七種常見的資料分析方法拆解,打工人必備|6000字解析

七種常見的資料分析方法拆解,打工人必備|6000字解析

這是諸葛io的第433篇資料分析乾貨

資料分析一直是我們網際網路人辨別方向的不二法門,我們透過對資料的觀測來判斷事物的發展趨勢,也常常利用資料的思維來辯證的為決策做參考。

下面就給大家詳細拆解

七種常見的資料分析法

,讓我們的資料分析少走彎路。

01

象限分析法

從這張圖,你能分析出來什麼呢?

七種常見的資料分析方法拆解,打工人必備|6000字解析

X軸從左到右是點選率的高低,Y軸從下到上是轉化率的高低,形成了4個象限,這就是我們要說的象限分析法。

針對每次營銷活動的點選率和轉化率找到相應的資料標註點,然後將這次營銷活動的效果歸到每個象限,4個象限分別代表了不同的效果評估。

象限一:

高點選高轉化,點選高代表營銷創意打動了受眾,轉化高代表被打動的受眾是產品的目標使用者;

象限二:

高轉化低點選,同樣的,高點選代表被打動的受眾是產品的目標使用者,但低點選代表的是營銷創意沒有打動使用者;

象限三:

低點選低轉化,這個象限是最糟糕的營銷活動了,投放廣告點選少,點選使用者轉化低,創意無效,使用者不精準;

象限四:

高點選低轉化,這個象限的營銷活動要給策劃和文案加雞腿,但就要給渠道扣績效了。這種象限的營銷活動一定程度上有標題黨的嫌疑。

象限分析法有什麼用?

1。

找到問題的共性原因

;透過象限分析法,將有相同特徵的事件進行歸因分析,總結其中的共性原因。例如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。

建立分組最佳化策略

;針對投放的象限分析法可以針對不同象限建立最佳化策略,例如提升象限二的投放創意,象限四的投放渠道。

02

公式拆解法

什麼是公式拆解分析法?

所謂公式拆解法就是針對某項指標,用公式表現該指標的影響因素,例如日銷售額的影響因素是各商品的銷售額,找到影響因素後,需要對影響因素的影響因素進行拆解。

七種常見的資料分析方法拆解,打工人必備|6000字解析

看這張圖,以日銷售額為例做了一次公式拆解分析,這次拆解一共包括了5層,最後一層是對推廣效果的衡量。

第一層:找到日銷售額的影響因素

日銷售額=各商品的銷售額之和,也可以拆解為各渠道的銷售額之和、各銷售人員的銷售業績之和。公式拆解分析法的第一步是需要確定要分析的指標,然後找到這個指標的直接影響因素。

第二層:找到各商品銷售額的影響因素

各商品銷售額=銷售數量*單價

第二層拆解需要找到影響目標指標的影響因素,例如各商品銷售額的影響因素是商品的銷量和單價,這裡是簡單舉例演算法,在實際分析中,還需要計算優惠政策等因素。

第三層:找到銷售數量的構成因素

銷售數量=店鋪新客購買數量+店鋪老客購買數量+復購使用者購買數量

這裡對銷售數量的拆解是針對購買人群的特徵來劃分的,這樣分析的目的在於找出不同客群的購買影響因素。而在實際應用中,因分析目的的不同,對指標影響因素的拆解也不同,例如銷售數量可以拆解為渠道A銷量+渠道B銷量+渠道C銷量。

第四層:找到新客的來源

店鋪新客購買數量=渠道A轉化新客購買數量+渠道B轉化新客購買數量+渠道C轉化新客購買數量+……

這樣拆分的目的在於找出不同渠道來源使用者的後續轉化特徵,從而找到購買力高的使用者來源渠道。

第五層:計算渠道推廣回報

渠道推廣回報的計算方式就是A渠道新客銷售額-推廣成本。

從日銷售額拆解到最後一步,是拆解出了對渠道推廣效果的分析,這是對店鋪新客的拆解,那麼同樣,也可以對店鋪老客或者復購客戶進行拆解,例如復購使用者可以拆解出復購週期、復購次數、累計復購數量等因素,對復購使用者給予特殊購買通道或提供有約束力的購買政策,例如年卡之類的。

公式拆解法是針對問題的層級式解析,在拆解之前,不能盲目拆解,需要有目的性的找方向,從而挖掘原因。例如在上文案例的拆解過程中,拆解方向可以分為兩種,一種是對績優指標的拆解,找出銷售額上漲的原因,另一種是對績劣指標的拆解,找出銷售額下降的原因。

03

對比分析法

什麼是對比分析法?

