為了更好的理解用戶，洞察用戶的需求，數據分析就能很好的協助解決這此需求。但是在數據分析時，沒有構思該辦到呢？對此，白文從通體想想框架5W2H、描述問題異狀對待分析等柒個上面做了分析，盼望對你有所增援。

對于成品副總來說，制品的每一次迭代和升級，都求需評估效果，以便今后改善。如果僅僅是借助肉眼考察和主隨感受，下一個“用戶反饋很好”、“用戶很喜好這此新功能”類似的小結，是很死灰綿軟的。更多早晚，會緣以主讀后感覺而產生誤判，另外，數據分析還堪好輔助成品協理更好地知道用戶，洞察用戶的需求。

而對于運營而言，作為與用戶和成品接觸最頻繁的人，也是策略的制定者和執行者，但制品運營的好與壞,最直觀的體現就是數據,通過數據的高和低作為衡計計的一個規格。對于運營來說，數據產生和決策制定中心，一定還有數以百計有何不可完善的空間，這種空間很大程度上可源泉于數據。從數據中發現知識，完善決策，將會變成大大提升運營效率。

因此，無論是成品還是運營，在數據驅動業務的大背景下，數據分析都是非得要掌握的一項技能，白文說明了7種常用的數據分析點子，簡介了一個整機的數據分析歷程中可能用到的系列不二法門：

從界定問題→診斷異狀→定位問題上半場→追溯問題來由→判定問題發展趨向。

一、通體思謀框架：5W2H

響當當化雨春風學家陶行知閣下曾經寫過一首小詩：

我有幾位好友人，曾把萬事指導我，

你若想問其全名，

名諱不同都姓何，

什么事何故何人何時何地何法，

好像弟弟和哥哥，

還有一個西洋派，

現名顛倒是非叫幾何，

若向拐賢常請教，

即使笨人不會錯。

這首小詩講的就是5W2H：What（什么事） When（何時） Where（何地） Who（何人） Why（何故） How（何法） How much（何幾），5W2H是對目標算計開展分解和決策的思維框架，它對要解決的問題進展整機的刻畫，以便黑白分明地界定問題并找到解決提案。

• What：什么事？發生了甚么？一般用來指的是問題是甚么？是否真的發生了？比如DAU真的下落了嗎？；
• When：何時？在啥子時節發生的？問題發生的時光，比如DAU降落了，下落的具體流光是啥子？是否節廠禮拜等等；
• Where：何地？在哪里發生的？問題發生的拆解其中一個上半場, DAU下落了, 是哪一個的地區的降落了,哪位終端的用戶下落了？還是哪一個功能的采用的人降落了等等；
• Who：何人？比如DAU下落了, 是哪一一對的用戶批體在降, 是甚么春秋、 性別、活躍度的用戶等等；
• Why：何故？為何會這樣？問題發生的原由捉摸, 比如android用戶的DAU減低了, 其它終端的DAU沒有減退, 是否android新發本子存在bug；
• How：何法？明確上方的問題后, 咱們要采取甚么樣的不二法門和策略去解決DAU降落的問題；
• How Much：何幾？做到甚么程度？DAU降落了而后, 咱們對應策略的成本是多少, 以及咱們要把這此問題解決到甚么程度才足以；

5W2H分析主意從問題出發，有一套自然科學總體的分析筆錄，對造成問題的因故開展推理，并提出相應的解決提案，最終解決問題，形成閉環。

當然，5W2H只是一種思維方式，在現實應用進程當中可能還會遇到各族各樣的業務場景，針對不同的業務場景，通體的筆錄是一樣的， 但分析的維度就求需論證不同的成品形態和業務特性來調整。

貳、描述問題異狀：相比分析

通過5W2H已經有了通體的思維框架，形成了大致的分析筆錄，接下來就要針對問題開展具體分析，首先從問題異狀著手。

沒有相比之下，就沒有完善提升的方位。在數據分析中，沒有攀比，就沒有斷語。

比如，小虎某次期末測驗的成績不良，數學只得了 40 分。

小虎的媽媽對他說：“你上周末試驗數學考了 70 分，這次如何就考得這么差？你瞧你的同班學友，這次都考 80 分如上。我之前跟你說考90分給你買奧特曼，這下別想了……”

常見的對待思維有之下 5 種：

1. 跟目標攀比：本月目標兜售額500w，言之有物完結了300w，目標達成率60%；
2. 跟上個月比：上個月行銷額200w，環比增升50%；
3. 跟舊年同比：去歲同期銷行額400w，同比下落25%；
4. 分渠道自查自糾：線上/線下渠道銷行分別200w、100w；
5. 跟同類競相比：同程度競對A、B、C本月售貨額分別為600w、500w、100w；

