16种常用数据分析方法_七种常见的数据分析法[通俗易懂]

有一位朋友最近吐槽，他提交了一份7月数据分析报告给领导，报告里面放了很多图表，也摆了很多数据，结果被痛批了一顿，觉得很委屈。其实，这位朋友与很多小伙伴一样，做数据分析时，拿着手里的数据不知道怎么分析、从什么维度分析。

今天DataHunter数猎哥就来给大家分享
7种最常用的数据分析方法，让你轻松运用数据分析解决实际工作问题，提升核心竞争力。

一、漏斗分析法

漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。

例如：Data Analytics为网站制作的“促销活动分析”

比如，对一些电商产品来说，最终目的是让用户下单并支付，但转化率取决于整个流程。这时，我们就可以通过漏斗模型一步一步地进行监测。如下图所示，我们可以监控用户在流程中各个层级上的行为路径，寻找每个层级的可优化点。对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间，最终提升整体转化率。

漏斗模型除了在电商中应用的比较多以外，在落地页、H5等也应用的比较多。我们可以反复优化落地页当中的图片、文案、布局，进一步的提高整体转化率。

二、留存分析法

留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。

这里需要注意的是，在做留存分析之前，我们首先需要了解用户留存的特点：

比如，我们可以通过观察不同时间段用户留存的情况，通过对比各个渠道、活动、关键行为的用户后续留存变化，发现提升用户留存率的影响因素，例如观察领取过优惠券的用户留存率是否比没有领取优惠券的用户留存率更高。

除此以外，还可以针对流失高/留存高的用户群组进行一对一的用户行为分析，统计留存/流失用户的行为特征，特别是针对流失用户，通过流失用户的行为分析总结流失原因，从而提升留存率。具体步骤如下图所示：

三、分组分析法

分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。

分组的目的就是为了便于对比，把总体中具有不同性质的对象区分开，把性质相同的对象合并在一起，保持各组内对象属性的一致性、组与组之间属性的差异性，以便进一步运用各种数据分析方法来揭示内在的数量关系，因此分组法必须与对比法结合运用。

如图所示，分组分析在日常工作中应用的比较多的是用户分层与分群，比如在发优惠券的时候，可以通过红包，满减，限时券还有积分券等方式。我们可以针对不同的用户发送不同的优惠券以达到精细化运营的效果。那么当我们在做数据分析时，也可以从结果将用户进行分层来进行判断，这时同样也可以得到优化和改进业务的建议。

说了完用户分层，接下来我们说说用户分群。用户分群和用户分层其实是相关联的，用户分群是对用户分层的补充，当用户差异性较大，层级上不能再做用户细分时，可以考虑将同一个分层内的群体继续切分，满足更高的精细化运营需要。

例如：Data Analytics制作的“客户RFM群体分析”

RFM模型是客户管理中的一个经典方法，它用以衡量消费用户的价值和创利能力，是一个典型的用户分群。它依托收费的三个核心指标：最近一次消费时间（Recency）、消费频率（Frequency）和消费金额（Monetary）。

消费金额Monetary：
衡量用户对企业利润的贡献，消费金额越高的用户，价值也就越高。

消费频率Frequency：
衡量用户的忠诚度，是用户在限定的期间内购买的次数，最常购买的用户，忠诚度也越高。

最近一次消费时间Recency：
衡量用户的流失，消费时间越接近当前的用户，越容易维系与其的关系。1年前消费的用户价值肯定不如一个月才消费的用户。

四、矩阵分析法

矩阵分析法是指根据事物（如产品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。

矩阵关联分析法在解决问题和资源分配时，可以为决策者提供重要参考依据——先解决主要矛盾，再解决次要矛盾，这样有利于提高工作效率，并将资源分配到最能产生绩效的部门、工作中，最终有利于决策者进行资源优化配置。

比如在电商行业，我们可以使用浏览量和加购数这两个维度来进行矩阵分析，如图所示，左上角的是浏览量低的，然后加购次数多的，这说明产品其实是有很大潜力的，这时需要将这部分产品放在更好的位置让给用户进行浏览；右下角的浏览量高，但加购数低的，说明这个时候他的资源位置是好的，但是用户对这部分的产品并不感兴趣的，我们就需要对其进行相应的位置调整。