七種常見的資料分析方法拆解,打工人必備|6000字解析

上面這張圖表是一個常見的柱狀圖,而柱狀圖的作用在於直觀對比各項資料之間的差異。

上面這張柱狀圖是針對9月份各渠道獲客統計的一個對比分析圖表,針對各渠道的下載量、訪問量、註冊量進行對比。

對比要點一:對比建立在同一標準維度上

在這張圖中,首先要關注到的對比要點是各項資料的對比要基於同一維度。這張圖是針對9月份的渠道推廣效果的對比統計,9月份就是第一個對比標準,也就是時間維度。

在時間維度下,後續對比的結果都是基於這個標準產生的,也就是在9月份這個時間範圍內的資料對比,並不能用10月份的資料與這個圖表中的資料對比。當然,除了時間維度,也可以使用空間維度,例如渠道A在1-12月每月的資料對比。無論用什麼維度,對比要建立在一個大的標準下。

對比要點二:拆分出相關影響因素

在時間這個大維度下,我們對各渠道的獲客效果進行了拆分,也就是將獲客效果衡量分為了訪問量、下載量和註冊量。這三個維度的資料作為判斷渠道獲客的標準,從對比中找出各渠道的優劣。

例如透過這個圖表可以看出,渠道A的訪問量最高,渠道B的下載量最高,渠道A的註冊量最高,那麼這樣的對比結果能夠說明什麼問題呢?

我們能夠看到,渠道A從訪問到下載的流失比較嚴重,渠道B從下載到註冊的流失比較嚴重,而渠道C在訪問量、下載量都低於其他渠道的基礎上,渠道C的註冊量與渠道A並沒有相差太多。

也就是說,我們可以提出一個假設,渠道C的獲客效果更好,為了印證這個假設,我們可以在影響因素中再加入渠道投放花費這個維度,如果渠道A的高訪問是因為高花費,渠道C的低訪問是因為低花費,那麼基本可以印證這個假設。

對比要點三:各項資料對比需要建立資料標準

在這張圖中能夠看到一個比較奇怪的現象,渠道B的下載量比訪問量還要高,為什麼會這樣呢?

我們在這張圖表中加入了一箇中間標準資料,對各項資料進行了一次標準換算。假設訪問量的真實資料為1萬是,標準資料為1,下載量的真實資料為1千時,標準資料為1,註冊量的真實資料為100時,標準資料為1。

經過標準資料的換算,我們將各項資料放在一張圖表上時,對比的差異化會更明顯。

對比分析法的維度可以分為同比、環比、定基比等不同的對比方法:對比分析在於看出基於相同資料標準下,由其他影響因素所導致的資料差異,而對比分析的目的在於找出差異後進一步挖掘差異背後的原因,從而找到最佳化的方法。

04

可行域分析

什麼是可行域分析?

七種常見的資料分析方法拆解,打工人必備|6000字解析

上方左側圖是一張福格模型的圖,福格大哥將影響使用者行為動機的因素拆分為mat三個因素。

m是付出行動的動機,a是付出行動的能力,t是觸發行動的條件,簡單理解就是大眾只對自己感興趣並且有能力滿足的事物會產生下一步行為。

比如新iphone賣1萬,大多數人是買的起的,這就有了付出行動的能力,而產生行為的動機就取決於新iphone的創新能力,當喬布斯從檔案袋裡掏出ipad的時候,將大家的動機調動到了最高點,但價格限制了一部分人付出行動的能力。

動機越高,需要付出的能力越低,形成的有效觸發區域就越廣,福格模型的觸發有效區,我們就將其稱之為可行域。

那麼可行域分析該怎麼用呢?

七種常見的資料分析方法拆解,打工人必備|6000字解析

看上方右側圖表是針對推廣創意做的一次象限分析,橫軸代表點選量的從低到高,縱軸代表轉化率的從低到高。

而點選率代表的營銷創意的有效性,轉化率代表的是推廣渠道的精準性,在這張圖表上我們分成了4個象限,但同樣是高點選、高轉化的象限中,也有具體資料的差別。

首先我們看到2條紅色的曲線,在高點選和高轉化的區域中我們畫了一條紅色曲線,這條曲線上方是“高可行域”,曲線下方是低可行域;而在低轉化與低點選的象限中我們也畫了一條曲線,這條紅色曲線的下方是最不可行域。

什麼意思呢?

