数据分析简介及其常用指标与方法

数据分析简介

数据分析的分析方法可以根据分析对象分为好多类：用户分析方法、产品分析方法、行业分析方法，根据不同的分析对象，我们在选择分析方法的同时按照大一统的流程深入分析：1.明确问题2.分析原因(异常值、预测、归因、相关性）3.给出合理的建议：数据分析的目的是为了给行业策略提供更加精确理性的指导。简单来讲，数据分析就是收集准确完整的数据，计算并从业务的层面理解各种业务指标，在指标的变动当中做出决策（在不同的生命周期使用不同的指标，生命周期包括：导入期、成长期、成熟期、衰退期）。

不同行业的常用指标

以下是互联网行业、金融行业和零售业常用的数据分析指标：

互联网行业常用数据分析指标

用户数据

存量（DAU/MAU）：每日活跃用户（DAU）和每月活跃用户（MAU），衡量用户活跃程度。

新增用户：一段时间内新加入系统的用户数量，反映业务增长潜力。

留存率：特定时间内用户继续使用产品或服务的比例，衡量用户粘性和忠诚度。

渠道来源：用户通过哪些渠道进入应用或网站，用于评估推广渠道效果。

用户行为数据

PV/UV/访问深度：PV（页面浏览量）表示页面被访问的总次数；UV（独立访客）表示独立用户数量；访问深度指用户一次访问中浏览的页面数量。

转化率：用户完成特定目标行为（如点击广告、注册、购买等）的概率。

停留时间：用户在网站或应用上的停留时长，反映用户参与度。

弹出率：用户进入页面后立即离开的比例，反映页面吸引力。

业务数据

GMV（总交易额）：一定时间内所有交易的总价值，反映平台交易规模。

ARPU（每用户平均收入）：每个用户平均贡献的收入，用于评估用户价值。

付费率：用户中愿意为产品或服务付费的比例，衡量业务盈利能力和用户付费意愿。

SKU（库存管理单位）：产品或服务的唯一标识，用于分析热门产品。

金融行业常用数据分析指标

客户数据

客户活跃度：如日活、月活客户数量，衡量客户使用金融服务的频率。

新增客户数：一段时间内新注册或开户的客户数量，反映市场拓展能力。

客户留存率：客户在特定时间内继续使用服务的比例，衡量客户忠诚度。

交易数据

交易量：一定时间内完成的交易笔数，反映业务活跃度。

交易金额：一定时间内完成的交易总金额，衡量业务规模。

平均交易金额：每笔交易的平均金额，反映客户消费能力。

风险数据

逾期率：逾期未还款的客户或交易占比，反映信贷风险。

坏账率：无法收回的贷款或欠款占总贷款的比例，衡量信用风险。

风险敞口：未对冲或未覆盖的风险金额，反映潜在风险暴露。

收益数据

净利息收入：利息收入减去利息支出后的净额，反映银行等金融机构的利息收益。

非利息收入：手续费、佣金、投资收益等，衡量多元化收益能力。

资产收益率（ROA）：净利润与总资产的比率，反映资产盈利能力。

零售业常用数据分析指标

销售数据

销售额：一定时间内销售商品的总金额，反映业务规模。

客单价：每个顾客平均购买金额，反映顾客消费能力。

连带率：销售量÷成交次数，反映顾客单次消费件数。

复购率：重复购买的顾客占总顾客的比例，反映顾客忠诚度。

库存数据

库存周转率：出库数量÷[(期初库存数量+期末库存数量)÷2]，衡量库存管理效率。

库存天数：期末库存金额÷(销售期的销售金额÷销售期天数)，反映库存占用资金的时间。

存销比：期末库存金额÷销售期的销售金额，衡量库存与销售的匹配度。

商品数据

SKU数：库存管理单位数量，反映商品种类丰富度。

售罄率：销售数量÷（期初数量+期中新进数量），反映商品销售进度。

动销率：某时期内销售过的商品SKU数÷（期初SKU+期中新进SKU），反映商品活跃度。

客户数据

会员增长率：新增会员数÷期初会员数，反映会员体系的吸引力。

会员贡献率：会员销售总额÷总销售额，衡量会员价值。

会员流失率：某段时间内流失的会员数÷期初会员总数，反映客户关系维护情况。

门店数据

坪效：销售额÷店铺面积，反映门店单位面积的盈利能力。

客流量：门店每日或每月的顾客流量，反映门店吸引力。

转化率：成交顾客数÷进店顾客数，反映门店销售能力。

数据分析从统计学角度的分类

数据分析就是基于统计方法研究数据，其作用的描述方法分为描述统计和推断统计——描述统计就是用图表形式对数据进行加工处理和显示，从而分析概括现象的一般特征；推断统计是研究如何利用样本总体数量来分析的统计学特征，其内容包括，抽样分布理论、参数估计、假设检验、方差分析、回归分析、时间序列分析等...

常见的数据分析方法

数据异常分析：

当数据不符合固定波动周期，出现异常波动情况，此时要明确数据异常的类型：
一次性波动：突发性短期事件导致的波动
周期性波动：周期性事件导致的波动

持续性波动：新周期现象导致的不断向某一方向的波动

然后对数据异常进行分析：

在确认数据来源的真实可靠情况下判断指标到底有多异常，这对于业务是好是坏以及影响到何程度，（细化分析）进一步分析该指标每一项（除数被除数及其组成部分）的变化，根据其变化的异常项做出假设并分析验证，做出的假设可以考虑的因素可分为内部因素和外部因素：其中内部因素包含用户渠道、产品、运营策略以及技术水平，外部因素包含政治环境、经济环境、社会环境和技术环境

