数据分析场景及数据指标体系解读

数据分析是用数据的方法解决实际运营中遇到的问题；分析数据前，了解对应业务背景下的指标体系是必要的。今天我们的内容是梳理数据指标体系，并介绍几种常见的分析场景，最后再列具几类经典的数据分析方法：

一个数据指标，由时间粒度和口径组成；时间粒度是在时间上的限定，口径是在空间上的限定（具体指来源及计算规则），如日活和月活是时间粒度不同，日活和日新增是口径上的不同；根据具体情况组合时间粒度和口径形成数据指标；

运营数据指标按以下分类列出常用指标：

规模评估：

累积注册用户数（ARU, Accumulative Registered Users）累积登录用户数（ALU，Accumulative Logged-in Users）日登录用户数（DLU, Daily Logged-in Users）/月登录用户数（MLU）日活跃用户数（DAU, Daily Active Users）/月活跃用户数（MAU）日最高同时在线用户数（日PCU, Peak Concurrent Users）活跃率

用户留存：

日新增用户数（DNU, Daily New Users）次日留存用户数/七日留存用户数第N日留存率日回流用户数/周回流用户数回流率

用户行为：

日访问量（PV, Page View）日用户量（UV, Unique Visitor）单次访问时长日平均在线时长（DAOT, Daily Average Online Time）转发率转化率K因子

付费评估：

日付费用户数累积付费用户数付费率复购率人均付费（客单价，ARPU，Average Revenue Per User）付费用户人均付费（ARPPU, Average Revenue Per Payment User）人均生命周期价值（人均LTV, Life Time Value ）

按以下分类列出常见的分析场景：

经营类数据分析：指收入、销量等与企业经营活动相关分析，监控企业的运行情况；

目标是发现企业运营中的问题，主要关注点是销量/销售额总体的时序变化、地区分布、变化原因。

用户数据分析：指购买额、购买频次、购买偏好等相关分析；

目标是深入理解客户，典型的分析方法有两种，一是根据用户属性/行为绘制用户画像分层，二是根据RFM模型衡量用户价值分层。

销售数据分析：指销售收入、销售额、单价等与销售情况直接相关的分析，与经营类分析相比，它的分析颗粒更细，频次更密，要求速度更快；

目标是完成销售任务，监控销售销量低的原因，提出解决方法，主要关注时序进度、落后原因、销售单产情况。

营销/市场分析：指企业营销/市场活动的投放、反馈、效果相关分析；

目标是了解活动结果、优化活动计划、提升活动效率，关注点主要集中在ROI相关指标

产品分析：指单个产品的分析，包括实物产品和服务产品，分析内容综合上面提到的几类；

分析目标集中在单样产品上。

数据分析方法论

提到数据分析，一些同志张口就来EXCEL、SQL、Python,然而事实上技能容易掌握，思维却很难培养。以下内容就是关于数据分析思维，除了数据分析方法、模型的梳理及在实战中的应用外，还包括我学习数据分析到目前为止的一些思考。

首先数据分析是基于日常业务的观察、监测、分析与优化的一个过程，是对已有对象的全面描述、刻画、梳理后得出结论，用数据的方法解决运营中遇到的问题。对应起来，数据分析思维就是从解决问题的角度出发，找到解决问题需要的元素，层层剥离下去，最终联系到已有资源；这是一种解决问题的方式，以结果为导向的向数据源头的追溯。

在工作中数据分析的四种使用场景为：

报表制作异常数据分析数据需求处理项目性分析

报表制作是对日常业务的描述监测；

异常数据分析是从发现异常，到分析原因，给出方案推动执行，最后监控效果反思总结的过程；

数据需求处理是面对他人给出的数据需求，要识别伪需求，协助对方解决实际问题；

项目性分析是评估投入产出比，给出预期效果的数据分析。

数据分析体系

本次以异常数据分析为例，展开分析方法的介绍：

首先要了解数据分析体系其实就是两核心的叠加，无论是怎样的分析，都逃不出这个分析体系。

核心一：人（内部人员/客户）、财（收入/支出）、物（产品/服务）之间的单个对象或者对象间的叠加核心二：变化、分布、对比、预测

数据分析模型是在专业领域不断迭代打磨，形成的一套套有适用场景的理论依据，对应核心一；数据分析方法是分析的实操手段，对应核心二；

下面依次介绍数据分析模型和数据分析方法；

1.重要的分析模型

1七何分析法

从原因（Why）、事件(What)、人物(Who)、时间(When)、地点(where)、操作（How）、消费(How much)七个因素来构建分析框架

2 AARRR模型（转化漏斗模型）

从获取用户（Acquisition）、激活用户（Activation）、提高留存（Retention）、增加收入（Revenue）、自增长（Refer）五步来进行用户行为分析

