1
界定資料分析的目的與實現
資料分析之前，我們要界定好此次分析的目的，一般我們分析資料有四種目的：
戰略決策
投資決策
營銷決策
產品決策
資料分析是一個積累的過程，資料也是一樣，資料從小到大，從少到多，資料從量變開始質變，並且體現在多個方面，觸發蝴蝶效應，推動其他領域的變化。
1. 催發資料性思維
資料性思維表現在：
對全部資料進行分析，而不是隨機抽樣
並不過於追求精確性，而是重視資料的複雜性
更多挖掘資料的相關性，而不是因果
資料之間的關聯關係
2. 產出“資料資產”
資料不斷的累計和整合，使得資料變成無形資產，使資料逐步幫助企業做決策，幫助產品設計導方向，改變運營策略。
3. 資料資產可以變現
資料可以像商品一樣可以進行售賣，資料變現使得資料有了價值，然而，不同資料，不同資料質量也具有不同價值，但
資料的價值卻是客官存在的。
資料分析，永遠都是為了產品發展而服務，一切目的不外乎：
獲得使用者、留住使用者、增加收益、擴大品牌知名度
，而資料正驗證我們的設想，同樣，資料分析也是最客觀和準確的途徑，為決策做基礎。從資料的產生到分析、整理、展現、利用、再迴圈利用，這是大資料思維方式的轉變也是商業化新模式的開始。我們所要做的資料分析，不外乎就是將資料利用再利用的過程。
2
什麼是資料分析
資料是由什麼組成的？一個數據單元有多大？怎樣產生和傳送？資料不是憑空而來，資料是一個場景，一個業務，一個應用產生而來，資料的價值是它產生的環境，過程的獨特屬性而賦予的。資料不同屬性，造成了資料價值的差異性及應用層面的差異性。
舉個栗子——金融屬性資料
你的月收入，信用卡消費。網購消費。房貸車貸等，都形成了一個金融資料體系，金融資料的產生過程離錢越近也越有價值，它可以直接可以利用為徵信，金融風控，貸款信用額度等。同樣，我們每天上網看資訊、社交、聽歌、打遊戲、搜尋、看影片等等，都會產生很多行為、偏好、社交屬性資料，透過這些資料我們可以勾畫出一個人的使用者畫像。
做資料分析
首先的問題就是識別資料，然後再弄清楚什麼是資料分析
，常見的資料有：
1. 網站
流量——PV——UV——點選量——點選率（CTR）——展示數——人均訪問量、CPM、CPC、轉化率、停留時間。
2. APP
日、周、月活量——留存率、屏顯
資料分析就是將產品相關的資料進行收集利用工具軟體整合，然後利用特定的方法進行分析，從中發現規律或得到結論。資料的數量不等於資料的質量，所以
資料在收集之後必須進行整理、分析
。因為，由於資料來源的零散、沒有結構、沒有規劃、沒有固定目的，導致即便資料再多，如果盲目用在特定的目標上，也必然產生缺乏質量的問題。只有經過嚴密的富有邏輯的整理、分析、關聯，才可以作為預測的根據，這就是我們識別資料的重要性。只有，明白資料從何而來，才能知道它走向何處。
3
怎麼做資料分析
有了資料，一堆的資料看起來很大，很亂，我們需要針對性的選擇不同的方式方法來進行整合，以下介紹資料分析方法論。
資料分析方法：
對比分析
——橫切對比、縱切對比、目標對比、時間對比
分類分析
分佈分析
相關分析
——相關分析研究的是事物間的某種聯絡，最常見的聯絡就是因果分析。
對比、分類、分佈、相關這4種基礎分析方法除了可以直接應用外，還可派生出很多衍生方法，這些衍生方法在企業經營決策中經常會用到。
以上方法簡淺易懂，眼花繚亂的東西很多，真正派上用場的卻看起來不那麼炫酷，很多方法樸實無華卻能解決大量問題。
下面就簡單介紹幾種：
1. 細分
嚴格說，細分不是一種方法，卻是一切分析的根源。
細分有兩類——一種是
一定條件下的區隔
例如在頁面停留30s以上的訪客，或者只要某個市區的訪客等，其實就是過濾。
另一種是
維度之間的交叉
，如深圳地區的新訪客，即分類。
2. 熱圖及如圖對比
熱圖對於web，APP的分析都很重要，在web前端，過去一些解決不好的問題，比如只能看連結的被點選情況，點選位置錯位，對浮層部分點選的標記，對鏈出連結的標記等等，現在已經有好的工具能夠解決。
要想熱圖用的好，一個很重要的點在於你幾乎不能單獨使用一個熱圖就想解決問題，在實際工作中，經常用到
