編輯導語：在數據分析中，有各種各樣的分析方法供我們使用。復雜的分析方法固然好用，但是日常工作中經常用到的還是基礎的分析方法。本文作者為我們介紹了六種常見的分析方法，如果你能熟練的使用它們，相信能夠解決許多的日常數據分析問題。

日常數據分析中，尤其是業(yè)務分析中，常用的分析方法論主要是幾大類，本文會介紹我認為比較關鍵的六大類常用方法，熟練地混合交叉使用這六大類基本方法，80%的日常數據分析問題都能解決。

下面我會介紹這些方法有哪些，并且給出實例介紹如何使用這些方法。

一、多維分析

所謂多維分析就是細分分析，做多維分析首先要明確2個方向：維度和指標。

• 指標：指的是用來記錄關鍵流程的，衡量目標的單位或方法，如DAU、留存率、轉化率等。
• 維度：指的是觀察指標的角度，如時間、來源渠道、地理位置、產品版本維度等。

多維分析，就是在多個維度拆解，觀察對比維度細分下的指標。實現將一個綜合指標細分，從而發(fā)現更多問題。

舉個實際用途的例子，KPI拆解，制定明年的KPI目標：

1. 第一步：指標拆解，商品營收=（新用戶數+老用戶數）×商品訂單轉化率×客單價；
2. 第二步：對指標進行多維細分，新老用戶可以再細分客群，比如孕婦群體、運動愛好者、學生、白領等；商品訂單可以細分商品的類型、商品的價格、商品的供應商、商品的品牌影響力等；
3. 第三步：根據歷史業(yè)務發(fā)展情況，計算不同用戶維度、不同商品維度下的商品營收；
4. 第四步：求和不同用戶維度、不同商品維度下的商品營收，即為商品總營收。

在越來越講究精細化運營的今天，多維分析的作用越來越重要，管理層通?？吹氖蔷C合指標，總值，但通常這些總值無法真正地發(fā)現問題。對于一線員工將總值拆解細分，才能發(fā)現問題，找到可落地的解決問題。

二、趨勢分析

有對比才有分析，有對比數據才能產生意義，所以對比分析在實際數據分析中是非常重要的一種分析手段，最常用的是基于時間的對比分析?；跁r間的對比分析，主要是指同一指標在不同時間周期的對比，主要分為同比、環(huán)比和定基比。

1. 環(huán)比是指：與相鄰的上一周期做對比，周期可以是時、日、周、月、季、年等。比如周環(huán)比，指的是本周與上一周的對比；
2. 同比是指：兩個周期同一個時間點的比較，目的是追蹤周期性的變化；
3. 定基比是指：和指定的時間基點對比。

舉個數據例子：如2017年10月的月同比，指的是2017年10月和2016年10月做對比，而2017年10月的月環(huán)比，指的是2017年10月和上一周期2017年9月做對比。

三、轉化分析法（漏斗分析）

轉化分析也叫漏斗分析，主要是分析分析產品流程或關鍵節(jié)點的轉化效果，常借助漏斗圖展現轉化效果。

漏斗圖是一種外形類似漏斗的可視化圖表，該方法可以直觀追蹤產品的整體流程，追蹤業(yè)務的轉化路徑，追蹤不同生命階段下的用戶群體表現。漏斗分析常用的場景主要有：

1. 產品流程的關鍵路徑轉化追蹤，比如電商常用的購買流程；
2. 業(yè)務價值路徑的轉化流程追蹤，比如常用的AARRR模型的價值轉化追蹤；
3. 虛擬流程類指標追蹤，比如按生命周期區(qū)分的不同生命周期階段的用戶流轉形態(tài)追蹤。

舉個例子，針對AARRR模型轉化場景：

AARRR是Acquisition、Activation、Retention、Revenue、Refer這五個單詞的首字母縮寫。它主要闡述的是用戶從獲取到激活，到留存，到產生營收，到口碑認可正向傳播的一系列閉環(huán)效應。