3 RFM模型（用户价值分类模型）

从最近一次消费时间间隔（Recency）、消费频率(Frequency)、消费金额( Money)三各维度分析用户价值

4 4P营销理论

从产品（Product）、价格（Price）、渠道(Place)、促销(Promotion)四个维度分析企业整体经营情况

5 SWOT分析法

从优势（Strengths）、劣势(Weaknesses)、机会(Opportunities)、威胁(Threats)四要素分析企业自身进展战略方向

6 PEST分析(宏观环境分析法)

从政治环境、经济环境、社会环境、技术环境四个角度对企业发展的宏观环境的分析

2 重要的分析方法

1 多维度拆分分析

将问题拆分，从多角度分析；

拆分时可以依据指标构成（例GMV=浏览量*成交转化率*客单价）或业务流程（例成交流程：浏览-加购物车-下单-付款）来进行。

2 逻辑树分析

将大目标拆分为多个小问题

3 对比分析

和谁比（不同时间下自身比较、不同部门/地区比较、与竞争对手/目标比较）

如何比较（比较指标的类型、计算方式、计量单位、口径）

4 假设检验分析

提出假设，收集证据，得出结论

除了以上介绍的内容，还有很多其他的分析模型，结合实际业务，选择合适的分析方法，才能有效地进行分析工作。

3 实战中的应用

下面列举几个实际案例，介绍如何选择正确的分析方法及模型

1 店铺销售额降低如何分析？

定位问题：运用多维度分析法和七何分析模型定位到异常现象发生的具体位置和程度

拆分维度有：

who:用户（新用户/老用户、渠道、画像等）when：访问时段where:产品（产品类型）

定位到底是谁的销售额变低？

拆分问题：运用多维度分析法从指标构成拆分

销售额=浏览量*转化率*客单价销售额=GMV-取消订单金额-退货订单金额假设检验：确定问题源头，分析原因，提出假设再验证，再假设再验证

可以从以下角度提出假设

内部原因：产品、价格、渠道、促销（4P营销理论）外部原因：政治、经济、社会、技术（PEST分析）

例如：

如果是某渠道的转化率降低的话，可以考虑这个渠道是否作假，或者是该渠道带来的用户非目标用户；如果是整体的浏览量下降的话，可以考虑采取手段改善，如增大广告投放等；如果是某类商品的浏览量、转化率都降低，可以考虑是否外界社会舆论压力或者用户生活方式的改变，导致此类型商品需求量降低；如果整体的转化率下降的话，可以考虑是受竞争对手的影响；

2 若用户留存率下降如何分析？

定位问题：运用多维度分析法定位到异常现象发生的具体位置和程度

拆分维度有：新用户/老用户、渠道、画像（用户特征）等

分析不同维度下的用户留存情况、定位到问题人群

假设检验：提出假设再验证，再假设再验证

内部：用户获取及激活（AARRR模型）、产品外部：PEST,主要考虑竞品影响

例如

如果是新用户次日留存率降低，考虑是否新手教程不完善，用户初次使用体验不好；如果老用户留存率降低，考虑促活手段是否到位，可以利用签到等提升用户活跃率；如果整体用户留存率都降低，考虑是否版本更新后引发用户不满意或者竞争对手有了新活动；

以上就是本文的所有内容，遇到问题时我们要结合具体业务场景选择合适的分析方法才能有效地完成分析。

之后我会继续补充在具体应用场景下的分析方法，敬请期待~

附上我认为求职数据分析应该掌握的技能块：

EXCEL

数据透视表vlookup常用函数基础图表

SQL

操作Mysql分组、聚合、排序

python

基本语法numpypandaspychartpython数据清洗python操作数据库

概率统计

描述性统计：平均值、标准差、中位数概率：独立事件、相关事件、期望、贝叶斯公式概率分布：离散概率分布、连续概率分布统计推断：抽样、置信区间、假设检验

机器学习

逻辑回归贝叶斯决策树随机森林k-means主成分分析线性回归

业务知识

业务指标分析思维制作分析报告