数据分析师要知道的数据分析方法论

这个问题其实是比较大的，面对一个比较大的问题，我觉得可行的方式是把它拆解下来。

所以接下来我会根据我们之前的一篇文章，从数据分析的 4 个商业分析理论、3 个常见方法、7 个具体应用手段，这三方面来介绍做数据分析时的 14 种思路。

感谢本文作者，GrowingIO 联合创始人 & 运营 VP 陈明

同时欢迎对数据分析感兴趣的朋友免费试用 GrowingIO 无埋点用户行为数据分析产品，亲自体验文中说到的数据分析方法。

Part | 1 数据分析为企业带来价值

一、商业分析目标

商业分析的目标是利用大数据为所有职场人员做出迅捷，高质，高效的决策提供可规模化的解决方案。商业分析是创造价值的数据科学。
二、企业成长模式

企业成长模式中需要一个核心业务平台，通过产生产品和价值，看到客户的业务、数据的增长。凭借这些增长累计很多数据洞察，然后根据这些洞察反推客户的需求，创造更多符合需求的增值产品和服务，形成一个完整的闭环。
三、商业分析进化论

数据商业分析中会存在很多判断。

1.观察数据当前发生了什么？

比如想知道线上渠道A、B各自带来了多少流量，新上线的产品有多少用户喜欢，新注册流中注册的人数有多少。这些都需要通过数据来展示结果。

2.理解为什么发生？

我们需要知道渠道A为什么比渠道B好，这些是要通过数据去发现的。也许某个关键字带来的流量转化率比其他都要低，这时可以通过信息、知识、数据沉淀出发生的原因是什么。

3.预测未来会发生什么？

在对渠道A、B有了判断之后，根据以往的知识预测未来会发生什么。在投放渠道C、D的时候，猜测渠道C比渠道D好，当上线新的注册流、新的优化，可以知道哪一个节点比较容易出问题，这些都是通过数据进行预测的过程。

4.商业决策

所有工作中最有意义的还是商业决策，通过数据来判断应该做什么。这是商业分析最终的目的。
四、EOI 的分析架构

EOI 的分析构架是包括 LinkedIn、eBay 在内的很多公司划分业务的基本方式。

以谷歌为例，谷歌的核心任务是搜索、SEM、广告，这是已经被证明的商业模型，可以从中获得很多利润。谷歌的战略性任务是安卓平台，可能还未盈利，但是为了避免苹果或其他厂商占领，所以要花时间、花精力做好。风险任务对于创新来说是十分重要的，比如谷歌眼镜、自动驾驶汽车。

数据分析对这三类任务的目标也不同，对核心任务来讲，数据分析是助力，帮助公司更好的盈利，完成战略模式；对战略任务来说是优化；与风险任务对应的是创新。

Part 2 | 常见的数据分析方法

一、数据分析的基本思路

数据分析应该以业务场景为起始思考点，以业务决策作为终点；

基本思路为5步，首先要挖掘业务含义、制定分析计划、从分析计划中拆分出需要的数据、再根据数据分析的手段提炼业务洞察，最终产出商业决策。

案例：

某国内P2P借贷类网站，市场部在百度和hao123上都有持续的广告投放，吸引网页端流量；最近内部同事建议尝试投放Google的SEM；另外，也需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道的投放场景下，如何进行深度决策？

我们按照数据分析的基本思路拆解一下这个问题。

1.挖掘业务含义

首先要了解市场部想优化什么，并以此为核心的 KPI 去衡量。

对于渠道效果评估，重要的是业务转化：对P2P类网站来说，是否『发起借贷』要远重要于用『用户数量』。

无论是 Google 还是金山渠道，重点在因为用户群体的不同，如何优化相应用户的落地页，提升转化。

2.制定分析计划

以『发起借贷』为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及 ROI 效果，可以持续观察这部分用户的后续价值。

3.拆分查询数据

需要根据各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单类型数据，进行用户分群。

4.提炼业务洞察 对于不同渠道进行投放时，根据 KPI 的变化，推测业务含义。比如谷歌渠道的效果不好，可能因为谷歌大部分的流量在海外，合规的问题造成转化率低。金山网络联盟有很多展示位置，要持续衡量不同位置的效果。

5.产出商业决策

根据数据洞察，指引渠道的决策制定。比如停止谷歌渠道的投放，继续跟进金山网络联盟进行评估。落地页可以根据数据指标进行一定程度优化。

以上这些都是商务分析拆解和完成推论的方式。
二、内外因素分解法

内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控。然后再一步步解决每一个问题。
案例：

比如社交招聘类网站，分为求职者端和企业端。一般是向企业端收费，其中一个收费方式是购买职位的广告位。业务端人员发现『发布职位』数量在过去的6月中有缓慢下降的趋势。对于这类某一数据下降的问题，可以怎么拆解？ 根据内外因素分解法，『内部可控因素』：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化；

『外部可控因素』：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化；

『内部不可控因素』：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）；

『外部不可控因素』：互联网招聘行业趋势、整体经济形势、季节性变化；
三、DOSS

DOSS是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。
案例：某在线教育平台，提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看C++免费课程的用户，分析团队应该如何辅助？

按DOSS的思路分解如下：

『具体问题』：预测是否有可能帮助某一群组客户购买课程。

『整体』：首先根据这类人群的免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。

『单一回答』：针对该群用户进行建模，监控该模型对于最终转化的影响。

『规模化』：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。

Part 3 | 数据分析的应用手段

根据基本分析思路，常见的有7种数据分析的手段。
一、画像分群

画像分群是聚合符合某中特定行为的用户，进行特定的优化和分析。

比如在考虑注册转化率的时候，需要区分移动端和 Web 端，以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上，有针对性地进行优化。
二、趋势

建立趋势图表可以迅速了解市场， 用户或产品特征的基本表现，便于进行迅速迭代；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的实时性；
三、漏斗洞察

通过漏斗分析可以从先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据；

所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。

关注注册流程的每一个步骤，可以有效定位高损耗节点。
四、行为轨迹

行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据，无法全面理解用户如何使用你的产品。了解用户的行为轨迹，有助于运营团队关注具体的用户体验，发现具体问题，根据用户使用习惯设计产品，投放内容；
五、留存分析

留存是了解行为或行为组与回访之间的关联，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一

除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等。
六、A/B测试

A/B测试是对比不同产品设计／算法对结果的影响。

产品在上线过程中经常会使用A/B测试来测试产品效果，市场可以通过A/B测试来完成不同创意的测试。

要进行A/B测试有两个必备因素：

1.有足够的时间进行测试；

2.数据量和数据密度较高；

因为当产品流量不够大的时候，做A/B测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司，每天可以同时进行上千个A/B测试。所以A/B测试往往公司数据规模较大时使用会更加精准，更快得到统计的结果。
七、优化建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数据挖掘的手段进行建模，预测该商业结果的产生；

例如：作为一家 SaaS 企业，当我们需要预测判断客户的付费意愿时，可以通过用户的行为数据，公司信息，用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重，得知用户满足哪些行为之后，付费的可能性会更高。

以上这14种数据分析的方法论，仅仅掌握单纯的理论是不行的。需要大家将这些方法论应用到日常的数据分析工作中，融会贯通。同时学会使用优秀的数据分析工具，可以事半功倍，更好的利用数据，实现业绩增长。
注：以上数据分析工具皆来源于 GrowingIO－硅谷新一代无埋点用户行为数据分析产品，欢迎免费注册试用。

作者：张溪梦 Simon
链接：https://www.zhihu.com/question/25949022/answer/168050950
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。