運(yùn)營(yíng)人最常用的9種數(shù)據(jù)分析方法

運(yùn)營(yíng)人最常用的9種數(shù)據(jù)分析方法

一、關(guān)聯(lián)分析

關(guān)聯(lián)分析，也叫作“購(gòu)物籃分析”，是一種通過(guò)研究用戶消費(fèi)數(shù)據(jù)，將不同商品之間進(jìn)行關(guān)聯(lián)，并挖掘二者之間聯(lián)系的分析方法。關(guān)聯(lián)分析目的是找到事務(wù)間的關(guān)聯(lián)性，用以指導(dǎo)決策行為。如“67%的顧客在購(gòu)買(mǎi)啤酒的同時(shí)也會(huì)購(gòu)買(mǎi)尿布”，因此通過(guò)合理的啤酒和尿布的貨架擺放或捆綁銷(xiāo)售可提高超市的服務(wù)質(zhì)量和效益。關(guān)聯(lián)分析在電商分析和零售分析中應(yīng)用相當(dāng)廣泛。關(guān)聯(lián)分析需要考慮的常見(jiàn)指標(biāo)：支持度：指A商品和B商品同時(shí)被購(gòu)買(mǎi)的概率，或者說(shuō)某個(gè)商品組合的購(gòu)買(mǎi)次數(shù)占總商品購(gòu)買(mǎi)次數(shù)的比例。置信度：指購(gòu)買(mǎi)A之后又購(gòu)買(mǎi)B的條件概率，簡(jiǎn)單說(shuō)就是因?yàn)橘?gòu)買(mǎi)了A所以購(gòu)買(mǎi)了B的概率。提升度：先購(gòu)買(mǎi)A對(duì)購(gòu)買(mǎi)B的提升作用，用來(lái)判斷商品組合方式是否具有實(shí)際價(jià)值。

二、對(duì)比分析

對(duì)比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較。對(duì)比法是一種挖掘數(shù)據(jù)規(guī)律的思維，能夠和任何技巧結(jié)合，一次合格的分析一定要用到N次對(duì)比。對(duì)比主要分為以下幾種：橫向?qū)Ρ龋和粚蛹?jí)不同對(duì)象比較，如江蘇不同市茅臺(tái)銷(xiāo)售情況?？v向?qū)Ρ龋和粚?duì)象不同層級(jí)比較，如江蘇南京2021年各月份茅臺(tái)銷(xiāo)售情況。目標(biāo)對(duì)比：常見(jiàn)于目標(biāo)管理，如完成率等。時(shí)間對(duì)比：如同比、環(huán)比、月銷(xiāo)售情況等，很多地方都會(huì)用到時(shí)間對(duì)比。

三、聚類(lèi)分析

聚類(lèi)分析屬于探索性的數(shù)據(jù)分析方法。從定義上講，聚類(lèi)就是針對(duì)大量數(shù)據(jù)或者樣品，根據(jù)數(shù)據(jù)本身的特性研究分類(lèi)方法，并遵循這個(gè)分類(lèi)方法對(duì)數(shù)據(jù)進(jìn)行合理的分類(lèi)，最終將相似數(shù)據(jù)分為一組，也就是“同類(lèi)相同、異類(lèi)相異”。在用戶研究中，很多問(wèn)題可以借助聚類(lèi)分析來(lái)解決，比如，網(wǎng)站的信息分類(lèi)問(wèn)題、網(wǎng)頁(yè)的點(diǎn)擊行為關(guān)聯(lián)性問(wèn)題以及用戶分類(lèi)問(wèn)題等等。其中，用戶分類(lèi)是最常見(jiàn)的情況。常見(jiàn)的聚類(lèi)方法有不少，比如K均值（K-Means），譜聚類(lèi)（SpectralClustering），層次聚類(lèi)（HierarchicalClustering）。以最為常見(jiàn)的K-means為例，可以看到，數(shù)據(jù)可以被分到黃藍(lán)綠三個(gè)不同的簇（cluster）中，每個(gè)簇有其特有的性質(zhì)。

四、留存分析

留存分析是一種用來(lái)分析用戶參與情況/活躍程度的分析模型，考查看進(jìn)行初始行為后的用戶中，經(jīng)過(guò)一段時(shí)間后仍然存在客戶行為（如登錄、消費(fèi)）。留存不僅是個(gè)可以反映客戶粘性的指標(biāo)，更多地反映產(chǎn)品對(duì)用戶的吸引力。按照不同周期，留存率分為三類(lèi)：第一種是日留存，日留存又可以細(xì)分為以下幾種：次日留存率：（當(dāng)天新增的用戶中，第2天還登錄的用戶數(shù)）/第一天新增總用戶數(shù)；第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)。第二種是周留存，以周度為單位的留存率，指的是每個(gè)周相對(duì)于第一個(gè)周的新增用戶中，仍然還有登錄的用戶數(shù)。第三種是月留存，以月度為單位的留存率，指的是每個(gè)月相對(duì)于第一個(gè)周的新增用戶中，仍然還有登錄的用戶數(shù)。留存率是針對(duì)新用戶的，其結(jié)果是一個(gè)矩陣式半面報(bào)告（只有一半有數(shù)據(jù)），每個(gè)數(shù)據(jù)記錄行是日期、列為對(duì)應(yīng)的不同時(shí)間周期下的留存率。正常情況下，留存率會(huì)隨著時(shí)間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

