随着互联网行业的发展，愈来愈多的企业意想到了大数据和精细化运营的重要性，数据分析人员将成为企业今后发展的重要支持人员。那末身为数据分析人员如何做好数据分析呢，今天我们就来说讲10大经常使用的数据分析方法。希望大家能从中遭到启发、找到有帮助的分析架构及方法。
1、指标分析
指标可以理解为用来描写事物数量。比如我们最为常见的指标：页面阅读量(PV)，也就是描写页面被阅读的次数；再比如转化率，也就是描写目标被转化的次数。用1句话来将其分类就是：谁，干了甚么，结果怎样。下图分别对应产品、运营、市场的常见指标。
明确重点关注的指标后，才能更好地做针对性的优化和改进，为产品运营的决策提供指点。
2、对照分析
对照分析主要是指将两个相互联系的指标数据进行比较，从数量上展现和说明研究对象的范围大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对照，可以发现，找出业务在不同阶段的问题。
例如：本周和上周进行对照就是环比；本月第1周和上月第1周对照就是同比；所有数据同今年的第1周对照则为定基比。通过对照，可以分析业务增长水平，速度等信息。
3、比率分析
指通过计算某个维度所占维度总量的比例，分析部份与总数比例关系的1种方法。
公式：比率=某维度数值 / 总量 X 100%
举个例子，下图是1套营销数据，从中通过计算，我们可以清楚地了解到每一个地区：
每一个地区花了多少钱？每一个地区转化是多少？
以北京地区为例，它的转化低于消费，说明整体转化其实不好，那我们就需要思考：转化不好是哪出了问题？目前北京的消费比例符合我的目前推行策略吗？
而辽宁地区，转化高于消费，证明该地区转化很好，那我们就需要思考：该地区需要加钱吗？
通过对各个指标的占比进行分析，我们可以清楚地了解到每一个地区的情况。这便是比率分析法。该方法较为合适多产品、多地区推行。
4、转化分析
转化分析指在1个统计周期内，完成转化行动的次数占推行信息总点击次数的比率。
计算公式为：转化率=(转化次数/点击量)×100%
例如：10名用户看到某个搜索推行的结果，其中5名用户点击了某1推行结果并被跳转到目标URL上，以后，其中2名用户有了后续转化的行动。那末，这条推行结果的转化率就是(2/5)×100%=40%。
经常使用的转化分析模型是漏斗分析，它能够科学反应用户行动状态和从出发点到终点各阶段用户转化率情况。漏斗分析模型已广泛利用于网站用户行动分析和APP用户行动分析的流量监控、产品目标转化等平常数据运营与数据分析的工作中。
漏斗分析要注意的两个要点：
● 不但要看整体的转化率，还要关注转化进程每步的转化率；
● 漏斗分析也需要进行多维度拆解，拆解以后可能会发现不同维度下的转化率也有很大差异。
举个例子，某企业的注册流程采取邮箱方式，注册转化率1直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。
经过了解发现，邮箱验证非常容易出现注册邮箱收不到邮件的情况，缘由包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件投递时间太长等等。既然这么多不可控因素影响注册转化率，那就换1种验证方式。换成短信验证后，整体转化率提升到了43%，这是非常大的1个增长。
5、保存分析
保存分析是1种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行动的用户中，有多少人会进行后续行动。这是用来衡量产品对用户价值高低的重要方法。
衡量保存的常见指标有：第二天保存率、7日保存率、30日保存率等等。我们可以从两个方面去分析保存，1个是新用户的保存率，另外一个是产品功能的保存。
比如电商行业里，某司展开了1次运营活动，比如春节的抢红包活动，那末在节后，我们需要知道在过年期间，有多少用户在这段时间内通过抢红包的活动，延长了使用该产品的时间？是不是提高了日活？有多少沉睡用户被唤醒了等；
1个精准的保存分析功能能够评判生产品对用户的价值高低，到底这个产品有无能力留住用户。我们最理想的是说让用户的生命周期（使用产品的）跟随产品的生命周期保持1致，这样产品才能良性健康发展下去。
6、分群分析
即用户分群是指用户信息标签化，通过用户的历史行动路径、行动特点、偏好等属性，将具有相同属性的用户划分为1个群体，并进行后续分析。
在平常的数据工作中，常常会有这样的需求：想关注符合某些条件的1部份用户，不但想知道这些人的整体行动（访问次数，访问时长等），还希望知道具体是哪些人符合这些条件。然后查看这些人的数据导出用户名单，针对性的发送tips消息。有时还想进1步查看某些人在使用某功能上的具体操作行动。用户分群，就是用来满足这类需求的工具方法，它能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的缘由，探索实现用户增长的途径。