其實就是對點選率和轉化率的高低做了一個細化分層,點選率和轉化率是每一次推廣創意的資料化表現,而畫出一個可行域,是對營銷活動的歸類。

那麼這條曲線到底要畫在什麼樣的資料標籤上?

這需要在實際分析工作中做總結,也就是說,可行域分析實際上是一種自己建立的資料分析模型,根據具體資料不斷修正調整可行域的範圍,對業務指標進行有效評價。

除了兩條紅色曲線外,還有兩條藍色曲線,一條是渠道可行域,另一條是創意可行域,這兩條曲線是對渠道有效性和創意有效性的評價,滿足相應區域條件的事件即可作為有效事件經驗,為後續的運營增長提供支援。

05

二八分析法

經濟學定律中說80%的財富掌握在20%的人手中,而在運營中可以發現,80%的貢獻度來自於20%的使用者。

七種常見的資料分析方法拆解,打工人必備|6000字解析

這張圖中體現了2個法則,也就是二八法則和長尾理論,在資料分析中,建議將這個兩個理論合起來用。

但實際上呢,二八法則和長尾理論是相對的,二八法則告訴我們說,你要重視頭部使用者,也就是能產生80%收益的那20%的使用者或商品,而長尾理論告訴我們說要重視長尾效應,也就是剩餘那20%的收益。

那麼在資料分析中,這兩個模型要怎麼用呢?

在資料分析中,二八法則和長尾理論和應用於使用者分析和業務分析2個方面:

20%的頭部使用者:憑什麼那麼優秀?

在使用者分析上,透過二八法則建立使用者分群,將所有使用者切割成一個又一個的實驗組,對實驗組的使用者進行單體特徵分析,目的只有一個,同樣都是使用者,憑什麼你們那麼優秀?

在資料分析中,單體分析與群體特徵分析同樣重要,然而我們不可能對上萬的使用者進行個體分析,可能的是對頭部使用者進行個體行為分析,建立群體樣本。

在運營資料分析中,可以針對核心指標分別找到20%的使用者:

購買數量前20%的使用者

購物金額前20%的使用者

日訪問次數前20%的使用者

訪問頁面數量前20%的使用者

轉發次數前20%的使用者

……

也就是說,你想提升什麼指標,就找到這個指標表現優秀的使用者。那麼20%的使用者也很多怎麼辦呢?可以主動設定資料區間。

例如想要提升使用者的訪問時長,我們可以對頭部使用者的訪問內容、路徑進行分析找到原因,20%的頭部使用者訪問時長從10分鐘到30分鐘不等,那麼我們可以將頭部使用者的訪問市場切分為10分鐘、15分鐘、20分鐘、25分鐘、30分鐘,獲得不同的使用者組,從這個使用者組中找到相應的20%的使用者進行特徵分析。

這裡需要注意的是,同組20%使用者的特徵提升只對同組剩餘80%的使用者有效,例如訪問時長10-15分鐘的使用者中,頭部20%的使用者的行為特徵可以對剩餘80%的使用者起效,但對日訪問5分鐘的使用者效果並不大。

20%的頭部業務:帶頭大哥的應有覺悟

針對業務分析的目的在於找到爆款內容的特徵,

例如資訊類產品中對閱讀量頭部文章的分析,一方面是對文章的特徵進行分析,另一方面,是對閱讀使用者的分析。

爆款文章或商品背後,代表的是對大多數使用者興趣的滿足,充分喚起了使用者的行為動機,而在使用者分析中,我們需要進一步找到這部分使用者日常閱讀的頭部內容,進行特徵的延展分析。

06

假設分析法

什麼是假設分析法?

舉個栗子:

“小明和媽媽買了10本書,正好花了100塊錢,書的單價有8塊錢和13塊錢2種,那麼8塊錢的書和13塊錢的書各買了幾本?

解題思路:

首先,假設這10本書都是8塊錢買的,那麼10本書一共是80塊錢,那還多出來20塊錢,是算錯賬了麼?不是,顯然多出來那20是13塊錢1本的書多出來的。13塊錢的書比8塊錢的書每本多了5塊錢,20塊錢可以買4本,那麼可以得出結論了,13塊錢的書有4本,那麼8塊錢的書有幾本呢?