下結論一下頂端的自查自糾思維，主要是橫向和縱向對照：

橫向對立統一：同一一時，外部和競對待，內部各渠道比照

• 同一時代和外部競對相比之下，通體市場表現以及所占市場份額走形；
• 同一一時自己內部各渠道相比之下，瞧售貨額貢獻和貢獻占比變型；

縱向對立統一：本身不同一代相比

• 和上一期數據相比，近期有無提升/退避三舍；
• 和上年同期對照，季節周期性考計量下相比之下，是否有提升/打退堂鼓；

數據分析的進程，就是在明確目標之后，通過對待等思維，找到問題的青紅皂白，得出分析的下結論，提出可行的提議，從而起到扶植決策和指導行動的作用。

仨、定位問題上半場：漏子分析

已經通過橫向、縱向自查自糾大致亮堂了業務的異狀，知道業務是在變好/變壞，以及變好/變壞的程度，如果業務在持續變壞，咱們就需求通過漏子分析來定位問題到底出今日哪位上半場上。

濾斗模子，本質是分解和計量化，此間以電商購物濾斗模子舉例。

也就是把購物的整個流程拆解成從選購商品到最終變更成購買的一個個子上半場，用相鄰上半場的變更率/流失率來比量化每一個上半場的表現。因此整個漏子模子就是先將整個購買流程拆分成一個個手續，然后用變更率/流失率來衡比量每一個步調的表現，最后通過出格的數據指標找出有問題的上半場，從而解決問題，完善該步調，最終達到提升通體購買變更率的鵠的，通體濾斗模子的重頭戲心理其實有何不可歸為分解和計計化。

濾斗分析其實是一種業務流程拆解和計量化的筆錄，所有業務流程都得以按照其一構思來拆解，常見的業務漏子模子還有很多：消費者行止AIDMA漏子、用戶民命周期的AARRR等。

肆、細分分析由來：細分拆解

通過漏子分析咱們大致得以定位到問題出現時哪一個上半場，但是，到底是啥子斯是上半場的哪位一些出了問題，俺們還求需進一步細分拆解定位問題癥結城區。

在數據分析中，細分是數據分析的靈魂，沒有細分拆解，就沒有數據分析。

小虎期中試驗的總成績涂鴉，細分一瞧，發現另一個科鵠的成績都不錯，只有數學成績特別差，只得了 40 分，而且叁角因變量一題都沒有做對。

常見的細分措施有之下 5 種：例如本季度的兜售額沒有達標，得以按照之下筆錄拓展細分：

1. 按年光細分：哪位歲時段的售貨額出了問題？
2. 按空間細分：哪一個海域的行銷額出了問題？
3. 按長河細分：售前導購、購買體驗還是售后勞服的哪位進程出了問題？
4. 按公式細分：GMV=流計計*變更率*客單價，流計計、變更率和客單價的哪一個有的出了問題？
5. 按模子細分：用戶規定值分層模子，不同指數值的用戶的推銷額貢獻，是哪類用戶出了問題？

拆解的方式仟仟萬，在運用細分拆解思維的歷程中，要做到有的放矢，纏繞數據分析的目標，找到合適的拆解道道兒，否則只能無頭蠅子一樣處處亂撞。

另外，當發現數據與眾不同時，試試看從不同的維度拓展細分，這樣既能鍛煉數據分析思維，又能加深對業務的理解。

伍、追覓相關元素：相關性分析

如果一個變計計轉變的時段，另一個變比量也朝著相同的方位發生浮動，這就是說咱們就說這兩個變計計之間存在相關性。

分析一家商場的制品銷比量數據發現，尿布和啤酒的銷比量會出現大致相同的轉變方向，啤酒和尿布有啥子關聯呢？采訪小虎的父親，他說自己收工后，給小虎的弟弟買尿布的同時，也會購買自己喜愛喝的啤酒。

相關性分析，就是檢索變計量之間相互關聯的程度，相關性一般通過相瓜葛數衡計計。最常用的是用來精打細算線性相干涉數的Pearson相瓜葛數，取值區間在1到-1之間。1示意兩個變比量完全線性相關，-1示意兩個變計量完全負相關，0示意兩個變比量不相關。數據越趨近于0示意相關干系越弱。

用Excel進展簡單易行的相關分析，通常包括之下 3 個手續：

1. 收集相關數據
2. 繪制散點圖表
3. 測算相瓜葛數

急需上心的是，相關性不等于因果性。兩個變計量之間相關性，并不代表其中一個變計量的轉變，是由另一個變計計的應時而變導致的。

比如說，分析發現，江山的巨獎數額，與巧克力消費計量之間呈現正相關干涉，但這并不是說，多吃巧克力無助于于獲得更多的巨獎。一種有理的釋疑是，巨獎的多少與巧克力的消費計計，很可能都是由其它變計量導致的，例如公民的受啟蒙程度和豐厚程度。

