完成了指定事件，但需要对用户群体进行细分，按不同的维度和价值将他们划分为不同群体，分别进行后续的维护或分析。

- 已经知道单个事件的完成次数，希望知道这些次数拆分到不同维度后的分布情况，以便更清晰地了解该事件的完成情况。

 六、用户留存的分析方法

6.1 适用场景

（1）评估产品功能粘性

（2）验证产品长期价值

6.2 计算方法

（1）一般的计算方式

　　- 将某一时间段的用户 ID 与另一时间段的用户 ID 做交叉去重

（2）精准留存

- 过滤进行过指定行为的用户 ID，再计算

- 将用户分为不同的群体后，观察其之间留存的区别

03 数据分析基础

标签：挖掘   维度   问题   转化率   除了   上层   常见   视角   的区别   

原文地址：https://www.cnblogs.com/ykxlh/p/11217575.html