正文

數(shù)據(jù)分析模型20種（八大數(shù)據(jù)分析模型）

發(fā)布時(shí)間：2023-03-19 09:10:39 稿源：創(chuàng)意嶺閱讀： 36 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于數(shù)據(jù)分析模型20種的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

1、常見的數(shù)據(jù)分析工具和方法常見的數(shù)據(jù)分析工具和方法有哪些
2、【第1周】數(shù)據(jù)分析慣用的5種分析方法
3、數(shù)據(jù)分析能力模型
4、數(shù)據(jù)分析思路都有哪些?

數(shù)據(jù)分析模型20種（八大數(shù)據(jù)分析模型）

一、常見的數(shù)據(jù)分析工具和方法常見的數(shù)據(jù)分析工具和方法有哪些

1、常用的數(shù)據(jù)分析方法（模型）有：事件分析、漏斗分析、用戶路徑分析、留存分析、session分析、熱力分析、歸因分析、間隔分析、分布分析、LTV分析、用戶行為序列分析、用戶屬性分析、用戶分群分析。

2、常用的數(shù)據(jù)分析工具主要分為四類：網(wǎng)站統(tǒng)計(jì)分析工具常聽說的有CNZZ統(tǒng)計(jì)、站長(zhǎng)工具、愛站網(wǎng)等，主要是為網(wǎng)站運(yùn)營(yíng)者提供代碼統(tǒng)計(jì)數(shù)據(jù)支持，網(wǎng)站運(yùn)營(yíng)者可以在上述提到的相關(guān)網(wǎng)站注冊(cè)賬號(hào)，然后申請(qǐng)統(tǒng)計(jì)代碼，獲得代碼后再植入到網(wǎng)站對(duì)應(yīng)位置即可。大約過幾天就可以在你注冊(cè)的平臺(tái)看到網(wǎng)站的相關(guān)數(shù)據(jù)了。自媒體分析工具自媒體分析工具不需要占用運(yùn)營(yíng)者太多的時(shí)間去整理代碼，所有的數(shù)據(jù)都是直接后臺(tái)形成的，不管是微博、微信公眾號(hào)還是今日頭條等自媒體平臺(tái)，都具有完整的數(shù)據(jù)統(tǒng)計(jì)功能，作為運(yùn)營(yíng)者只需要通過后臺(tái)自帶的分析工具就可以直觀的看到用戶增長(zhǎng)等相關(guān)數(shù)據(jù)了。第三方分析工具這種工具通常是指非官方平臺(tái)自帶的統(tǒng)計(jì)工具，需要官方授權(quán)后才可以使用的數(shù)據(jù)分析工具，畢竟不是所有平臺(tái)都有自帶統(tǒng)計(jì)工具，第三方分析工具需要運(yùn)營(yíng)者單獨(dú)注冊(cè)賬號(hào)，且需要相關(guān)平臺(tái)的授權(quán)才可以使用，不過一旦授權(quán)成功，那看數(shù)據(jù)的操作就與自媒體分析工具一樣方便簡(jiǎn)單和直觀了。表格這種方式比較適合excel玩得好的人了，數(shù)據(jù)來源通常要么是后臺(tái)導(dǎo)出，要么是人工統(tǒng)計(jì)。人工統(tǒng)計(jì)的數(shù)據(jù)一般會(huì)包括每天發(fā)布文章的數(shù)量、后臺(tái)互動(dòng)的數(shù)量與類別、同行口碑的分析等，因?yàn)檫@些數(shù)據(jù)統(tǒng)計(jì)是一般平臺(tái)都不含有的，那么自然就需要人工親自查閱相關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)了。

二、【第1周】數(shù)據(jù)分析慣用的5種分析方法

就好比中學(xué)里你要解一元二次方式，可以用公式法、配方法、直接開平方法、因式分解法。

數(shù)據(jù)分析里也有技巧，在一些通用的分析場(chǎng)景下可以快速使用，而且對(duì)未來構(gòu)建數(shù)據(jù)分析模型也有幫助。

所謂公式法就是針對(duì)某個(gè)指標(biāo)，用公式層層分解該指標(biāo)的影響因素

舉例：分析某產(chǎn)品的銷售額較低的原因，用公式法分解

某產(chǎn)品銷售額=銷售量 X 產(chǎn)品單價(jià)