集中對比熱圖
方法。
其一，
多種熱圖的對比分析
，尤其是點選熱圖（觸控熱圖）、閱讀線熱圖、停屏熱圖的對比分析
其二，
細分人群的熱圖對比分析
，例如：不同渠道、新老使用者、不同時段、AB測試的如圖對比等
其三，
深度不同的互動
，所反應的熱圖也就是不同餓。
使用熱圖的一個重要方法——
不僅僅只是看整體使用者的熱圖，更應該記得細分不同使用者組，檢視不同組的熱圖區別。
3. 歸因分析法
對於廣告主而言，我需要明確廣告投放出去使用者是從哪個渠道來的，這個使用者的質量怎麼樣，廣告購買和使用者獲取以及使用者在APP內之間的關係，這就算歸因。
歸因，是指在多種因素共同作用造成的某一結果時，各種因素應該佔有造成該結果的多大的作用，即
功勞應該如何分配以及貴歸宿於誰。
嚴格意義上講，歸因模型大約有10種左右，而歸因分類則大體分為
單觸點
和
多觸點
兩類。考慮到使用者購買某一樣東西的決策，可能受到多種因素影響，比如看到廣告瞭解到這個商品的存在，利用搜索，進一步瞭解這個商品，然後在某一渠道上看到這個產品的軟文等等，這些因素的綜合，讓一個人下定決心購買。因此，
單一廣告渠道並不是你開啟客戶的閘門，而是多種渠道作用的結果。
常見的歸因模型：
最終互動模型：100%分配給轉化前使用者最後一次接觸的媒體，這樣也容易測量，但屬於單觸點模式，不完善，適合轉化型廣告主。
首次互動模型：100%分配給第一次接觸的渠道，只考慮最初的品牌認知、不考慮轉化，適合全新品牌。
時間衰退互動模型：配比按時間遞減，適合臨時促銷廣告。
自定義互動模型：自定義個階段配比，適合銷售和品牌同樣重視的廣告。
歸因分析的前提是設定目標
——各渠道共同的目標，目標在各種分析工具中都能夠較為簡單的定義；歸因分析的各個渠道，應該有共同的目標才可以進行歸因。
4. 溯源
經過反覆的細分對比後，基本上可以確定問題所在，這時就需要和業務方確認是否因為某些業務動作導致的資料一出去，包括新版本上線，運營活動策劃最佳化等等。
如果仍沒有透徹，那麼從細粒度查起，如：
使用者日記分析
使用者訪談
網路調研
工作坊
4
為什麼做資料分析
資料分析以量化的方式來分析業務問題並提出解決方案。
建立量化體系——設計指標，建立指標體系，按照指標維度進行收斂。
明確資料量化重點
確保資料準確
站在業務場景角度分析
量化資料是為了
統一認知，並且保證路徑可回溯，可複製。
指標設計——以準確易懂為準則，集合統計學和業務效果的方法論。
常用的統計學工具：
業務概括——平均數、中位數、眾數
業務差異性——方差、標準差
業務分佈——頻數
以電商顧客質量分析為例：概況是我們看下顧客的平均支付金額，或者支付中位數，來了解顧客概括。如果想要了解這批顧客質量是都比較好還是參差不齊，則需要透過方差和標準差來描述。如果想要知道更詳細的內容，可以瞭解每個區間的使用者數是多少來判斷。
5
怎麼使資料分析更有效果
在做資料分析的過程中，我們需要了解什麼樣的資料展示才是對結果的最好展示，如果單純地去看一個數據是沒有太大意義的，
資料本身也具有相應的欺騙性
，比如從運營同學那得到了日新增使用者數1W，那麼單純看這個資料沒有什麼意義，我們可以說這個資料很好，因為看上去很大，但是你可能沒有看到同期的資料，有可能昨天的資料達到了2W。
1. 好文配好圖，要明確要表達的資訊.根據資料選擇合適的圖示型別
2. 好的資料一定是首先最好是以比率的形式存在的，不要絕對數，要相對資料
對比才能更好的展現資料的可用性，對比的資料可以從網際網路資訊網站獲取也可以從競品資料中獲取，還可以從諮詢公司獲取，這樣經過對比分析以及得到的對比率是最具有說服力的。
3. 透過對比來判斷資料的好壞
我們將資料的日增長量做成一個折線圖，
從折線圖我們就能看出這個資料是在高點還是在低點。
透過對比，我們就會得知這個資料所處的位置是什麼樣的。另外，透過對比不同的渠道，對比不同的版本，對比不同的使用者群等不同緯度的資料，都可以從側面反映出這個資料的真實情況。
4. 資料不是一成不變的情況，要動態的去看資料