陸、溯源想當然元素：歸因分析

言之有物業務中，很多問題的出現并非是單個要素造成的，而是經由多種要素的莫須有而共同造成的。

因而數據分析最頭禿的問題就是：導致問題的緣故到底是啥子？歸因分析(Attribution Analysis)要解決的問題就是多要素無憑無據的景況下，最終效果的提升/下落，理應如何合情合理地分配有長河中的各隊要素。

小虎在無線電話上瞅到了友人圈海報發布了最新的iPhone，午休的天道刷抖音瞧到了有網紅在測評這款無繩話機，下工在地鐵上刷友人圈的早晚發現已經有小伙伴收到部手機在曬圖了，于是乎喝了一杯江小白壯壯威倦鳥投林跟老伴報考經費，最后媳婦兒批準了讓他去京東買，有保障。這就是說借問，好友圈海報、抖音、好友摯友圈、京東各條渠道對這次投標分別貢獻了多少案值？

現實情事往往是很復雜的，在衡計量其貢獻交貨值時，只依靠單渠道歸因分析得到的下文是不自然科學的，求需引入多渠道歸因分析。常見的多渠道歸因分析模子如下：

• 末次歸因模子：將功德100%分配送拍板前的最后一個上半場
• 首次歸因模子：將勞績100%分配有初次個上半場
• 線性歸因模子：將有功平均分配有長河中的每個上半場
• 流年減弱歸因模子：間距最終分曉時光越短的上半場，得以獲得越多的權重
• 部位歸因模子：正負次和最后一次上半場各貢獻40%，中央的所有上半場平均剩下的20%貢獻
• 自界說模子：實證本人業務的需求，自概念各上半場分配對比

沒有完美的歸因分析模子，所有模子都存在它的局限性和闕如，如何有效地做成役使場景和模子特點是用好歸因模子的前提。

拐、預測變遷取向：預測分析

知情完問題的異狀，定位到問題的青紅皂白后，俺們還求需預測問題接下來的發展來頭。

另單，在各同行業各天地，只要有重頭戲的業務指標，都要預測關鍵性功績未來的走勢，銷行，市場營銷，運營，財務等，單方可對未來的發展趨向有個大致的掌握，另一頭也可足超前規劃，設定各子部門的KPI，以便盡可能地完竣或者超過KPI，因而，如何毫厘不爽地預測擇要指標的變遷大方向非常事關重大。

啥子是預測？用最略去的術語來說，它是在分析陳年和茲的數據，進而預測未來的進程。咱們主要論據工夫序列數據進展定計量預測。咱們通過一個案例附識年月序列數據的主要組成。

如下是各年代步飛行器飛行司乘人員額數的矛頭。

• 趨向性：取向是東西發展或變化無常的總體方面。在上端的例子中，咱們瞧到時空序列呈增升趨向，這意味著在代步飛行器飛行的司乘人員多寡全體系列化上是在增加。如下圖中狀元張圖所示。
• 季節性：在上述韶光序列中何嘗不可瞅到的另一個清楚的泡沫式，就是該變型勢以固定的日子周期反復，咱們稱為季節性。在一定年月周期內反復出現或反復的流年序列中所有可預測的變化無常一體式都有何不可說是季節性。下圖中仲張圖所示。
• 隨機性：去除趨向性和季節性后，剩下的就是一些隨機的、無所有法則的白噪聲。下圖中老三張圖所示。

光陰序列預測的模子有很多，主要歸為偏下2類：

（1）傳統預測主意

• AR(Auto Regressive Model)自回歸模子
• MA(Moving Average Model)平移平均模子
• ARMA(Auto Regressive and Moving Average Model)自回歸平移平均模子
• ARIMA(Auto Regressive Integrate Moving Average Model)差分自回歸移位平均模子等

（2）現代預測了局

基于機具學學抓撓、吃水讀書的預測法子。對于機械念書抓撓，xgboost，隨機森林及SVM那些都是得以用的，也沒有說哪一個模子好用，要求瞅具體的場景及實驗，總之就是瞧效果說話。

（3）用Excel也能做預測

黑貓白貓，能抓住耗子的就是好貓，不急需復雜的算法和模子，用Excel也能做簡練的預測。

如上就是制品、運營作業中7種常見的數據分析道道兒的情節。

白文由@數據分析星球 原創發布于人人都是成品協理，未經許可，查禁轉載。

題圖來自 Unsplash，基于CC0協議

該文觀點僅代表筆者本人，人人都是成品協理平臺僅提供信息存儲空間勞服。

上一篇： 數據分析發展方法大盤點！

下一篇： 怎么構建可以落地的指標體系？