銷售量=渠道A銷售量 + 渠道B銷售量 + 渠道C銷售量 + …

渠道銷售量=點(diǎn)擊用戶數(shù) X 下單率

點(diǎn)擊用戶數(shù)=曝光量 X 點(diǎn)擊率

通過對(duì)銷售額的逐層拆解，細(xì)化評(píng)估以及分析的粒度。

公式拆解法是針對(duì)問題的層級(jí)式解析，在拆解時(shí)，對(duì)因素層層分解，層層剝盡。

對(duì)比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較，是最通用的方法。

我們知道孤立的數(shù)據(jù)沒有意義，有對(duì)比才有差異。一些直接描述事物的變量，如長(zhǎng)度、數(shù)量、高度、寬度等。通過對(duì)比得到比率數(shù)據(jù)，增速、效率、效益等指標(biāo)，這才是數(shù)據(jù)分析時(shí)常用的。

比如用于在時(shí)間維度上的同比和環(huán)比、增長(zhǎng)率、定基比，與競(jìng)爭(zhēng)對(duì)手的對(duì)比、類別之間的對(duì)比、特征和屬性對(duì)比等。對(duì)比法可以發(fā)現(xiàn)數(shù)據(jù)變化規(guī)律，使用頻繁，經(jīng)常和其他方法搭配使用。

通過對(duì)兩種及以上維度的劃分，運(yùn)用坐標(biāo)的方式表達(dá)出想要的價(jià)值。由價(jià)值直接轉(zhuǎn)變?yōu)椴呗裕瑥亩M(jìn)行一些落地的推動(dòng)。

象限法是一種策略驅(qū)動(dòng)的思維，常于產(chǎn)品分析、市場(chǎng)分析、客戶管理、商品管理等。

比如，下圖是一個(gè)廣告點(diǎn)擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

還有經(jīng)典的RFM模型，把客戶按最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額 (Monetary)三個(gè)維度分成八個(gè)象限。

象限法的優(yōu)勢(shì)：

1.找到問題的共性原因

通過象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

2.建立分組優(yōu)化策略

針對(duì)投放的象限分析法可以針對(duì)不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點(diǎn)發(fā)展客戶、重點(diǎn)保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。

二八法也可以叫帕累托法則，源于經(jīng)典的二八法則。在數(shù)據(jù)分析中，則可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果需要圍繞這20%的數(shù)據(jù)進(jìn)行挖掘

二八法是抓重點(diǎn)分析，適用于任何行業(yè)。找到重點(diǎn)，發(fā)現(xiàn)其特征，然后可以思考如何讓其余的80%向這20%轉(zhuǎn)化，提高效果。

一般地，會(huì)用在產(chǎn)品分類上，去測(cè)量并構(gòu)建ABC模型。比如某零售企業(yè)有500個(gè)SKU以及這些SKU對(duì)應(yīng)的銷售額，那么哪些SKU是重要的呢，這就是在業(yè)務(wù)運(yùn)營(yíng)中分清主次的問題。

常見的做法是將產(chǎn)品SKU作為維度，并將對(duì)應(yīng)的銷售額作為基礎(chǔ)度量指標(biāo)，將這些銷售額指標(biāo)從大到小排列，并計(jì)算截止當(dāng)前產(chǎn)品SKU的銷售額累計(jì)合計(jì)占總銷售額的百分比。

百分比在 70%（含）以內(nèi)，劃分為 A 類。

百分比在 70~90%（含）以內(nèi)，劃分為 B 類。

百分比在 90~100%（含）以內(nèi)，劃分為 C 類。

ABC分析模型，不光可以用來劃分產(chǎn)品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業(yè)貢獻(xiàn)80%利潤(rùn)的客戶是哪些，占比多少。假設(shè)有20%，那么在資源有限的情況下，就知道要重點(diǎn)維護(hù)這20%類客戶。

是一個(gè)流程化的思考方式，常用于像新用戶的開發(fā)、購(gòu)物轉(zhuǎn)化率這些有變化和一定流程的分析中。

整體漏斗模型的核心思想其實(shí)可以歸為分解和量化。比如分析電商的轉(zhuǎn)化，我們要做的就是監(jiān)控每個(gè)層級(jí)上的用戶轉(zhuǎn)化，尋找每個(gè)層級(jí)的可優(yōu)化點(diǎn)。對(duì)于沒有按照流程操作的用戶，專門繪制他們的轉(zhuǎn)化模型，縮短路徑提升用戶體驗(yàn)。