我們可基于用戶量計算出這些節(jié)點的轉化率，從而判斷哪些節(jié)點的轉化率差，哪些節(jié)點還有優(yōu)化的空間，再通過具體的運營手段來提升節(jié)點轉化率。如下圖中的活躍購買率僅33%，是否可以運營手段將其提升到40%呢？

四、公式拆解法

所謂公式拆解法，就是對目標變量用已知公式進行拆解，從而快速找到影響目標變量的因素。公式拆解法沒有固定的標準，一個目標變量在不同的場景下或者說為解決不同問題，需要利用公式拆解的細致程度也不一樣。

常見的公式拆解的場景有：

1. GMV計算

GMV = 下單用戶量*客單價

=（新用戶+留存用戶+召回用戶）*客單價

= （廣告觸達量 * 轉化率 + 老用戶*留存率 + 召回觸達用戶量 * 召回率）* （商品量*商品單價）

2. ROI計算

ROI = 收益/成本

=（銷售單價*銷售量）／（固定成本+可變成本）

（收益和成本也可以繼續(xù)根據業(yè)務進行拆解）

3. DAU預估

A(n)：第n天的新增用戶；R(n)：第n天的留存率

DAU(n) = A(n) + DAU(n-1) * R(1)

= A(n) + A(n-1) * R(1) + DAU(n-2) * R(2)

= A(n)+A(n-1)R(1)+A(n-2)R(2)+… …+A(1)R(n-1)

4. 凈資產收益率ROE

ROE = 當前凈利潤／當期平均凈權益

= 利潤率 * 總資產周轉率 *財務杠桿

= 凈利潤／銷售收入 * 銷售收入／總資產 * 總資產／權益

根據公式對目標變量拆解后，我們通常會對拆解后的變量做更精細的分析，并且提出可落地解決問題的解決手段。

如下圖所示，這是電商／零食行業(yè)最常用的拆解解決問題的框架，為提升銷售額，在實際解決問題中都要細化到廣告拉新、用戶分析、商品分析等層面。

五、綜合評估法

綜合評估法是將多個指標綜合成一個指標評估的方法。這種方法是非常常見的，如我們日常中的螞蟻信用分、微博熱度、游戲戰(zhàn)績排名等都是基于綜合評估法實現的。

綜合評價法的特點表現為：

1. 評價過程是通過一些特殊的方法，按指標的重要性對多指標加權，多個指標的評價是同時完成的，而非一個一個逐次完成的；
2. 在多指標整合進行綜合評價指標的過程中，會涉及權重的設定；
3. 綜合評價法生成的綜合指標不再是單純意義上的單個指標的意思，而是多個指標的綜合反映。

因此，對于綜合評估法，賦權是非常重要的環(huán)節(jié)。而賦權的方法可分為兩類：主觀評估法和客觀評估法。客觀評估法是指：變異系數、熵分析、主成分分析等；主觀評估法是指：層次分析法、專家賦權等。

1. 變異系數法

變異系數等于樣本標準差除以樣本均值，是衡量樣本觀測值變異程度的變量。而且因為變異系數是除以了樣本均值，所以他是忽略了量綱的影響。那具體如何用變異系數定權重呢，具體步驟可以看下面：

第一步：對于每一個指標計算變異系數cvcv_i=樣本標準差/樣本均值= σ/μ

第二步：計算各個指標最終的權重

基于以上的計算公式可以看出，對于變異系數法定義權重，如果一個指標可以明顯區(qū)分不同的樣本，那么就會有更高的權重；反之，如果樣本在某個指標的表現上沒有特別明顯，即該指標區(qū)分樣本的能力較弱，則應該給這個指標賦予比較小的權重。

2. 熵值法

熵的概念來源于熱力學，后來被引入信息論，用以表示對不確定性的一種度量。信息熵一般用來反映信息量的大小，信息量越大，不確定性越小，熵就越??；反之，信息量越小，不確定性越大，則熵就越大。

