正文

怎樣進行數據分析（數據分析怎么分析）

發(fā)布時間：2023-03-18 23:12:25 稿源：創(chuàng)意嶺閱讀： 1356 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于怎樣進行數據分析的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網頁版、PC客戶端

官網：https://ai.de1919.com，如需咨詢相關業(yè)務請撥打175-8598-2043，或微信：1454722008

本文目錄:

1、如何做數據分析
2、如何進行有效的數據分析
3、常用的數據分析方法有哪些？
4、如何進行有效地數據分析工作？

怎樣進行數據分析（數據分析怎么分析）

一、如何做數據分析

做數據分析步驟如下：

1.明確目的和思路

首先明白本次的目的，梳理分析思路，并搭建整體分析框架，把分析目的分解，化為若干的點，清晰明了，即分析的目的，用戶什么樣的，如何具體開展數據分析，需要從哪幾個角度進行分析，采用哪些分析指標（各類分析指標需合理搭配使用）。同時，確保分析框架的體系化和邏輯性。

2.數據收集

根據目的和需求，對數據分析的整體流程梳理，找到自己的數據源，進行數據分析，一般數據來源于四種方式：數據庫、第三方數據統(tǒng)計工具、專業(yè)的調研機構的統(tǒng)計年鑒或報告、市場調查。

對于數據的收集需要預先做埋點，在發(fā)布前一定要經過謹慎的校驗和測試，因為一旦版本發(fā)布出去而數據采集出了問題，就獲取不到所需要的數據，影響分析。

3.數據處理

數據收集就會有各種各樣的數據，有些是有效的有些是無用的，這時候就要根據目的，對數據進行處理，處理主要包括數據清洗、數據轉化、數據提取、數據計算等處理方法，將各種原始數據加工成為產品經理需要的直觀的可看數據。

4.數據分析

數據處理好之后，就要進行數據分析，數據分析是用適當的分析方法及工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論的過程。

常用的數據分析工具，掌握Excel的數據透視表，就能解決大多數的問題。需要的話，可以再有針對性的學習SPSS、SAS等。

數據挖掘是一種高級的數據分析方法，你需要掌握數據挖掘基礎理論，數據庫操作Phython，R語言， Java 等編程語言的使用以及高級的數據可視化技術。要側重解決四類數據分析問題：分類、聚類、關聯(lián)和預測，重點在尋找模式與規(guī)律。

5.數據展現

一般情況下，數據是通過表格和圖形的方式來呈現的。常用的數據圖表包括餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點圖、雷達圖等。進一步加工整理變成我們需要的圖形，如金字塔圖、矩陣圖、漏斗圖、帕雷托圖等。

6.報告撰寫

撰寫報告一定要圖文結合，清晰明了，框架一定要清楚，能夠讓閱讀者讀懂才行。結構清晰、主次分明可以使閱讀者正確理解報告內容；圖文并茂，可以令數據更加生動活潑，提高視覺沖擊力，有助于閱讀者更形象、直觀地看清楚問題和結論，從而產生思考。

好的數據分析報告需要有明確的結論、建議或解決方案。關于如何做好數據分析的更多問題，可以到一家專業(yè)的機構看看，例如CDA數據認證中心就不錯。CDA行業(yè)標準由國際范圍數據領域的行業(yè)專家、學者及知名企業(yè)共同制定并每年修訂更新，確保了標準的公立性、權威性、前沿性。通過CDA認證考試者可獲得CDA中英文認證證書。

二、如何進行有效的數據分析

首先，我們要明確數據分析的概念和含義，清楚地理解什么是數據分析;

什么是數據分析呢，淺層面講就是通過數據，查找其中蘊含的能夠反映現實狀況的規(guī)律。

專業(yè)一點講：數據分析就是適當的統(tǒng)計分析方法對收集來的大量數據進行分析，將他們加以匯總、理解和消化，以求最大化的開發(fā)數據的功能，發(fā)揮數據的作用。