常见的用户分群主要有两种分法：
● 户画像分群，如年龄、性别、地域、用户偏好等，画像建设的焦点是为用户群打“标签”，1个标签通常是人为规定的高度精炼的特点标识，最后将用户分群的标签综合，便可勾画出该用户群的立体“画像”。画像分群让我们真正了解了用户的某些特点，对业务推行帮助很大。
● 用户行动分群，根据用户的注册渠道和活跃习惯，制定不同的营销推行策略，有针对性地进行优化。
7、交叉分析
交叉分析法又称立体分析法，是在纵向分析法和横向分析法的基础上，从交叉、立体的角度动身，由浅入深、由低级到高级的1种分析方法。当我们需要找到变量之间的关系，从而发现数据特点、找到异常数据时会用到它。
简单来讲交叉分析，就是多条件分析数据。对数据对象，在不同的时间、空间下，会有不同的数据展现，我们想要理清楚1个对象的具体情况，不能仅仅只斟酌1个条件，而是要综合多个条件进行分析。
例如，分析商品在不同城市的市场容量时，将商品销量作为横向变量，城市作为纵向变量，二者组合建立交叉表，从而肯定不同城市的商品市场范围。但是在实际案例中，数据项目常常有多项，此时分析者一样可使用交叉分析的思路来厘清数据间的关系。
8、散布分析
散布分析是在特定维度下针对不同指标来对用户进行归类展现。它可以展现出用户对产品的依赖程度。
散布分析主要作用：
（1）找到用户散布规律
对同1指标下有关数据的统计和分析，发掘用户使用产品的规律，进1步修正和制定产品策略。
（2）增加客户回访率
散布分析从多角度分析帮助公司判断用户对产品的依赖程度。
（3）快速辨认核心用户群体
核心用户群体是对公司贡献最大的用户群体，是公司最大的利润来源。散布分析通过不同的维度挑选出核心用户群体，做好资源配置，以最小的本钱实现公司利润最大化。
利用场景：
（1）用户在1个月内的购买产品的支付次数散布。
（2）依照省分查看用户在1个月内的购买产品的支付次数散布。
（3）用户在1个月内实际支付定单金额总和散布。
比如我们想知道用户在每月内的支付定单次数是怎样的，那末这里的维度就是月份，指标就是支付定单次数，那简单以下图所示：
这里显示的就是依照月份来看用户的支付定单次数的情况，我们也能够将维度进行更换，比如依照省分，也能够依照节日等来进行查看，以下图所示：
同理，指标也能够换，比如是登录次数，或是使用时长等。
9、矩阵分析
矩阵分析利用数学上矩阵的情势表示因素间的相互关系，从中探索问题所在并得出解决问题的假想。它是进行多元思考，分析问题的方法。矩阵图可让数据分析变得简单。
矩阵图是由两个或多个数据维度组成。两个维度就能够肯定1个点的相对位置。横轴和纵轴的两个维度可以把矩阵分成4个象限，每一个象限可以针对不同的策略，所以可以根据点的相对位置所在的象限直接得出决策。灵活是由于矩阵图的维度没有固定的维度，不同的两种维度的组合可以分出不同的象限，不同的象限可以对应不同的决策。
当我们进行顾客调查、产品设计或其他各种方案选择，做决策的时候，常常需要肯定对几种因素加以斟酌，然后，针对这些因素要权衡其重要性，加以排队，得出加权系数。比方，我们在做产品设计之前，向顾客调查对产品的要求。具体以下:
（1）市场调查数据分析。当我们进行顾客调查、产品设计开发或其他各种方案选择时，常常需要斟酌多种影响因素，并肯定各因素的重要性和优先斟酌次序。矩阵数据分析法可以帮助我们通过对市场调查数据分析计算，判断出顾客对产品的要求、产品设计开发的关键影响因素，最适合的方案等。
（2）多因素分析。在某工序影响因素复杂且各因素间存在可量化的关系时，可以进行较准确的分析。
（3）复杂质量评价。通过对影响质量的大量数据进行分析，肯定哪些因素是质量特性。
10、关联分析
关联分析是1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干性。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。
图片来自：ITPUB博客
关联分析的1个典型例子是购物篮分析。该进程通过发现顾客放人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，这类关联的发现可以帮助零售商制定营销策略。其他的利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”由于某些事件的产生而引发另外1些事件的产生“之类的规则。如“67%的顾客在购买啤酒的同时也会购买尿布”，因此通过公道的“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。
以上就是10种常见的数据分析方法，在平常的数据工作中需要结合实际场景灵活应用，没有最好的分析方法只有最合适的。
Barry
查看更多关于【运营数据】的文章
