数据分析并没有大家想象的那么难！

对于数据分析，我发现很多操作都有一些困惑：不知道从哪里获取数据；不知道使用什么工具；不清楚分析的方法论和框架；大多数数据分析只是一种形式；事实上，数据分析并不像你想象的那么困难！我联系了很多数据从业者，总结了这篇文章，希望对有兴趣学习数据分析的运营商有所帮助。第一，概念:数据和数据分析其实大家都在接触数据和数据分析，但是很难说清楚两者的具体定义。我曾经做过一个调查，问一些操作学生，以下五个选项属于“数据”概念的范围。图1：大多数人都知道选择哪些属于“数据”概念范围的“4.报表”，但很难有人认为以上五个选项都是。事实上，这反映了一个非常普遍的现象：许多人认为数据是各种表格和数字，如excel报表和各种数据库。事实上，这是一种错误或偏差的理解，它会使我们对数据的理解变得非常狭隘。(一)什么是数据？数据（data）它是描述事物的符号记录，是构成信息或知识的原始材料。这种哲学定义极大地丰富了数据的范围，满足了当前“大数据”发展的需要。想象一下，现在很多搜索引擎都做了“图片识别”、“音频识别”不是数据分析的一部分吗？作为互联网企业的运营商，我们接触到的数据可能没有那么复杂，但也有很多类别。图2：从数据来源的角度来看，互联网企业运营商可能接触到的数据可分为外部数据和内部数据。外部数据主要包括社会人口、宏观经济、新闻舆论和市场研究数据；内部数据包括用户行为数据、服务日志数据、CRM和交易数据。不同的数据获取方法、分析方法和分析目的不同，不同的行业和企业在实际分析中也有自己的偏好。那么我们常见的“信息”和“数据”有什么区别呢？数据是信息的载体和表现形式；信息是数据的内涵，信息加载在数据上。以书籍和知识为例，书籍属于数据概念类，知识属于信息概念类；书籍是知识的载体和表达，知识是书籍的内涵和升华。(2)什么是数据分析？数据分析是指从数据中提取有用的信息，并指导实践。这里有两点需要注意：首先，我们需要提取有用的信息，而不是自我嗨；其次，这些信息需要用来指导实践，而不仅仅是形式。二、思路:很多新人在分析方法论和方法的入门数据时，要么抓胡子眉毛，要么无从下手。这些都是缺乏分析思路的表现，需要宏观方法论和微观方法的指导。那么方法论和方法有什么区别呢？方法论是从宏观的角度，从管理和业务的角度提出的分析框架，指导下一个具体的分析方向。该方法是一个微观概念，指的是我们在具体分析过程中使用的方法。(一)方法论数据分析的方法论很多，这里我给大家介绍一些常见的框架。从政治上分析PEST：（Politics）、经济（Economy）、社会（Society）、技术（Technology）对内外环境进行四个方面的分析，适用于宏观分析。SWOT分析方法：优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）对内外环境进行四个方面的分析，适用于宏观分析。5W2H分析方法：Why、When、Where、What、Who、How、Howmuch7常见的维度分析问题。4P理论:经典营销理论认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。AARRR：增加黑客的海盗规则和精益创业的重要框架（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和推荐（Referral）增长的五个环节。数据分析的方法论很多，这里不能一一列举；没有最好的方法论，只有最合适的。下面我详细介绍一下AARR方法论，非常符合精益运营和业务增长的问题。图3：AARR方法论对于互联网产品来说，用户具有明显的生命周期特征。让我以O2O行业的APP为例。首先，通过各种线上线下渠道获取新用户，下载安装APP。安装APP后，通过操作手段激活用户；如免费首单、代金券、红包等。