数字和趋势剖析法
采取数字和趋势图进行数据信息的展示最为直不雅观，从详细的数字和趋势走向中可以更好地得到数据信息，有助于提高决策的准确性和实时性。
比如将某app或某网站的uv、pv等指标统一汇总到一个数据看板上，进行实时更新。这样的一个数据看板使得数字和趋势一览无余，非常直不雅观。
比拟剖析法
顾名思义，便是将不同事物的某个指标进行比拟，从中创造事物在该指标数量上的差异和变革。这种比拟常日有两种：纵向比拟和横向比拟。
可以把韶光想象成一条纵轴，纵向比拟便是同一事物的指标在不同韶光节点上进行比拟。例如，新华书店里的《数据剖析72问》这本书在这一年的各个季度的发卖量。其他的犹如比（发卖量在今年的1月和上一年的1月比拟）、环比（发卖量在这个月和上个月比拟）、定基比（发卖量均和之前的1-3月比拟）等。
横向比拟便是在固定的韶光节点上，不同事物的同一指标进行比拟。例如，京东、当当网、亚马逊、淘宝在本月的图书发卖量比拟。
维度分解剖析法
当单一的数字或趋势过于宏不雅观时，我们可以通过不同维度对数据进行分解，以获取更加风雅的数据洞察。在进行维度选择时，须要考虑此维度对付剖析结果的影响。
比如某app的日活溘然低落了，可以通过拆分新老用户、渠道、app版本、地区、设备等维度，创造问题所在，也便是将宏不雅观的问题拆分成小的问题去聚焦问题所在。
用户分群剖析法
用户分群即指针对符合某种特定行为或具有共同背景信息的用户，进行归类处理。也可通过提炼某一类用户的特定信息，为该群体创建用户画像。
例如利用同一app的用户可以按照地址进行用户群体的划分，可分为“北京”、“上海”、“杭州”等。由此便可进一步不雅观察某一用户群体的一些行为或数据指标，如app利用时长，利用频度，购买次数、购买金额等，以此来创建该用户群体的画像。
用户分群的意义在于我们可以针对具有特定行为或特定背景的用户，进行针对性的用户运营和产品优化，比如对具有“放弃支付或支付失落败”的用户进行对应优惠券的发放，以此来实现精准营销，大幅提高用户的支付意愿和成交量。
逻辑树剖析法
如果你剖析的目的是想把繁芜的事情变大略，可以利用逻辑树剖析法。有名的费米问题便是利用逻辑树剖析法。
在求职口试中，也常常会稽核这种问题：
全国有多少个产品经理？深圳地铁高峰期客流量多大？
公司楼下摆小摊月入多少？
这些估算类的问题都可以拆解成逻辑树，把一个繁芜的问题细分到可以详细量化的问题上。
转化漏斗剖析法
绝大部分商业变现的流程，都可归纳为漏斗。漏斗剖析是常见的一种数据剖析手段，比如常见的用户注册转化漏斗，电商下单漏斗。全体漏斗剖析的过程便是用户从前到后转化的路径，通过漏斗剖析可以得到转化效率。
这个中包含三个要点：
其一，整体的转化效率。
其二，每一步（转化节点）的转化效率。
其三，在哪一步流失落最多，缘故原由是什么，这些流失落的用户具有什么特色。
上图是共包括三步的注册流程，全体注册流程的总体转化率为46.5%，即1000个访问了注书页的用户中，有465个成功完成了注册。关注到每一步的转化率，创造第二步的转化率为65.3%，明显低于第一步的85.3%和第三步的83.5%，由此可推测，这一步骤可能存在问题。可针对这一注册步骤去创造问题，再进行转化率的提高。
数据指标本身只是真实情形的一种抽象，通过关注用户的行为轨迹，才能更真实地理解用户的行为。
例如只看到常见的uv和pv指标，是无法理解用户是如何利用你的产品的。通过大数据手段来还原用户的行为轨迹，可以更好地关注用户的实际体验，从而创造详细问题。如果维度分解依旧难以确定某个问题所在，可通过剖析用户行为轨迹，创造一些产品及运营中的问题。
图来源于网络，侵删。
留存剖析
人口红利逐渐消退，拉新变得并不随意马虎，此时留住一个老用户的本钱每每要远低于获取一个新用户的本钱，因此用户留存成为了每个公司都须要关注的问题。可以通过剖析数据来理解留存的情形，也可以通过剖析用户行为找到提升留存的方法。
如某阅读类app，每天阅读时长在25-30分钟（举个）的用户的留存要远高于阅读时长在5-10分钟的用户的留存，因此可考虑将提高用户的阅读时长作为一种提升留存的办法。
常见的留存剖析场景还包括不同渠道的用户的留存、新老用户的留存以及一些新的运营活动及产品功能的上线对付用户回访的影响等。
A/B测试剖析法
A/B测试常日用于测试产品新功能的上线、运营活动的上线、广告效果及算法等。
