文章目录

零、分析方法基础一、5W2H分析法二、逻辑树分析法（类似思维导图）三、PEST分析法（行业分析方法）四、多维度拆解分析法（维度+拆解）五、对比分析法六、假设检验分析法七、相关分析法八、群组分析法九、RFM分析法十、AARRR分析法十一、漏斗分析法（定位问题节点）十二、结合（其他分析方法）

零、分析方法基础

(资料图)

1、分析方法很重要作为一个数据分析师，第一个要求是懂业务，第二个是沟通表达，第三个要求是掌握分析方法。业务是根据实际场景和前人经验积累而得，沟通表达是自己锻炼出来出来的，分析方法则完全靠自己去学习、理解并掌握。

2、什么是分析方法若将分析方法和盖房子类比，分析方法就好比在盖房子前的设计图，它用来指导如何盖房子。数据分析中的工具就好比盖房子的水泥车、沙铲等工具，在设计图的指导下才知道如何使用水泥车、沙铲来盖房子。同样，在分析方法的指导下在知道如何使用Excel、SQL、Python、Tableau等软件工具去分析数据，从而解决业务问题。

3、数据分析常用分析方法

一、5W2H分析法

1、内容

What是什么

When什么时候

Where什么时候

Why为什么

Who是谁

How怎么做

How much多少

2、用处该方法只适合比较简单的问题进行分析，不适合比较复杂的商业问题，因为复杂的问题是由很多个原因共同引起的，因此无法简单地进行归因。

3、使用What：这是什么产品？ When：这个产品什么时候上线？ Where：在哪里发布这些产品？ Why：用户为什么需要它？ Who：这个产品是给谁设计的？ How：这个产品需要怎么运作？ How much：这个产品又付费功能吗，需要支付多少钱？

二、逻辑树分析法（类似思维导图）

1、概念逻辑树分析方法就是把复杂的问题简单化，也就是一个拆解和细分成若干个子问题的过程，就像树枝展开一样。 2、用处通过逻辑树分析方法，可以把一个复杂的问题变成一个个容易处理的子问题。

三、PEST分析法（行业分析方法）

1、概念能从各个方面把握宏观环境的现状及变化趋势，主要用户行业分析，主要就是四个单词。 P：政策（policy） E：经济（economy） S：社会（Society） T：技术（technology

2、用处1）当个人在对自己进行职业规划时，思考哪个行业比较好时； 2）当公司需要外部环境，或者行业竞争对手有所了解，需要发展规划的时候； 3）当面对重大问题，需要分析行业问题的时候。

3、使用宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。

政治环境：政治体制、经济体制、财政政策、税收政策、产业政策、投资政策等。

社会环境：人口规模、性别比例、年龄结构、生活力式、购买习惯、城市特点等。

技术环境：折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度等。

经济环境：GDP 及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。

4、政策方面分析例子

四、多维度拆解分析法（维度+拆解）

1、概念多维度拆解法就是从不同的角度看待问题。维度就是观察的角度，拆解就是在多个维度进行加法，也就是多个维度构成一个答案。

2、举例评价一个公司好坏需要从多个维度出发： 1）加班强度 2）通勤时间 3）专业是否对口 4）晋升路劲 5）行业水平如何 6）行业水平 7）同时关系如何 8）薪资福利 通过多维度拆解过后就是： 好公司=加班强度低（维度1）+通勤时间短（维度2）+专业对口（维度3）+薪资福利好（维度4）+…

3、用处（辛普森悖论：既要关注整体也要关注局部）在有些情况下，考察数据整体和考察数据的不同部分时，会得出相反的结论。只看整体数据，我我们可能注意不到“数据内部各个部分构成的差异”。因此，需要从多个维度去观察数据，才能得出相对可靠的结论。

五、对比分析法

1、概念就是自己内部比、和整个行业的水平比。

2、《经济学人》订阅实验

3、使用（三个维度进行比较）1）数据整体的大小:某些指标可用来衡量整体数据的大小。常用的有平均值、中位数,或者某个业务指标 2）数据整体的波动:标准差除以平均值得到的值称为变异系数。变异系数可用来衡量整体数据的波动情况。 3）趋势变化:从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比。