五、帕累托分析

帕累托法則，源于經(jīng)典的二八法則——“世界上80%的財(cái)富掌握在20%的富人手里”。而在數(shù)據(jù)分析中，這句話可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果，需要圍繞找到的20%有效數(shù)據(jù)進(jìn)行挖掘，使之產(chǎn)生更大的效果。比如一個(gè)商超進(jìn)行產(chǎn)品分析的時(shí)候，就可以對(duì)每個(gè)商品的利潤(rùn)進(jìn)行排序，找到前20%的產(chǎn)品，那這些產(chǎn)品就是能夠帶來(lái)較多價(jià)值的商品，可以再通過(guò)組合銷(xiāo)售、降價(jià)銷(xiāo)售等手段，進(jìn)一步激發(fā)其帶來(lái)的收益回報(bào)。帕累托法則一般會(huì)用在產(chǎn)品分類(lèi)上，此時(shí)就表現(xiàn)為ABC分類(lèi)。常見(jiàn)的做法是將產(chǎn)品SKU作為維度，并將對(duì)應(yīng)銷(xiāo)售額作為基礎(chǔ)度量指標(biāo)，將這些銷(xiāo)售額指標(biāo)從大到小排列，并計(jì)算累計(jì)銷(xiāo)售額占比。百分比在70%（含）以內(nèi)，劃分為A類(lèi)。百分比在70~90%（含）以內(nèi)，劃分為B類(lèi)。百分比在90~100%（含）以內(nèi)，劃分為C類(lèi)。按照A、B、C分組對(duì)產(chǎn)品進(jìn)行了分類(lèi)，根據(jù)產(chǎn)品的效益分為了三個(gè)等級(jí)，這樣就可以針對(duì)性投放不同程度的資源，來(lái)產(chǎn)出最優(yōu)的效益。

六、象限分析

象限法是通過(guò)對(duì)兩種及以上維度的劃分，運(yùn)用坐標(biāo)的方式，人工對(duì)數(shù)據(jù)進(jìn)行劃分，從而傳遞數(shù)據(jù)價(jià)值，將之轉(zhuǎn)變?yōu)椴呗浴Ｏ笙薹ㄊ且环N策略驅(qū)動(dòng)的思維，常應(yīng)用在產(chǎn)品分析、市場(chǎng)分析、客戶管理、商品管理等場(chǎng)景，像RFM模型、波士頓矩陣都是象限法思維。下面這個(gè)RFM模型就是利用象限法，將用戶分為8個(gè)不同的層級(jí)，從而對(duì)不同用戶制定不同的營(yíng)銷(xiāo)策略。象限法的優(yōu)勢(shì)：（1）找到問(wèn)題的共性原因通過(guò)象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無(wú)效的推廣渠道；（2）建立分組優(yōu)化策略針對(duì)投放的象限分析法可以針對(duì)不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點(diǎn)發(fā)展客戶、重點(diǎn)保持客戶、一般發(fā)展客戶、一般保持客戶等不同類(lèi)型。給重點(diǎn)發(fā)展客戶傾斜更多的資源，比如VIP服務(wù)、個(gè)性化服務(wù)、附加銷(xiāo)售等。給潛力客戶銷(xiāo)售價(jià)值更高的產(chǎn)品，或一些優(yōu)惠措施來(lái)吸引他們回歸。