部分用户通过一系列操作保留，并为企业带来收入。在这个过程中，如果用户认为这个产品很好，他们可能会向周围的人推荐；或者鼓励通过红包和其他激励方式与朋友圈分享。需要注意的是，这五个环节并不完全按照上述顺序进行；操作可根据业务需要灵活应用。AARR的五个环节可以通过数据指标来衡量和分析，从而达到精益运营的目的；每个环节的改进都能有效地增加业务。下面的分析也是围绕这个方法论进行的。(2)根据运营工作的实际需要，在参考GrowingIO陈明的文章《一个优秀的数据分析师是如何制作的》的基础上，我整理了七种分析方法。借助常见的网站/APP数据分析产品，我们可以快速完成这7种分析。1.趋势分析趋势分析是最简单、最基本、最常见的数据监控和数据分析方法。通常，我们在数据分析产品中建立数据指标的线图或柱状图，然后继续观察，重点*异常值。在这个过程中，我们应该选择第一个关键指标（OMTM，OneMetricThatMatter），而不是虚荣指标（vanitymetrics）所迷惑。以社交应用为例，如果我们把下载量作为第一个关键指标，我们可能会误入歧途；因为用户下载应用程序并不意味着他使用了你的产品。在这种情况下，建议使用DAU（DailyActiveUsers，日活跃用户)作为第一个关键指标，只有启动和执行某个操作的用户才能计算；这样的指标才有实际意义，运营商要*这样的指标。2.多维分解多维分解是指从业务需求的多个维度拆分指标；这里的维度包括但不限于浏览器、访问源、操作系统、广告内容等。为什么需要多维拆解？有时候你看不到一个非常笼统或者最终指标的问题，但是拆分后会出现很多细节。例如，一个网站的跳出率是0.47、平均访问深度为4.39、平均访问时间为0.55分钟。如果你想提高用户的参与度，显然这样的数据会让你无法开始；但是当你拆解这些指标时，你会发现很多想法。以下是不同操作系统下产品的用户参与指标数据。图4：如果仔细观察不同操作系统用户的参与程度，你会发现移动平台（Android、WindowsPhone、IOS）用户参与度极差，表现为跳出率极高，访问深度和平均访问时间极低。这样，你就会发现问题。我们的产品在移动终端上没有优化，导致用户体验差吗？在这样一个移动互联网时代，这是一个非常重要的问题。3.用户分组主要有两种分组方法：维度和行为组合。第一种是根据用户的维度进行分组，如北京、上海、广州、杭州等地的用户；从用户登录平台、PC、平板电脑和移动用户进行分组。第二种是根据用户行为组合进行分组。例如，每周在社区签到三次的用户与每周在社区签到少于三次的用户之间的区别。我将在以后的保留分析中介绍这一点。4.正如前面提到的，用户行为数据也是一种数据。观察用户在您产品中的行为路径是一种非常直观的分析方法。在用户分组的基础上，一般选择3-5个用户进行仔细检查，可以覆盖分组用户的大部分行为规律。以产品注册流程为例：图5：用户经历了以下操作流程：[访问官方网站]-[点击注册]-[输入号码]-[获取验证码]。它最初是一个非常流畅的链接，但它发现一个用户连续三次点击[获取验证码]，然后放弃提交。奇怪的是，为什么用户多次点击验证码？此时，我建议您亲自体验您的产品，并通过注册流程。您会发现，点击[获取验证码]后，往往无法收到验证码；然后您将继续点击[获取验证码]，因此出现上述情况。绝大多数产品或多或少都有一些反人类的设计或bug，通过用户的仔细检查，可以很好地发现产品中存在的问题并及时解决。5.漏斗分析漏斗是用来衡量转换效率的工具，因为从开始到结束的模型类似于漏斗。漏斗分析应注意两个要点：第一，不仅要看整体转化率，还要注意转化过程中每一步的转化率；第二，漏斗分析还需要多维拆卸。拆卸后，可能会发现不同维度的转化率也有很大差异。某企业注册流程采用邮箱方式，注册转化率一直很低，只有27%；漏斗分析发现，主要流失在[提交验证码]环节。