（值得一提的是：事件越是具有突发性，越是可能由内因造成的）

找到原因后，再进一步预测指标接下来的走势，反馈结论并提出解决方案

描述性分析：

统计性描述数据指标所具备的特征，以此明确数值的大致分布，常见的描述性分析指标有：平均数、众数、中位数、方差、极差、偏度、峰度等等，在实际应用当中往往会采用数据可视化的方式进行分析，像是中位数和四分位数往往就是体现在箱形图上。

对比分析：

对比分析要明确对比的对象和指标，双方的时期和行业应该要求相同，这里的时期指的是寒假暑假情人节这样对业务影响较大的时间段。

细化分析：

根据一定的拆解方式将指标分为多个小的部分，然后再对每个小的部分进行分析。

归因分析：

归因错综复杂，因此，归因分析的方法有很多：

1. 末次归因分析：不管用户中间行为，将原因百分百归于最后一次，适用于平短直的业务
2. 首次归因分析：适用于分析拉拢用户渠道的业务
3. 线性归因分析：用户在接触到本公司产品前接触到的每一个渠道具有相同比例的归因，适用于希望维持知名度的业务
4. 时间衰减归因模型：随时间变长，等比例减少归因
5. U型归因分析：重视首次和末次的归因比例，其他比例根据实际情况调整

预测分析：

基于过去的数据对未来的数据进行分析，常用时间序列，（时间序列往往呈现趋势性、季节性和随机性）

相关性分析：

分析两个变量之间的相关性强弱和正负

常见的相关性分析系数：

1.  皮尔逊相关系数

用于连续变量的线性关系，取值范围为 -1 到 +1。

2.  斯皮尔曼秩相关系数

适用于非线性关系或有序数据，基于秩次计算。

3.  肯德尔秩相关系数

适用于小样本或有序数据，对异常值不敏感。

4.  点二列相关系数

用于一个连续变量和一个二分变量。

5.  Cramer's V 系数

用于分类变量之间的关系，取值范围为 0 到 1。

6.  Phi 系数

用于二分变量之间的关系，取值范围为 -1 到 +1。

帕累托定律分析：

专注于归因更加大的少部分进行分析

PEST分析：

就是分别从政治、经济、社会和技术角度进行宏观层面的分析

SWOT分析：

就是分别从优势、劣势、机遇和威胁角度进行宏观层面的分析

逻辑树分析：

逻辑树满足三要素：要素化、框架化、关联化,用逻辑树逐步拆解算式，并对目标做出估计（画出树状图，分时讨论加总）

（感觉挺像细分分析）

STP+4P分析:

细分市场，根据市场需求确定目标市场，对目标群体进行清晰的定位，4P是营销当中最基本的四要素，分别是产品、价格、渠道、宣传

波士顿矩阵分析:

波士顿矩阵主要关注的是市场增长率和市场份额

以此为依据可以将产品分为四类：

1. 明星产品（Stars）

•  特点：市场增长率高且市场份额高。这类产品通常处于快速增长的市场中，具有极高的增长潜力和盈利能力，是企业的未来增长希望。

•  战略建议：企业需要加大投资以支持其发展，巩固和扩大市场份额，甚至可以牺牲短期收益以换取长期增长。

2. 金牛产品（Cash Cows）

•  特点：市场增长率低但市场份额高。这类产品处于成熟市场，利润稳定，能为企业提供稳定的现金流。

•  战略建议：企业应维持现有市场份额，通过成本控制和效率提升保持盈利能力，同时将多余资金用于支持其他有潜力的产品。

3. 问题产品（Question Marks）

•  特点：市场增长率高但市场份额低。这类产品市场前景良好，但企业竞争力不足，未来可能成为明星产品，也可能沦为瘦狗产品。

•  战略建议：企业需要谨慎评估其发展潜力，决定是否增加投资以提升市场份额，或者放弃资源投入。

4. 瘦狗产品（Dogs）

•  特点：市场增长率低且市场份额低。这类产品通常处于衰退市场，利润低甚至亏损。

•  战略建议：企业应逐步减少投资，清理库存，甚至退出市场，将资源重新分配到更有潜力的业务中。

（矩阵用坐标系代替，由x轴和y轴将，产品分为四类）

5W2H分析:

从why、what、where、when、who、how、how much的角度进行分析

生命周期分析:

任何一个产品一定处在研发期、引入期、成长期、成熟期、衰退期当中,对于不同的周期我们需要根据不同行业确定不同的指标来进行分析

AB测试分析:

样本量基于大数定律（随实验次数增加，频率接近概率）和中心极限定律（对独立同分布且有相同期望和方差的n个随机变量，当样本量很大时，样本的均值近似服从标准正态分布N（0,1））（ab检验用于评判策略改动是否科学）在ab检验两本量到一定大小时，我们可以认为该检验是可靠的

竞品分析:

就是了解竞争者的产品并且与自己的产品优势对比，提出合理的品牌策略

用户画像分析:

对用户的年龄、性别、地址、职业进行分析，收集用户的基本信息，构建用户画像

注意：随着时间推移归因权重减小，不断地进行用户画像迭代

（根据用户不用的行为来分析对内容和业务的喜爱程度）

漏斗分析:

从业务流程上反应流失率和转化率（随流程的复杂化，用户开始逐渐放弃对产品的使用）,从哪一个环节导致了用户的大量流失来定位问题产生的环节

RFM用户分析:

RFM就是从交易间隔（R）、交易频度（F）、交易金额（M）来对用户进行三维分层

以此将用户分为八大群体

同期群分析:

在用户刚开始使用该产品时，有着相同的使用背景：通过不同时期的纵向比较体现产品本身是否优化/劣化，通过同时期的横向比较得出产品主要受众的画像。一般在进行同期群分析时：我们一般会采用数据可视化，纵坐标为时期，横坐标为几月以后，数值为用户新增数和x月后的用户留存总量。