4、注意1）时间折线图是以时间为横轴、数据为纵轴绘制的折线图。从时间折线图上可以了解数据从过去到现在发生了哪些变化,还可以通过过去的变化预测未来的动向环比是和上一个时间段对比，用于观察短期的数据集。例如:本周和上周对比，本月和.上月对比。.同比是与去年同一时间段进行对比，用于观察长期的数据集。例如:某数据在2020年10月比2019年10月下降14.8%。

2）比较的对象规模要一致，才有可比性。

5、A/B测试本质就是一种对比分析方法。 简单来说， A/B测试就是为了同一个目标制定两个版本，这两个版本只有某个方面不一样， 其他方面保持一致。 例如两个版本只有按钮颜色不一样，让一部分用户使用A版本(实验组)，一部分用户使用B版本(对照组)。试运行一段时间后， 分别统计两组用户的表现，然后对两组数据进行对比分析，最后选择效果更好的版本正式发布给全部用户。

6、A/B例子比如发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

六、假设检验分析法

1、概念

过程说明

1）提出假设根据需要解决的问题，提出假设的情况

2）收集证据通过收集需要的材料来证明假设成立

3）得出结论此处的结论不是个人主观猜想出来的，而是依靠找出的证据来证明和检验出来的

2、用处1）显著提升思维能力 2）进行归因分析

3、使用1）从用户、产品、竟品这3个维度提出假设，可以辅助检查提出的假设是否又遗漏

2）从4P营销理论提出假设（产品、价格、渠道、促销）

3）从业务流程提出假设 主要是使用多维度拆解分析方法进行进行提出假设和验证结论。

七、相关分析法

1、用处1）就是判断两个问题相关性的分析方法。在研究两种或者两种以上的数据之间有 什么关系，或者某个事情收到其他因素影响的问题时；

2）在解决问题的过程中，相关分析可以帮.助我们扩大思路，将视野从一种数据扩大到多种数据；

3）相关分析通俗易懂，方便沟通。不需要专业人士解读也可以很好的理解，沟通双方都不需要解释“相关”的含义。

2、相关系数（画散点图）如果相关系数绝对值在0~0.3，则认为是低度相关。 如果相关系数绝对值在0.3~0.7，则认为是中度相关。 如果相关系数绝对值在0.7~1,则认为是高度相关。

3、使用先通过假设检验，找出各种导致问题发生的可能原因，再通过相关分析，计算每个原因对问题产生的相关系数，分析得到的因素中对问题产生影响最大的那个。

八、群组分析法

1、概念按照某个特征，将数据分成不同的组，然后比较各个组的数据。

2、用处1）产品会随着时间发布新的版本，产品改版的效果如何?用户量是增长了还是下降了?需要对用户进行分组。

2）然后比较不同组的留存率，所以，群组分析常用于分析留存率随着时间发生了哪些变化，然后找出留下和流失的原因。

九、RFM分析法

1、概念1）RFM分别代表三个单词： Recently：最近一次消费的时间间隔 Frequency：消费的频率 Monetary：消费的金额

2）判断方法 对于消费时间间隔R：离上一次消费越近，也就是R值越小，用户价值越高 对于消费品率F：购买频率越高，也就是F的值越大，用户价值越高 对于消费金额M：消费金额越高，也就是M的值越大，用户价值越高

2、用处当需要将用户进行分类时可以按照RFM进行，对应不同RFM的用户，可以进行总结，得到不同用户分类的规则，实现精细化运营。

我们可以从这三个维度，对用户进行一个分级,我们可以把它分成8类，这8类可以涵盖我 们想要说明的这个用户的价值。比如说近期有购买或者有使用的这样高频次使用，同时 高金额消费这样的用户，我们可以把它定义为我们网站，或者我们平台、APP的高价值用 户：

