对于数据分析初学者，经常会遇到拿到数据，不知道使用什么样的数据分析方法来进行分析，感觉无从下手。本文就总结了互联网数据分析的9种常用方法

1. 对比分析

1.1. 比什么？

- 绝对值：如果数据本身具备价值，比如销售金额、文章浏览量等，可直接看绝对值。但绝对值容易无法直接得知问题的严重程度

- 比例值：在具体环境中看比例才具备对比价值，比如活跃用户占比、注册转化率等，但比例值容易受到极端值的影响，比如一新产品昨天下载10个，注册8个，注册转化率80%，单看注册转化率很漂亮，但下载数量太少这时看转化率意义不大

1.2. 怎么比？

- 环比：与相邻的上一个时间范围相比，比如月环比，是本月和上月数据相比

- 同比：与往期同一个时间范围相比，比如月同比，这个月和去年相同月份相比

1.3. 和谁比？

- 和自己比：从时间维度比较，和不同业务线比较

- 和行业比：和行业同行比，可以看出数据波动是自身因素还是行业趋势改变

2. 多维度拆解

2.1. 是什么？通过指标/业务流程的多维度拆解，观察数据变动是受哪个维度的数据影响

2.2. 适用场景

- 需要分析单一指标的构成、比例时

- 需要对流程进行拆解分析

- 需要还原行为发生时的场景

2.3. 举例：运营数据看板显示，昨天的产品支付转化率突然下降了20%。通过对比分析确认，上周、上月、上年同期均不存在这么明显下降，所以判定这个数据是有异常的。接下来就需要对这个问题进行多维度拆解分析，可拆解的维度有：渠道、地区、设备等，通过拆解各个维度的数据，探寻哪个维度数据环比同比有异常表现。确定某个维度数据异常后，可再联系相关部门同事，询问问题发生时是否有营销、运营动作，找到数据异动的背后真相

3. 漏斗观察

3.1. 适用场景：有明确的业务流程和业务目标，比如：安装-注册-浏览-选购-支付，每一步都对下一步有所影响

3.2. 注意事项

- 漏斗观察的使用，需要根据业务实际情况，选择对应合适的时间窗口。因为营销运营策略一般只在相对较短时间内对用户心智有所影响，用户A今年下载产品，次年才完成注册，这种极端情况就不能纳入漏斗观察

- 漏斗一定要有严格顺序，如果为了方便缩短漏斗路径，很容易将一些未知的步骤数据纳入漏斗，从而造成数据异常不具有参考性

- 漏斗的计数单位，可以根据业务分析场景，选择是基于用户还是基于事件

4. 分布情况分析

4.1. 是什么？从事件在不同维度中的分布来观察，以便理解该事件除了累计数量和频次外，更多维度的信息

4.2. 适用场景

- 已经知道一群用户完成了指定事件，但需要对用户群体进行细分，从不同维度将用户分层，方便后续的维护和分析

- 已经知道单个事件的完成次数，但需要将这些次数划分到不同维度上看分布情况，以便更清晰了解该事件的完成情况

4.3. 举例

- 事件频率，将不同事件频率的用户分层管理

- 一天内的时间分布，将资源投入到高频时间段

- 消费金额的区间，区分高价值、低价值客户

5. 用户留存

5.1. 是什么？

- 大盘留存：将某个时间范围与另一个时间范围的用户ID交叉去重

- 精准留存：过滤有过指定行为的用户ID，将用户分群，计算观察其之间留存区别

5.2. 适用场景

- 评估产品功能粘性

- 验证产品长期价值

6. 用户画像

6.1. 是什么？通过对用户打不同标签，将用户分群，以便对不同群体分别制定不同的运营策略

6.2. 常见标签有哪些？

- 基础属性：地域、年龄、性别、教育程度、职业等

- 社会关系：婚姻状态、有无子女、有无老人等

- 行为特征：注册时间、来源渠道、购买记录等

- 业务相关：浏览喜好、收藏10+数据分析书籍等

6.3. 标签从哪来？

- 用户直接填写：注册信息、兴趣领域选择、收件信息等

- 通过已有特征推测，一般在做个性化运营、营销活动等需要用到，比如通过用户购买多次剃须泡沫等男士用品推测该用户为男性

7. 归因查找

7.1. 适用场景

- 将业务目标的达成拆分到各个模块，方便统计各模块的贡献

- 获悉当前指标达成的主要因素，获得如何提升业务指标的洞见

7.2. 影响事件完成的关键部分有哪些？

- 末次归因：转化路径短，且事件间关联性强的场景，比如：直播充值，主要为送礼和私信主播两个末次原因

- 递减归因：转化路经长，非目标事件差异不大，没有完全主导步骤，比如：游戏充值，影响因素是层层递减的

- 首次归因：强流量依赖的业务场景，拉人比后续所有事都重要，比如：P2P，因为产品烂导致借钱用户流失的很少

8. 路径挖掘

8.1. 是什么？逐级展开某一事件的前一级（后一级）事件，观察其流向

8.2. 适用场景

- 有明确的起始场景，希望观察这个场景后面发生了什么

- 有明确的结果目标，希望观察用户都从哪来的

9. 行为序列

9.1. 是什么？将单一用户的所有行为以时间线的形式进行排列

9.2. 适用场景

- 观察掩盖在统计信息下更细致的信息，还原用户具体的使用场景

- 通过观察具体的行为特征，找到提升产品价值的机会点

总结

以上，就是互联网常见的9种数据分析方法，基本可以解决业务上遇到的90%数据分析问题。剩下约10%的数据分析问题，需要大家在工作上不断积累经验，培养业务洞察力，吸纳更多的理论知识，以不断的实践来解决