比如某产品设计了两种不同的界面（图来源于网络），个中包括界面背景颜色变革、点击按钮文案变革，模特变革等。以点击按钮的设计为例，通过比较实验组（A）和对照组（B）的按钮点击次数、点击率两个指标，来评估哪一种点击按钮的设计带来的效果更好。
进行A/B测试须要两个必备成分：
第一，足够的测试韶光；
第二，较高的数据量和数据密度。
当产品的流量不足大时，进行A/B测试很难得到统计结果。
数学建模剖析法
涉及到用户画像、用户行为的研究时，常日会选择利用数学建模、数据挖掘等方法。比如通过用户的行为数据、干系信息、用户画像等来建立所需模型办理对应问题。
5W2H剖析法
5W2H，即为什么（Why）、什么事（What）、谁（Who）、什么时候（When）、什么地方（Where）、如何做（How）、什么价格（How much），紧张用于用户行为剖析、业务问题专题剖析、营销活动等。
该剖析方法又称为七何剖析法、是一个非常大略、方便又实用的工具，以用户购买行为为例：
Why：用户为什么要买？产品的吸引点在哪里？
What：产品供应的功能是什么？
Who：用户群体是什么？这个群体的特点是什么？
When：购买频次是多少？
Where：产品在哪里最受欢迎？在哪里卖出去？
How：用户怎么购买？购买办法什么？
How much：用户购买的本钱是多少？韶光本钱是多少？
······
总结数据剖析所涉及体系非常弘大，而且学习资料大概多，方法大概多，就不一一列举了。把稳如下（包括思维和方法）：
·剖析主题的定性与定量：设计剖析主题中的主要一步，是要确定剖析的目的是定性或是定量。如果是定性，常日只要考虑有关或无关，正面影响或负面影响。定量剖析是很受业务方欢迎的，剖析也更加繁芜和困难，常日要通过机器学习模型办理。
创造剖析主题的两个切入点：指标监控与业务问题。数据部门更适宜从指标监控中创造问题，业务部门更适宜从业务中创造问题。但对付一个成熟的数据部门，把指标监控和业务监控深度结合，对付创造剖析主题更有利。
·数学建模：如果能把业务问题转化为一个数学模型，对付确定剖析思路会很有帮助。
·指标创新：指标实在是数据剖析师剖析业务问题的武器。由于无论你用什么剖析方法，总要用到一些数据，而这些数据的打算方法、范围会很大程度上影响剖析结果。且不说任何一个建模过程中的特色选择都非常主要，纵然只是对业务的大略监控，一个好的指标每每能准确无误地反响出问题。对付互联网，PV、UV、时长、留存、点击率、退出率这些是大家很常用的。用来监控整体业务是没有问题的，但是对付某个小的业务板块就不太够了。比如，作为内容平台，衡量一次曝光的用户体验如何，该当用什么指标？有人会建议用点击率，但是点击率会受到标题党的影响，此时高的点击率并不代表好的用户体验。比较好的选择是把点击率、阅读时长、阅读进度等合成一个指标。
·整体与个体：大处着眼，小处动手。无论是数据还是业务，都不是伶仃存在的，系统性思维对付剖析师非常主要。以是在看到一个小问题的时候，要知道它绝对不会影响这一小块业务；而看到大的目标涌现问题的时候，要能意识到可能是一些小的业务环节出了岔子。在动手层面，对付数据剖析来说，微不雅观剖析更随意马虎获取实验数据，也更随意马虎找到因果关系。以是要不断地对问题分解和细化。
·剖析维度的引入：在低维空间上办理不了，在高维空间上就不是个事（想到三体了吗）。比如SVM，低维空间上无法做到线性可分的数据样本，在高维空间上就可以。以是如果你在某个剖析问题中费了牛劲也找不到答案，大概正是由于你忽略了某个主要的成分。当然也不是维度越多越好，由于维度越多，阐明起来就越困难，不要忘了，结果是给人看的。
·大胆假设，小心求证：由于在现实天下中可能影响业务的成分太多，选择个中最有可能的成分去验证无疑是一条捷径。这个假设怎么去做？首先要对业务有足够的敏感度。是的，业务老鸟便是比新手能更快地“嗅”出问题的根源；其次要对数据有足够的敏感度，数据之间都是有关系的，某个干系的指标变革大概就能见告我们答案。究竟这个假设是不是问题的答案，终极取决于数据验证。“小心”的意思是，一定要担保在验证过程中不受其他成分的滋扰，AB测试无疑是个很好的方法。还有，在求证过程中要保持逻辑的严密。
因此，我们须要在拥有数据面前，清晰知道运用哪一个或几个方法来剖析实际问题最为有效，结合场景灵巧利用，没有最好的剖析方法只有最适宜的。
转载自"大众号木木自由