那么，我們做數據分析的目的是什么呢？

事實上，數據分析就是為了提取有用的信息和形成結論而對數據加以詳細的研究和概括總結的過程。

數據分析可以分為：描述性數據分析、探索性數據分析、驗證性數據分析

工作中我們運用數據分析的作用有哪些？

1、現狀分析：就是企業(yè)運營狀況的分析，主要是各項指標的監(jiān)控以及日報、周報、月報等

2、原因分析：需求分析，多數是針對運營中出現的問題進行剖析，找出出現問題的因素以便于解決問題

3、預測分析：針對以后的運營情況做出分析報告，對公司以后的發(fā)展趨勢做出有效的預測，對公司的發(fā)展目標和策略制定做出有力的支撐。

最重要的一點：

我們如何做數據分析呢，換一句話說就是如何進行數據分析，是怎樣的流程？

然后，我們來看數據分析的六部曲

1、明確分析目的和思路：

這一定很重要，你想通過數據分析得到什么，你想通過數據分析告訴別人什么，這是你做數據分析的首要問題，分析不能是漫無目的的，一定要明確思路，有目的性、有計劃性的去做數據分析。找好角度、指標、以及分析邏輯尤為重要。

2、數據收集，這里不做過多的說明，一般情況下，數據來源都會可靠有效。我們要做的只是把我們需求的數據get即可。

3、數據處理：

主要包括數據清洗、數據轉化、數據提取、數據計算等方法，數據分析的前提是要保證數據質量，如果數據質量無法保證，分析出來的結果也沒法得到有效的利用，甚至會對決策者造成誤導的行為。

4、數據分析：

首先要明確數據處理和數據分析的區(qū)別：數據處理只是數據分析的基礎，我們做數據處理就是為了保證數據形式合適，保證數據的一致性和有效性。

5、數據展現：

數據展現就是把數據分析的結果，用可視化的圖標形式展現出來，用一種簡單易懂的方式表達出你分析的觀點

6、撰寫報告：

數據分析報告其實就是對整個數據分析過程的一個總結與呈現，通過報告把數據分析的起因、過程、結果及建議完整的呈現出來，供決策者參考。

三、常用的數據分析方法有哪些？

常用的列了九種供參考:

一、公式拆解

所謂公式拆解法就是針對某個指標，用公式層層分解該指標的影響因素。

舉例：分析某產品的銷售額較低的原因，用公式法分解

二、對比分析

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。比如在時間維度上的同比和環(huán)比、增長率、定基比，與競爭對手的對比、類別之間的對比、特征和屬性對比等。對比法可以發(fā)現數據變化規(guī)律，使用頻繁，經常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的銷售額還是趕超。

三、A/Btest

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業(yè)務數據，最后分析評估出最好版本正式采用。A/Btest的流程如下：

（1）現狀分析并建立假設：分析業(yè)務數據，確定當前最關鍵的改進點，作出優(yōu)化改進的假設，提出優(yōu)化建議；比如說我們發(fā)現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了

（2）設定目標，制定方案：設置主要目標，用來衡量各優(yōu)化版本的優(yōu)劣；設置輔助目標，用來評估優(yōu)化版本對其他方面的影響。

（3）設計與開發(fā)：制作2個或多個優(yōu)化版本的設計原型并完成技術實現。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優(yōu)化方案的流量設置可以較小，根據情況逐漸增加流量。

（5）采集并分析數據：收集實驗數據，進行有效性和效果判斷：統(tǒng)計顯著性達到95%或以上并且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統(tǒng)計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。

（6）最后：根據試驗結果確定發(fā)布新版本、調整分流比例繼續(xù)測試或者在試驗效果未達成的情況下繼續(xù)優(yōu)化迭代方案重新開發(fā)上線試驗。

流程圖如下：

四、象限分析

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變?yōu)椴呗?，從而進行一些落地的推動。象限法是一種策略驅動的思維，常與產品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

高點擊率高轉化的廣告，說明人群相對精準，是一個高效率的廣告。高點擊率低轉化的廣告，說明點擊進來的人大多被廣告吸引了，轉化低說明廣告內容針對的人群和產品實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容針對的人群和產品實際受眾符合程度較高，但需要優(yōu)化廣告內容，吸引更多人點擊。低點擊率低轉化的廣告，可以放棄了。還有經典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