單純只看一個點的資料情況是沒有意義的，我們要在資料中加入
時間的緯度
。引入一段單位的時間去看待資料整體的變化趨勢，
這樣才能更為客觀的判斷產品的健康程度。
5. 根據資料分析場景進行資料展示
6
怎樣成為優秀資料分析師
1。 分析要有深度
深度是指資料分析對企業的支援程度，當企業面臨決策難題時，資料分析若要有深度，則要全面回答3個問題：
企業的現狀和問題是什麼？
問題為什麼會產生？
企業該怎麼辦？
這3個問題若未答全，則分析的深度就會有所缺失。缺失深度，也就只看到表面的資料累計卻看不到本質的問題。可以從問題的本質出發，
從“是什麼”“為什麼”“怎麼辦”
3個角度思考。
提問是思考的翅膀，善於提問，勤于思考，我們就能達到資料分析的深度，只有不斷的鍛鍊和學習才能在深度深耕。
2。 資料要有可信度
可信度是指分析結果的可靠程度。要有信度，需滿足三個條件：
對比要可比、差異要顯著、描述要全面。
（1）對比要可比
基礎資料基數要具有可比性，不能將基礎資料與其他資料進行混合對比，缺少對比的可能性。
（2）差異要顯著
在做精細化營銷時，往往要用資料來理解不同使用者的差異；根據差異性制定運營策略。差異化的資料更能描述問題，差異化的資料需要進行檢驗，
常用的顯著性檢驗有
T檢驗和方差分析
。以方差分析舉栗子，操作如下
組間差異用組間離差平方和SSA（每組均值與總均值之差的平方和）度量
組間自由度為K-1（K為組數）
組內差異用組內離差平方和SSE（每組中的個案與相應組的均值之差的平方和）度量
組內自由度為N-K（N為總個案數）
用於方差檢驗的是F統計量
要透過檢驗，即要得到組間存在顯著差異的結論，就要使差異主要來自於組間，使得SSA越大越好，SSE越小越好，反映在F統計量上，就是要F越大越好。大於多少？大於F的臨界值，相應的，F的相伴機率小於顯著性水平（預設顯著性水平為0。05）。
根據技術的計算與對比，方差分析告訴我們，
透過現象看本質。
3。 描述要全面
當刻畫一組資料時，描述要全面——
不僅要描述這組資料的一般水平，還要考慮到這組資料的波動水平。
如果波動很大，一般水平對資料總體的代表性就會很差。只考慮一般水平而不考慮波動和差異，會使資料的可信度大大縮水。所以，
資料分析要有深度和寬度
，挖掘夠深，反過來看，就會出現一種漏斗模型，從深度看寬度，以兩種不同角度看問題，分析問題，使得結果更具有說服力。
4。 分析要有效度
效度，指的是效率和速度。
資料分析速度越快、成本越低，則效度越高，成效越顯著。
社交網路分析能成為趨勢，是因為與傳統分析方法相比，社交網路分析更效度。社交網路分析思路是處在社交網路中心且連線數目較多的中心群體比隨機人群更容易影響外界和受到外界的影響。
社交網路分析由於在社交網路中，中心群體比隨機人群更容易影響他人，因此只要使中心群體進行分析，就解決了源頭問題。
社交網路分析之所以優於傳統方法，在於它能夠抓住重點。
中心群體和隨機人群相比，中心群體更重要，因此，社交網路分析以中心群體作為研究物件。用重點單位來發現規律和趨勢，就能事半功倍，產生效度。
在效度方面，社交網路分析之所以優於傳統方法，在於它能夠抓住重點。中心群體和隨機人群相比，中心群體更重要，因此，社交網路分析以中心群體作為研究物件。用重點單位來發現規律和趨勢，就能事半功倍，產生效度。
5。 分析要有通度
在資料分析前要找到分析的目標，帶著問題去分析，也就是了解前期資料分析的需求，後期，需要做資料回報才具有針對性，目的性。溝通的順暢度即通度，通度高低直接影響資料價值的發揮水平。
如何提高溝通效率不影響進度，有
“三用三不用”
原則：
能用圖表就不用資料；能用圖片就不用文字；能用動態呈現就不用靜態展示。
能用圖表就不用資料：
一圖抵千言，圖比資料跟具有說服力。
能用圖片就不使用文字：
文字多了就容易誤導使用者，看著頭暈，跟不能形象表達目標。
能用動態呈現不用靜態展示：
在表達事物隨著時間的變化而變化時，動態呈現能還原真實，比靜態展示更能讓人們產生身臨其境之感。
-
END -
版權歸原作者所有，如有侵權，請聯絡刪除。