AARRR模型：用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播

單一的漏斗分析是沒有用的，不能得出什么結(jié)果，要與其它相結(jié)合，如與歷史數(shù)據(jù)的對(duì)比等。

三、數(shù)據(jù)分析能力模型

「過去」 以往在增量時(shí)代，每天都有新的領(lǐng)域、新的市場(chǎng)被開發(fā)。尤其是在互聯(lián)網(wǎng)、電商等領(lǐng)域的紅利期，似乎只要做好單點(diǎn)的突破就能獲得市場(chǎng)。這個(gè)蠻荒時(shí)代，業(yè)務(wù)運(yùn)營(yíng)主要依靠是經(jīng)驗(yàn)和直覺驅(qū)動(dòng)。比如跨境電商領(lǐng)域初期，憑借世界工廠平臺(tái)的優(yōu)勢(shì)，國(guó)內(nèi)廠家似乎只需基于經(jīng)驗(yàn)選品即可大賣。

「現(xiàn)在」 但是隨著規(guī)則的成熟，更多玩家的進(jìn)入，市場(chǎng)從藍(lán)海變?yōu)榧t海，進(jìn)入到存量期，僅靠經(jīng)驗(yàn)驅(qū)動(dòng)的增長(zhǎng)模式不再有效。還是拿跨境電商舉例，由于賣家的劇增，海外市場(chǎng)的飽和，跨境電商就進(jìn)入存量運(yùn)營(yíng)時(shí)代，已經(jīng)不存在絕對(duì)的藍(lán)海市場(chǎng)，每個(gè)細(xì)分領(lǐng)域都有許多競(jìng)爭(zhēng)對(duì)手。此時(shí)，要求商家從粗放運(yùn)營(yíng)轉(zhuǎn)為精細(xì)化運(yùn)營(yíng)，也就是用數(shù)據(jù)分析報(bào)告決定市場(chǎng)是否值得投入，用數(shù)據(jù)選品，用數(shù)據(jù)做經(jīng)營(yíng)分析，用數(shù)據(jù)庫(kù)存管理。

當(dāng)然，不是說純定量的數(shù)據(jù)分析決定了一切，經(jīng)驗(yàn)就不重要了。而是說在決策的過程中，數(shù)據(jù)結(jié)論占據(jù)的比例與以往相比更大，同時(shí)業(yè)務(wù)經(jīng)驗(yàn)也是必不可少的部分。

「未來」 互聯(lián)網(wǎng)逐漸成為“傳統(tǒng)行業(yè)”的未來，人工智能、元宇宙等 由數(shù)據(jù)驅(qū)動(dòng)的行業(yè)越來越依賴數(shù)據(jù)分析。 還有眾多制造業(yè)亟待數(shù)字化轉(zhuǎn)型，以期在全球供應(yīng)鏈中提高制造環(huán)節(jié)的附加值。 也就是說，在未來，數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)將更頻繁。

數(shù)據(jù)分析的本質(zhì)是「沙盤演練」：戰(zhàn)場(chǎng)上，指揮員們?cè)谥笓]部的地形模型前「推演」敵我雙方的趨勢(shì)確定作戰(zhàn)方案； 商場(chǎng)上，管理層通過數(shù)據(jù)間的運(yùn)算關(guān)系「推斷」運(yùn)營(yíng)的發(fā)展進(jìn)而做決策。

基于這樣的定義可以知道數(shù)據(jù)分析的目的是為了做對(duì)當(dāng)下運(yùn)營(yíng)發(fā)展有利的決策，那它是如何做到的呢？為了解答這個(gè)問題，可以從前面的定義中 引申出幾個(gè)關(guān)鍵概念：數(shù)據(jù)，運(yùn)算關(guān)系，推斷，決策。

最通用的理解，數(shù)據(jù)是被存儲(chǔ)起來的信息。從應(yīng)用的角度，數(shù)據(jù)是把事物做量化處理的工具，萬物皆可數(shù)據(jù)化：數(shù)值數(shù)字是數(shù)據(jù)，文本、圖像、視頻等同樣都是數(shù)據(jù)。