3、使用对每一-个用户都计算处RFM值并计算出他们的R、F、M的平均分，再看每一项时高于平均分还是低于平均分，然后就可以得到用户属于“高”、“低”。最后就可以根据他属于的类别进行精细化营销。 4、与RFM类似的分类方法1 ）根据会员属性进行分类，如用户的性别、城市、设备、登陆次数等。 2 ）根据用户的活跃度进行分类，把用户分为未转化会员、新会员、活跃会员和沉寂会员。什么是未转化会员?就是指那些注册了，但是从来没有购买的用户。 3 ）根据用户的购买偏好，结合实际购买的场景，给他做一个分类。同时也可以根据用户 的预定平台和推广渠道的敏感来给他分。 4 ）也有通过注册来源，比如说PC/APP/H5。假如说我们的网站中大多数会员通过APP端 注册来的。那我们做一些激活活动的话,应该着重发力在APP，而不是选择在PC或者H5这样的端口。

十、AARRR分析法

1、概念分别代表了：

过程说明

获取用户用户如何找到我们？

激活用户用户的首次体验如何？

提高留存用户会回来吗？

增加收入如何获得更高的利润？

推荐用户会推荐给其他人吗？

2、使用1）获取用户：日应用下载量、获客成本、日新增用户数、渠道曝光量、渠道转化率；

2）激活用户：用户路径图；

3）提高留存：让用户养成习惯，可以通过群组分析来找到原因；

4）用来衡量业务总量的指标(如成交额、成交量)，用来衡量每个人均情况的指标(如客单价)，用来衡量付费情况的指标(如付费率、复购率)，注意"夹点”损失，潜在收益的地方。

十一、漏斗分析法（定位问题节点）

1、概念也叫转化漏斗分析，是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

2、用处1）在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。 2）在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

3、说明1）环节转化率=本环节用户数/上一环节用户数：衡量相邻业务环节的转化情况 2）整体转化率=某环节用户数/第一环节用户数：衡量从第一环节到该环节为止的总体转化情况

4、使用1）漏斗分析的整体转化率，是从整体上评估各环节用户占初始环节用户的比例，这样就可以根据一定 的比例，去预测未来的大致转化或者流失情况；

2）漏斗分析的环节转化率可以评估各业务环节之间的转化情况，通过比较各环节转化率，从而寻找业 务瓶颈点，也就是找到最低转化率对应的业务环节；

3）将单纯的线索发展到进件，是件并不是一件容易的事，但是这个点是否就是急需优化的流程，这就需要使用对比分析方法并且结合现在的行业平均值来比较。

4）注意：使用漏斗分析方法来分析用户转化问题时，不同行业的业务流程不一样，所以漏斗分析图也不 一样

十二、结合（其他分析方法）

1、其他分析方法1）聚类分析 聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。 用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等

2）埋点分析 只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。 通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为（如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。）

3）来源分析 流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。 传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

4）用户分析 用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。 可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

5）趋势分析 最简单、最常见的数据分析方法，一般用于核心指标的长期跟踪，比如点击率、GMV、活跃用户数。可以看出数据有那些趋势上的变化，有没有周期性，有没有拐点等，继而分析原因。

6）多维分解 也就是通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。举个例子，对网站维护进行数据分析，可以拆分出地区、访问来源、设备、浏览器等等维度。

7）交叉分析 交叉分析法就是将对比分析从多个维度进行交叉展现，进行多角度的结合分析，从中发现最为相关的维度来探索数据变化的原因

8）留存分析 留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。衡量留存的常见指标有次日留存率、7日留存率、30日留存率等。

9）SWOT分析 SWOT分析法也叫态势分析法，S （strengths）是优势、W （weaknesses）是劣势、（opportunities）是机会、T （threats）是威胁或风险。 SWOT分析法是用来确定企业自身的内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析。 运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而将公司的战略与公司内部资源、外部环境有机地结合起来。

2、建议数据分析方法有很多，还有一些统计方法，这些都只是比较常用的数据分析方法。而且这些分析方法并不是各自独立的，而是可以相互嵌套进行使用的。数据分析的目的就是通过分析数据找出问题，验证找出的问题，最后 提出解决问题的方案。这是一个全程带有有逻辑推理的的过程，应该十分严谨，根据真实的数据分析结果得出结论，而不是一拍脑袋想当然地提出一个建议。