信息熵的計算方式如下：

假設有隨機變量X，對應的值分分別為x1, x2, …, xn對應的概率分別為pi，信息熵為：

具體基于信息熵計算權重的方法步驟如下：

第一步：計算指標的比重假設有n個樣本，m個指標，xij為第i個樣本第m個指標的值。因為不知道樣本對應的具體指標的概率，可以用m指標下n樣本對應的指標值占該指標總值的比率來表示。第xij指標的比重pij為：

第二步：計算第j項指標的熵值

第三步：計算各項指標的權重

第四步：計算各個樣本的綜合得分

計算出的綜合得分是[0,1],可通過開根號再乘以100的方式，將其映射到[0，100]。

3. 層次分析法

層次分析法（AHP）是運籌學中的概念，是指將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。

如下所示，要計算總得分，可以將其拆解為質量、互動、消費、發(fā)布、附件這五個準則，對于這五個準則有再細分的方案。

那具體怎么定義權重，大體思路是：由專家分別在每一個準則的細分方案下，對細分方案兩兩之間評重要程度（如1-9，1是同等重要，9是一方極端重要）。

再基于重要程度，可通過層次分析法的計算公式計算出每個細分方案的權重；同理可對五個準則進行重要評估，從而計算出五個準則的權重。具體方法可百度，百度上有詳細的計算公式。

六、結構化分析

所謂結構化分析，其實就是邏輯樹和MECE的結合使用。

邏輯數是麥肯錫推廣的思考問題的工具，就是將目標問題像樹一層一層拆解，最左邊是“樹根”（目標／問題的起點），朝右是將某已知問題的影響層當成已知問題的樹枝，每多一個影響層，則添加一個樹枝，直到列出已知問題的所有影響層為止。

且各邏輯樹枝之間的關系需要“相互獨立、完全窮盡”（MECE）。

結構化分析是非常好用的一種方法，它能將問題層層有序拆解，有助于思路清晰，同時可以將復雜問題由繁化簡。下面以一個應用場景來舉例說明：

比如要分析某App用戶流失的原因，窮舉用戶流失的影響因素，做出邏輯樹。

雖說結構化分析非常好用，但是構建一個完美的框架（邏輯樹）可不是一件容易事，一般構建結構框架有兩種方法：自下而上和自上而下。

1. 自下而上

自下而上的意思是：先頭腦風暴羅列可能的影響因素，再對羅列的影響因素歸類分解形成框架。

下面以一個應用場景來舉例說明，比如如何在2年內賺到100萬元？

1）第一步：羅列要點

2）第二步：連線歸類

一般是從時間、結構、重要性三個維度進行歸類。

3）第三步：形成框架

4）第四步：檢查是否有重復和遺漏

2. 自上而下

自上而下的意思是：已經有可套用解決的框架，將需要解決的問題按照框架拆解，最后形成針對目標問題的結構框架?，F有的成熟的框架特別多，比如4P、4C、SWOT、PEST、5W2H等等。

3. 自上而下和自上而下對比

從上面的講解很容易看出兩種構建框架的區(qū)別，具體的對比整理如下，日常中可為了提高框架輸出能力而有針對性的訓練。

以上就是我要介紹的常用數據分析方法，掌握上述方法，我相信80%的數據分析問題都能得到合理的分析思路。但在實際場景中，很少僅用單一方法就能直接解決問題，大多數情況下都要綜合上述方法中的多種方法才可。

比如電商場景下的如何提升銷售額問題？就要用到公式法、轉化分析法、多維分析法及結構分析法，經過這樣一系列分解才能獲得可落地化的解決方案（公式拆解法里貼的示例圖就有比較詳細的邏輯拆解過程）。

本文由 @須臾即永恒 原創(chuàng)發(fā)布于人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協議