按 字段類型 劃分，可以把數(shù)據(jù)分為：

按 結(jié)構(gòu) 劃分，可以把數(shù)據(jù)分為：

根據(jù) 數(shù)據(jù)連續(xù)的屬性 不同，還可以分為：

孤立的數(shù)據(jù)往往沒有參考價(jià)值，比如量化一個(gè)人，身高是180cm，并不能意味什么。比如網(wǎng)易云音樂的用戶，每個(gè)用戶的年齡是數(shù)據(jù)，對(duì)使用產(chǎn)品的人群年齡進(jìn)行分段比如18-24歲，該年齡段人數(shù)占比的指標(biāo)對(duì)網(wǎng)易云音樂來說才有價(jià)值。 從數(shù)據(jù)到指標(biāo)的計(jì)算過程，就是數(shù)據(jù)間的「運(yùn)算關(guān)系」，也叫「指標(biāo)」。

指標(biāo)的作用在于「度量」業(yè)務(wù)的發(fā)展：

這些指標(biāo)（點(diǎn)）通過一定的結(jié)構(gòu)可以編織而成指標(biāo)體系（線、面）衡量局部、甚至是全局的業(yè)務(wù) 。

「沙盤演練」中，指揮員通過軍事沙盤上的地形，及敵我雙方的工事、兵力部署、火器配置等情況，分析敵情，制定作戰(zhàn)方案。數(shù)據(jù)把現(xiàn)實(shí)中的運(yùn)營(yíng)抽象到數(shù)字世界中，通過指標(biāo)體系，應(yīng)用各種分析方法（業(yè)務(wù)分析、產(chǎn)品分析、用戶分析、經(jīng)營(yíng)分析......），幫助經(jīng)營(yíng)做決策。

趙括熟讀兵書，卻不能活用，淪為紙上談兵的笑話。所以獲得分析能力后，不能照本宣科，要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景做決策。

數(shù)據(jù)分析落地涉及流程創(chuàng)新、變革管理，用新的思維解決業(yè)務(wù)問題。 但這個(gè)過程并不是強(qiáng)迫變革，需要借助對(duì)業(yè)務(wù)的理解及軟性的能力來使分析平滑落地。

站在“前人”的肩膀上，可以走得更遠(yuǎn)。餅干哥哥根據(jù)多年數(shù)據(jù)分析工作經(jīng)驗(yàn)沉淀出了數(shù)據(jù)分析師能力模型，跟著它“按圖索驥”，補(bǔ)充自身缺失的能力，最終形成獨(dú)立、落地的數(shù)據(jù)分析能力。

完整的數(shù)據(jù)分析師能力體系應(yīng)該包括 底層認(rèn)知、業(yè)務(wù)場(chǎng)景及能力三板斧。

在建立數(shù)據(jù)分析思維之前，應(yīng)該先在底層認(rèn)知達(dá)成共識(shí)。

什么是認(rèn)知？ 是對(duì)事物底層邏輯的了解，是對(duì)是世界萬物的判斷，認(rèn)知的本質(zhì)就是做決定。 也就是說，為了幫助數(shù)據(jù)分析中每個(gè)決策的有效性（選擇什么指標(biāo)、分析方法？接下來做什么？等等），需要先建立底層認(rèn)知。

這一步，我們需要去明確數(shù)據(jù)分析的定義：數(shù)據(jù)分析是什么？目的/產(chǎn)出？分析流程？

同學(xué)們?cè)谇舐氝^程中會(huì)發(fā)現(xiàn)，同樣是數(shù)據(jù)分析師崗位，但是面試的內(nèi)容千差萬別，有考察機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等專業(yè)能力的，也有考察市場(chǎng)/行業(yè)分析的，還有考察產(chǎn)品分析的。

此時(shí)就有同學(xué)問，這些真的是數(shù)據(jù)分析該做的嗎？

我們從字面上拆解，數(shù)據(jù)分析 = 數(shù)據(jù) 分析，進(jìn)一步拆：

這就是認(rèn)知上的偏差：當(dāng)一些同學(xué)認(rèn)為數(shù)據(jù)分析就是用Excel做表、python寫腳本、機(jī)器學(xué)習(xí)建模時(shí)（其實(shí)這些只是組成數(shù)據(jù)分析能力的一部分），求職市場(chǎng)對(duì)數(shù)據(jù)分析師的要求更為完整。