對了,6本。

這道6年級的數學題裡就用到了假設法,假設所有書都是8塊錢,那麼在資料分析中,什麼是假設法呢?簡單理解,假設法是在已知結果資料,在影響結果的多個變數中假設一個定量,對過程反向推導的資料分析方法。

假設法在運營分析中怎麼用?

假設法在運營分析中最常見的有2種場景:

場景一:已知結果找原因,做過程變數假設

例如:某內容社群在11月份的發帖數相比10月份下降了20%,針對這個結果,該如何分析原因?

面對這樣一個無厘頭的問題,該怎麼分析呢?結果資料是發帖數下降了20%,那麼影響發帖數的有哪些因素呢?

我們可以將發帖數量按照使用者分層進行拆分,例如老使用者發帖數量和新使用者發帖數量,也可以按照具體發帖篇數進行拆分,例如發帖5篇以上的使用者,發帖3-5篇的使用者,發帖1-3篇的使用者,拆分後將11月與10月份相同維度的資料進行對比,找出變數。

例如經過拆解後發現,發帖1-3篇的使用者相比10月份減少了40%,其他篇數的使用者量還高於10月份,那麼問題就出在了發帖1-3篇的使用者身上。

那麼發帖1-3篇的使用者為什麼減少了呢?我們可以提出2個假設:

假設10月份發帖1-3篇的使用者成長為更加活躍的使用者了,造成發帖3-5篇的使用者增加,1-3篇的使用者減少;

假設10月份發帖1-3篇的使用者流失率比較高,同時11月份新使用者轉化少,導致這一群組使用者數量變少。

那麼針對這2個假設,需要對10月份發帖1-3篇的使用者與11月份發帖3-5篇及5篇以上的使用者進行追蹤分析,同時分析11月份新增使用者與10月份新增使用者在留存和活躍上的對比。

場景二:已知目標找過程,做結果假設

例如:12月份的銷售KPI為1000萬,環比11月份上升20%,該如何做一份銷售方案?

這是在做工作計劃時最常見的需求,以12月份需要達成1000萬的銷售KPI為例,拆分銷售KPI的相關影響因素,同樣有2個拆解維度:

1。從商品角度做拆分

要達成1000萬的銷售額,有多種假設方式,例如假設現有商品銷售額與11月相同,新品銷售額達到200萬,那麼為了實現這個結果假設,去做能夠支援200萬銷售額的的過程方案,例如在推廣渠道預算上、倉儲物流上、人力配置上等方面做計劃;還可以針對幾款產品提出銷售額增長的假設;

2。從人群角度做拆分

要達成1000萬的銷售額,一方面挖掘老客戶的購買力,另一方面增加新客戶的來源渠道,假設老使用者復購銷售500萬,那麼針對老使用者設計營銷活動。

假設分析法是在現實應用中常用的資料分析思路之一,資料分析的過程是不斷的提出假設、驗證假設的過程,通常我們遇到的不知道如何下手的資料分析,可以透過假設法來破局。

07

同期群分析

簡單來說,就是將⽤戶進⾏同期群劃分後,對⽐不同同期群組⽤戶的相同指標就叫同期群分析。

同期群分析有什麼用?

例如:9月份新增使用者10萬人,10月份新增使用者15萬人,但9月份新增使用者的30日留存使用者為1萬人,10月份新增使用者的30日留存使用者也為1萬人,哪個月的運營業績更好呢?

透過同期群分析,我們可以發現9月份和10月份新增使用者的留存使用者是相同的,那麼9月份的留存率更高,從使用者質量角度考慮,9月份的運營成果更好,從有效使用者角度考慮,2個月的運營成果相同,從新增使用者角度考慮,10月份的運營成果更好。

同期群分析的目的在於透過現象找到結果,以時間維度建立同期群,除按時間維度考慮,也可以對來源渠道等維度建立同期群。

08

總結

以上是七種比較常見的資料分析法,只是一些基本的入門概念,希望有一點點幫助,

至於在實際工作中如何運用,是一件很複雜很困難的事,需要將這些方法適配到自己所在的業務,甚至需要根據實際業務進行一些修改,這都需要很多的實踐和思考。

我國的網際網路時代剛剛完成野蠻生長的階段,大家對流量的獲取已經有所理解和應用,但在互聯時代的後半場,對資料的理解和應用將成為制勝的關鍵。

我始終認為

網際網路行業的未來在運營,運營的未來則在精細化運營和有效的資料分析管理

,持續學習,讓我們工作用資料說話。

頂部