象限法的優(yōu)勢：

（1）找到問題的共性原因

通過象限分析法，將有相同特征的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優(yōu)化策略

針對投放的象限分析法可以針對不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發(fā)展客戶、重點保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。給重點發(fā)展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優(yōu)惠措施來吸引他們回歸。

五、帕累托分析

帕累托法則，源于經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用于任何行業(yè)。找到重點，發(fā)現其特征，然后可以思考如何讓其余的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量并構建ABC模型。比如某零售企業(yè)有500個SKU以及這些SKU對應的銷售額，那么哪些SKU是重要的呢，這就是在業(yè)務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，并將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，并計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業(yè)貢獻80%利潤的客戶是哪些，占比多少。假設有20%，那么在資源有限的情況下，就知道要重點維護這20%類客戶。

六、漏斗分析

漏斗法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用于像新用戶的開發(fā)、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環(huán)節(jié)。相鄰環(huán)節(jié)的轉化率則就是指用數據指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然后用轉化率來衡量每一個步驟的表現，最后通過異常的數據指標找出有問題的環(huán)節(jié)，從而解決問題，優(yōu)化該步驟，最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化，我們要做的就是監(jiān)控每個層級上的用戶轉化，尋找每個層級的可優(yōu)化點。對于沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

還有經典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品運營中比較常見的一個模型，結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環(huán)節(jié)，可以進行數據的橫向和縱向對比，從而發(fā)現對應的問題，最終進行不斷的優(yōu)化迭代。

七、路徑分析

用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監(jiān)測，可以用來衡量網站優(yōu)化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業(yè)務目標，引導用戶更高效地完成產品的最優(yōu)路徑，最終促使用戶付費。如何進行用戶行為路徑分析？

（1）計算用戶使用網站或APP時的每個第一步，然后依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。

（2）查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶后，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。

（3）進行路徑優(yōu)化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。

（4）通過路徑識別用戶行為特征。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。

（5）對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，并對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什么問題。還有一種方法是利用算法，基于用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復的過程，例如提交訂單后，用戶可能會返回首頁繼續(xù)搜索商品，也可能去取消訂單，每一個路徑背后都有不同的動機。與其他分析模型配合進行深入分析后，能為找到快速用戶動機，從而引領用戶走向最優(yōu)路徑或者期望中的路徑。

用戶行為路徑圖示例：

八、留存分析

用戶留存指的是新會員/用戶在經過一定時間之后，仍然具有訪問、登錄、使用或轉化等特定屬性和行為，留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認定的留存為例：

第一種日留存，日留存又可以細分為以下幾種：

（1）次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數

（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數

（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數

（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數

（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數

第二種周留存，以周度為單位的留存率，指的是每個周相對于第一個周的新增用戶中，仍然還有登錄的用戶數。

第三種月留存，以月度為單位的留存率，指的是每個月相對于第一個周的新增用戶中，仍然還有登錄的用戶數。留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

九、聚類分析

聚類分析屬于探索性的數據分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結果要求組內對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以借助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯(lián)性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

可以看到，數據可以被分到紅藍綠三個不同的簇（cluster）中，每個簇應有其特有的性質。顯然，聚類分析是一種無監(jiān)督學習，是在缺乏標簽的前提下的一種分類模型。當我們對數據進行聚類后并得到簇后，一般會單獨對每個簇進行深入分析，從而得到更加細致的結果。

四、如何進行有效地數據分析工作？

1、簡單趨勢

通過實時訪問趨勢了解供應商及時交貨情況。如產品類型，供應商區(qū)域(交通因子)，采購額，采購額對供應商占比。

2、多維分解

根據分析需要，從多維度對指標進行分解。例如產品采購金額、供應商規(guī)模(需量化)、產品復雜程度等等維度。

3、轉化漏斗

按照已知的轉化路徑，借助漏斗模型分析總體和每一步的轉化情況。常見的轉化情境有不同供應商及時交貨率趨勢等。

4、用戶分群

在精細化分析中，常常需要對有某個特定行為的供應商群組進行分析和比對;數據分析需要將多維度和多指標作為分群條件，有針對性地優(yōu)化供應鏈，提升供應鏈穩(wěn)定性。

5、細查路徑