回過頭來看，數(shù)據(jù)分析到底是什么？筆者認(rèn)為，數(shù)據(jù)分析是一個(gè)過程，是利用數(shù)據(jù)能力做分析的過程：從發(fā)現(xiàn)問題、分析原因，到落地建議；這還是一個(gè)“解構(gòu)”的過程：從整體拆到局部，從一般到特殊，從面到線到點(diǎn)，不斷下鉆剖析，找到具體可落地的點(diǎn)。

了解完什么是數(shù)據(jù)分析后，深入思考一個(gè)問題：這個(gè)過程的最終產(chǎn)出的交付物是什么？

要回答這個(gè)問題，我們需要 回到數(shù)據(jù)分析的本質(zhì)：解決業(yè)務(wù)問題。 也就是回到業(yè)務(wù)層面的需求是什么，才能決定最后落地交付物：

最常見的數(shù)據(jù)分析場(chǎng)景，就是業(yè)務(wù)發(fā)現(xiàn)銷售額下降、用戶流失、產(chǎn)品跳失率高，也就是業(yè)務(wù)層面出現(xiàn)了一個(gè)問題待解決，此時(shí)需要數(shù)據(jù)分析師介入幫助從數(shù)據(jù)層面挖掘原因、給出解決建議。

分析過程可能是做一些探索性數(shù)據(jù)分析、統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)建模，甚至是做AB測(cè)試實(shí)驗(yàn)，最終交付分析報(bào)告，或者模型部署上線。

有時(shí)業(yè)務(wù)可能并不存在確切的“問題”，更多旨在通過加深對(duì)現(xiàn)有場(chǎng)景的理解，來提高現(xiàn)有業(yè)務(wù)模型、策略的效果；比如，現(xiàn)在業(yè)務(wù)使用的是客單價(jià)平均值將客戶分為高、低兩個(gè)人群進(jìn)行營(yíng)銷，此時(shí)數(shù)據(jù)分析師通過對(duì)消費(fèi)者的洞察分析，給予更精準(zhǔn)的人群劃分方案：利用客單價(jià)分位數(shù)，將客戶分為三個(gè)人群，這樣業(yè)務(wù)利用更新后的策略進(jìn)行營(yíng)銷設(shè)計(jì)，提高轉(zhuǎn)化效果。

分析過程可能是做相關(guān)分析、回歸分析，甚至是無監(jiān)督的聚類，來對(duì)現(xiàn)狀進(jìn)行解釋。

按照需求的時(shí)效性，可以把業(yè)務(wù)需求分為臨時(shí)需求和常規(guī)需求，而前面兩者屬于業(yè)務(wù)的臨時(shí)需求，或者說是專項(xiàng)分析需求。 對(duì)于常規(guī)需求，主要旨在提高業(yè)務(wù)流程的效率 ，比如對(duì)于電商運(yùn)營(yíng)中的商品庫(kù)存管理業(yè)務(wù)，運(yùn)營(yíng)需要及時(shí)查詢庫(kù)存情況，并結(jié)合銷售趨勢(shì)對(duì)低庫(kù)存量的商品進(jìn)行補(bǔ)單；此時(shí)，數(shù)據(jù)分析師可以通過交付“低庫(kù)存預(yù)警報(bào)表”來幫助優(yōu)化該流程效率。

支持診斷的內(nèi)容主要集中在自動(dòng)化的報(bào)表，甚至是商業(yè)智能（BI）體系的搭建。

如果說前面是基于已知模式的分析，那么業(yè)務(wù)中還存在一種需求，就是對(duì)未知的探索。最為典型的場(chǎng)景則是對(duì)市場(chǎng)、對(duì)消費(fèi)者的洞察后，給出品牌及業(yè)務(wù)增長(zhǎng)的策略。

分析過程更多是基于行業(yè)、基于市場(chǎng)，使用如PEST、SWOT、波特五力等商業(yè)分析模型。

至此，我們知道了數(shù)據(jù)分析是什么，以及最終的產(chǎn)出交付物，那這個(gè)過程如何實(shí)現(xiàn)的呢？從落地的角度來看，數(shù)據(jù)分析是一個(gè)從 發(fā)散到收斂 的過程： 業(yè)務(wù)理解-數(shù)據(jù) 探索 -分析模型-落地交付-產(chǎn)品生命周期

數(shù)據(jù)分析是從業(yè)務(wù)到數(shù)據(jù)再回到業(yè)務(wù)的過程，所以理解業(yè)務(wù)是數(shù)據(jù)分析的起點(diǎn)。