五、关联分析法

关联分析法是一种简单、实用的分析技术，是指从大量数据集中发现项集之间的关联性或相关性。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联等。

关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。

可从数据库中关联分析出形如”由于某些事件的发生而引起另外一些事件的发生”之类的规则。如“67%的顾客在购买啤酒的同时也会购买尿布”，因此通过合理的“啤酒和尿布”的货架摆放或捆绑销售可提高超市的服务质量和效益。

六、指标分析法

在实际工作中，当拿到一些可视化数据图表或者是Excel表格时，我们可以直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等，下面我们分别来介绍：

1.平均数

平均数、也叫平均分析法，是指运用计算平均数的方法来反映总体在一定时间、地点条件下某一数量特征的一般水平的分析方法。平均分析法常用指标有算术平均数、调和平均数、几何平均数、众数和中位数等，其中最为常见的是算术平均数，也就是日常所说的平均数或平均值。

平均数指标可用于对比同类现象在不同地区、不同行业、不同单位等之间的差异程度，比用总量指标对比更具说服力。除此以外，利用平均指标对比某些现象在不同历史时期的变化，也更能说明其发现趋势和规律。

比如，汽车行业的自媒体如果想要分析数据，可从两个方面来分析：①外部：行业内整体公众号的平均打开率是多少，我们距离行业平均水平相差多少，该如何去做一些优化；②内部：针对每个月都在尝试的各种选题和内容运营策略，可以分析本月比上月平均打开率又增加了多少，这个月的选题是否有一些爆款，爆款文章平均打开率是多少，标题有什么特点等等。

2.众数、中位数

众数也就是数据中的一种代表数，它反应的是数据的一种集中程度。比如说最佳，最受欢迎，最满意都与众数有关。众数本质上来说，反映的是数据中发生频率最高的一些数据指标，在做数据分析时，我们可以对这些数据指标提取一些共性的特点，然后进行提炼和总结，然后得出一些改进的意见。

中位数主要是反映的是一组数据的集中趋势，像我们比较常见的正态分布，比如说我们想去统计某市的人均收入，其实，大部分的人均收入都是在一定范围之内的，只有少部分是处于最低的和最高的，其实这是中位数带来的意义。

在做数据分析时，如果各个数据之间的差异程度较小，用平均值就有较好的代表性；而如果数据之间的差异程度较大，特别是有个别的极端值的情况，用中位数或众数有较好的代表性。

3.最大（小）值

最大（小）值在平时做数据分析工作时比较常见，只是我们没有特别去注意。最值是作为典型代表和异常值进行分析的，比如说销售团队里的销售冠军，电商爆款商品等，如图所示，我们可以将销售额最大的几款商品提出来，然后我们去总结共性，找到原因，然后复制到其他的商品，最终提高平均转化率。

七、对比分析法

对比分析法是指将两个或两个以上的数据进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。它可以非常直观地看出事物某方面的变化或差距，并且可以准确、量化地表示出这种变化或差距是多少？对比分析法可分为静态比较和动态比较两类。

静态比较：在同一时间条件下对不同总体指标的比较，如不同部门、不同地区、不同国家的比较、也叫横向比较，简称横比；

动态比较：在同一总体条件下对不同时期指标数值的比较，也叫纵向比较，简称纵比。

这两种方法既可单独使用，也可结合使用。

进行对比分析时，可以单独使用总量指标、相对指标或平均指标，也可将它们结合起来进行对比。比较的结果可用相对数表示，如百分数、倍数等指标。

在使用对比分析法时，需要先注意以下几个方面：①指标的口径范围、计算方法、计量单位必须一致，即要用同一种单位或标准去衡量；②对比的对象要有可比性；③对比的指标类型必须一致。无论绝对数指标、相对数指标、平均数指标，还是其他不同类型的指标，在进行对比时，双方必须统一。

1.时间维度对比

同一指标在不同时间维度下的对比，如同比、环比、定基比等。同比就是与去年的同一个时间段进行对比分析，可以是季、月、周、天；环比就是和上一个时间段来对比（也有和下一个时间段对比的，也叫后比），例如本月和上月，本周和上周对比；定基比是和某个指定的时期进行对比分析，比如2013年每个月都和2013年1月的销售额进行对比取值。

如图为各月销售额对比，时间范围一致（均为月汇总）、指标一致、指标含义一致、其表现的为整个企业信息，总体性质可比。