图6：了解注册转化率后，发现邮箱验证很容易发生注册邮箱无法收到邮件的情况，包括邮件代理被屏蔽、邮件中包含敏感词的垃圾邮件、邮件交付时间过长等。由于影响注册转化率的不可控因素如此之多，因此需要另一种验证方法。短信验证后，整体转化率提高到43%，这是一个非常大的增长。6.留存分析留存，顾名思义，就是新用户留下来继续使用产品的意义。常用的保留指标有：次日保留率、7日保留率、30日保留率等。我们可以从两个方面来分析保留，一个是新用户的保留率，另一个是产品功能的保留。图7：以社区网站为例，“每周签到三次”的用户留存率明显高于“每周签到少于三次”的用户。该功能实际上提高了社区用户的粘性和保留率，这也是为什么许多社区或社区主要推广该功能的原因。图8：第二个保留魔法数字的案例:第一次注册微博，微博会推荐*10个大V；第一次注册Linkedin，Linkedin将向您推荐5名同事；申请信用卡时，发卡人会说，信用卡消费4次后，可以获得[无人机]奖励；许多社交产品规定，用户每周可以获得双重积分或虚拟货币。“*10个大V”、“*五个同事”、“消费4笔”、“五次签到”是我想说的Magicnumber，这些数字是通过长期的数据分析或机器学习发现的。实践证明，符合这些特点的用户保留率最高；操作人员需要不断去push，鼓励用户达到这个标准，从而提高保留率。7.A为了实现一个目标，采用了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的质量。谷歌不遗余力地尝试A/B测试；对于搜索结果的显示，谷歌将制定各种不同的解决方案（包括文案标题、字体大小、颜色等），以不断优化搜索结果中广告的点击率。这里需要注意的一点，A最好在/B测试前进行A/A测试或类似准备。A/A测试是什么？A/A测试是评估两个实验组是否处于同一水平，使A/B测试有意义。事实上，这与学校控制变量法、实验组和对照组、双盲试验的本质相同。流程：宏观、中观、微观都有具体的分析方法是不够的，操作要做好数据分析还需要一个清晰的流程。这里我从宏观、中观、微观三个层次给大家介绍一下。（1）宏观1。事实上，数据分析自古就存在于中国古代的简单分析哲学中。许多中国古代名人实际上从事数据分析；他们的名字可能不是数据分析师，而是“首相”、“军师”、张良、管仲、萧何、孙斌、鬼谷子、诸葛亮等“谋士”。他们通过“历史统计”-“经验总结”-“预测未来”为自己的组织创造了巨大的价值，这是中国古代简单哲学分析的重要组成部分。2.精益创业的MVP理念在硅谷很受欢迎。它倡导MVP（最简化可行产品）的理念，通过小步快速运行不断优化产品，增加用户。图9：构建-测量-优化在操作工作中，我们要大胆尝试，把想法转化为产品和操作方法。然后分析数据来衡量产品或操作的效果。如果好的话，保持并大力推广。如果不好，总结问题，及时改进。在“构建-“衡量”-“学习”的不断循环中逐步优化，非常适合操作。(2)中观书《谁说菜鸟不会数据分析》介绍了更具体的分析流程:1。明确分析的目的和思路→2.数据收集→3.数据处理→4.数据分析→5.数据展现→6.写报告。这个过程只是从“数据”的角度来解释前后的过程，而不是与业务实际相结合；它误导了数据分析的立足点，因为数据分析的最终目的是指导实践，而不是写报告。但这一过程仍具有参考价值，特别是“明确分析目的和思路”对新手入门具有一定的指导意义。（3）微观介绍了一个非常详细的分析过程。在某些分析工具的帮助下，我们可以根据这个想法详细分析您的网站/应用程序。图10：这是GrowingIO的微数据分析流程

以上就是关于数据分析并没有大家想象的那么难！的相关介绍，更多数据分析并没有大家想象的那么难！相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对数据分析并没有大家想象的那么难！有更深的了解和认识。