七、ABtest

A/Btest，是將Web或App界面或流程的兩個(gè)或多個(gè)版本，在同一時(shí)間維度，分別讓類(lèi)似訪客群組來(lái)訪問(wèn)，收集各群組的用戶體驗(yàn)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后分析評(píng)估出最好版本正式采用。A/Btest的流程如下：現(xiàn)狀分析并建立假設(shè)：分析業(yè)務(wù)數(shù)據(jù)，確定當(dāng)前最關(guān)鍵的改進(jìn)點(diǎn)，作出優(yōu)化改進(jìn)的假設(shè)，提出優(yōu)化建議；比如說(shuō)我們發(fā)現(xiàn)用戶的轉(zhuǎn)化率不高，我們假設(shè)是因?yàn)橥茝V的著陸頁(yè)面帶來(lái)的轉(zhuǎn)化率太低，下面就要想辦法來(lái)進(jìn)行改進(jìn)了。設(shè)定目標(biāo)，制定方案：設(shè)置主要目標(biāo)，用來(lái)衡量各優(yōu)化版本的優(yōu)劣；設(shè)置輔助目標(biāo)，用來(lái)評(píng)估優(yōu)化版本對(duì)其他方面的影響。設(shè)計(jì)與開(kāi)發(fā)：制作2個(gè)或多個(gè)優(yōu)化版本的設(shè)計(jì)原型并完成技術(shù)實(shí)現(xiàn)。分配流量：確定每個(gè)線上測(cè)試版本的分流比例，初始階段，優(yōu)化方案的流量設(shè)置可以較小，根據(jù)情況逐漸增加流量。采集并分析數(shù)據(jù)：收集實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行有效性和效果判斷：統(tǒng)計(jì)顯著性達(dá)到95%或以上并且維持一段時(shí)間，實(shí)驗(yàn)可以結(jié)束；如果在95%以下，則可能需要延長(zhǎng)測(cè)試時(shí)間；如果很長(zhǎng)時(shí)間統(tǒng)計(jì)顯著性不能達(dá)到95%甚至90%，則需要決定是否中止試驗(yàn)。最后：根據(jù)試驗(yàn)結(jié)果確定發(fā)布新版本、調(diào)整分流比例繼續(xù)測(cè)試或者在試驗(yàn)效果未達(dá)成的情況下繼續(xù)優(yōu)化迭代方案重新開(kāi)發(fā)上線試驗(yàn)。

八、漏斗分析

漏斗思維本質(zhì)上是一種流程思路，在確定好關(guān)鍵節(jié)點(diǎn)之后，計(jì)算節(jié)點(diǎn)之間的轉(zhuǎn)化率。這個(gè)思路同樣適用于很多地方，像電商的用戶購(gòu)買(mǎi)路徑分析、app的注冊(cè)轉(zhuǎn)化率等等。上圖是經(jīng)典的營(yíng)銷(xiāo)漏斗，形象展示了從獲取用戶到最終轉(zhuǎn)化成購(gòu)買(mǎi)這整個(gè)流程中的一個(gè)個(gè)子環(huán)節(jié)。整個(gè)漏斗模型就是先將整個(gè)購(gòu)買(mǎi)流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率來(lái)衡量每一個(gè)步驟的表現(xiàn)，最后通過(guò)異常的數(shù)據(jù)指標(biāo)找出有問(wèn)題的環(huán)節(jié)，從而解決問(wèn)題，優(yōu)化該步驟，最終達(dá)到提升整體購(gòu)買(mǎi)轉(zhuǎn)化率的目的。著名的海盜模型AARRR模型就是以漏斗模型作為基礎(chǔ)的，從獲客、激活、留存、變現(xiàn)、自傳播五個(gè)關(guān)鍵節(jié)點(diǎn)，分析不同節(jié)點(diǎn)之間的轉(zhuǎn)化率，找到能夠提升的環(huán)節(jié)，采取措施。

九、路徑分析

用戶路徑分析追蹤用戶從某個(gè)開(kāi)始事件直到結(jié)束事件的行為路徑，即對(duì)用戶流向進(jìn)行監(jiān)測(cè)，可以用來(lái)衡量網(wǎng)站優(yōu)化的效果或營(yíng)銷(xiāo)推廣的效果，以及了解用戶行為偏好，其最終目的是達(dá)成業(yè)務(wù)目標(biāo)，引導(dǎo)用戶更高效地完成產(chǎn)品的最優(yōu)路徑，最終促使用戶付費(fèi)。如何進(jìn)行用戶行為路徑分析？計(jì)算用戶使用網(wǎng)站或APP時(shí)的每個(gè)第一步，然后依次計(jì)算每一步的流向和轉(zhuǎn)化，通過(guò)數(shù)據(jù)，真實(shí)地再現(xiàn)用戶從打開(kāi)APP到離開(kāi)的整個(gè)過(guò)程。查看用戶在使用產(chǎn)品時(shí)的路徑分布情況。例如：在訪問(wèn)了某個(gè)電商產(chǎn)品首頁(yè)的用戶后，有多大比例的用戶進(jìn)行了搜索，有多大比例的用戶訪問(wèn)了分類(lèi)頁(yè)，有多大比例的用戶直接訪問(wèn)的商品詳情頁(yè)。進(jìn)行路徑優(yōu)化分析。例如：哪條路徑是用戶最多訪問(wèn)的；走到哪一步時(shí)，用戶最容易流失。通過(guò)路徑識(shí)別用戶行為特征。例如：分析用