常見的數據分析方法（一）對比分析

——沒有對比就沒有傷害

對比分析，是數據分析中最基礎、最常用、也是最實用的分析方法之一。該方法主要是指將兩個及以上對象的數據指標進行比較，闡述對比對象在數量上的差異，從而得出業務在不同階段的變化趨勢及規律。

比較常見的對比分析方式：從時間趨勢上進行環比、同比、定基對比，從空間上進行A/B 測試對比、相似空間對比、先進空間對比，從特定標準上進行與目標值、假定值、平均值對比。

常見的數據分析方法（二）細分分析

——不細分無分析

細分分析一般有兩種：

（1）逐步細分

是由粗到細、由淺入深，逐步進行細分的過程。比如：銷售額下降或上漲，先拆到國家、省、市/地區、門店，對比觀察哪個區域變大帶來的；流量質量變差，先拆到付費、免費，付費拆到應用市場、社交媒體...，再拆到Google Play、App Store、Facebook、Twitter、Snapchat等。

（2）交叉細分

交叉分析，是在縱向分析法和橫向分析法的基礎上，從交叉、立體的角度出發，由淺入深、由低級到高級的一種分析方法，它彌補了獨立維度進行分析沒法發現的一些問題。

比如：四象限、RFM模型。

常見的數據分析方法（三） A/B Test

——分桶才是最科學的效果評估

A/B Test是為同一個目標制定兩個方案，在同一時間維度，分別讓相同（相似）的用戶群組隨機使用一個方案，收集各群組的用戶體驗數據和業務數據，最后根據顯著性檢驗分析評估出更優方案并正式采用。

常見的數據分析方法（四）漏斗分析

——每一步都是一個節點

漏斗分析是一套流程式數據分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。

常見于注冊登錄轉化、瀏覽交易轉化、進店銷售轉化等場景，通過量化每一步的轉化率，來衡量一個商業或產品的成敗及可優化調整的點。

常見的數據分析方法（五）留存分析

——用戶來得快，走得也快

留存率，是做運營或用戶增長的同學都必看的一個指標，它是衡量一塊業務是否健康的關鍵指標，做好留存會帶來長遠的復利效應，沒有留存就沒有未來。

留存分析，在數據運營領域有著十分重要的地位，常見留存指標有次日留存、七日留存率、次周留存率、次月留存率、T+N日/周/月留存率等等，表示目標用戶在一段時間后回訪產品或回到產品中完成某個行為的比例。

常見的數據分析方法（六）相關分析

——相關不等于因果

相關分析，研究現象之間是否存在某種依存關系，從而發現業務運營中的關鍵影響及因素。相關關系的測定方法包括：散點圖、相關系數等。

相關分析，主要有以下3種類型：

（1）單相關：兩個因素之間的相關關系叫單相關，即研究時只涉及一個自變量和一個因變量；

（2）復相關 ：三個或三個以上因素的相關關系叫復相關，即研究時涉及兩個或兩個以上的自變量和因變量相關；

（3）偏相關：在某一現象與多種現象相關的場合，當假定其他變量不變時，其中兩個變量之間的相關關系稱為偏相關。

常見的數據分析方法（七）聚類分析

——物以類聚人以群分

聚類分析是常用的數據分析方法之一，其核心是基于數據之前存在相似性。聚類的方法有K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering），具體就不贅述。常見于以下2個場景應用：

（1）用戶細分：根據相似性將用戶劃分成不同的族群，并研究各個族群的特征并做業務應用。

（2）異常檢測：發現正常與異常的用戶數據，識別其中的異常行為。

編輯：jq