“無場(chǎng)景不分析”、“脫離業(yè)務(wù)場(chǎng)景的分析都是耍流氓”等資深數(shù)據(jù)分析師的建議無不說明業(yè)務(wù)場(chǎng)景的重要性。數(shù)據(jù)分析能力模型中的業(yè)務(wù)場(chǎng)景模型：用戶-產(chǎn)品-場(chǎng)景，就是為了幫助讀者理解業(yè)務(wù)場(chǎng)景而設(shè)計(jì)的，在這里不贅述。

不知道讀者有沒這樣的體驗(yàn)？就是領(lǐng)導(dǎo)交代任務(wù)給你，或者是朋友有求于你時(shí)，執(zhí)行力強(qiáng)的人很快就完成了任務(wù)請(qǐng)求，但是最后卻被告知這結(jié)果并不是對(duì)方想要的？這種情況很常發(fā)生在初入數(shù)據(jù)分析崗位的新同學(xué)身上，原因歸根結(jié)底就是沒有做好問題定義！

在理解了需求所處的業(yè)務(wù)場(chǎng)景后，可以 借助邏輯樹工具來對(duì)問題進(jìn)行拆解，拆解的過程盡量要遵循MECE、“相互獨(dú)立,完全窮盡”的金字塔原理 。

如果說前面定義問題是明確做什么，那在這一步就是要明確做到什么程度？

比如面對(duì)銷售額下降的問題，做數(shù)據(jù)分析，最終是產(chǎn)出一份數(shù)據(jù)分析報(bào)告就好了，還是說需要介入到測(cè)試實(shí)驗(yàn)，給出增長(zhǎng)策略？如果是后者，那對(duì)銷售額的提升幅度要提升多少才有價(jià)值？是不痛不癢的1%還是要達(dá)到顯著的10%？

如果不在價(jià)值層面做思考，并付諸價(jià)值落地的行動(dòng)，最后很容易產(chǎn)生“價(jià)值在哪”的靈魂拷問，面臨被優(yōu)化的風(fēng)險(xiǎn) 。

在業(yè)務(wù)理解階段，我們是站在業(yè)務(wù)層面與需求方溝通，但是數(shù)據(jù)分析的核心部分都是在數(shù)據(jù)層面進(jìn)行的。所以在正式開始分析之前，我們需要 把業(yè)務(wù)需求轉(zhuǎn)成數(shù)據(jù)需求，這個(gè)過程就是數(shù)據(jù) 探索 。

拿到業(yè)務(wù)需求時(shí)的定義問題階段，需要數(shù)據(jù)的輔助：用數(shù)據(jù)透視業(yè)務(wù)，判斷現(xiàn)狀與描述是否一致。比如，業(yè)務(wù)說銷售額下降了需要分析，但是這個(gè)下降是和誰(shuí)比？環(huán)比下降但是同比提升，同比下降，但是和競(jìng)品相比是提升的。

這個(gè)步驟比較多的是使用探索性數(shù)據(jù)分析（Exploratory data analysis），或者說通過常見的統(tǒng)計(jì)指標(biāo)來對(duì)數(shù)據(jù)現(xiàn)狀進(jìn)行剖析。

如果說第一步是在用數(shù)據(jù)驗(yàn)證需求的有效性，那這一步則是真正把業(yè)務(wù)問題轉(zhuǎn)為數(shù)據(jù)需求。

此外，還需要判斷數(shù)據(jù)質(zhì)量及能做的特征工程，比如某些字段缺失率太高，這會(huì)影響特征的構(gòu)建。

了解業(yè)務(wù)、明確數(shù)據(jù)需求后，就可以挑選合適的武器（分析方法、模型框架）上陣。

概括來說，有四種分析方法：

指標(biāo)的好壞、特征是否顯著等都可以通過比較分析的方法來實(shí)現(xiàn)，比如常見的歸因業(yè)務(wù)場(chǎng)景，本質(zhì)就是做比較，通過橫向、縱向的比較找出原因。

分析方法：比如T檢驗(yàn)、方差分析、同比環(huán)比、同期群分析等

分析變量之間的相關(guān)性是重要的分析場(chǎng)景。比如業(yè)務(wù)中想知道提高廣告預(yù)算是否能、甚至是能提升多少的銷售業(yè)績(jī)？這樣的相關(guān)性分析或許能找到最優(yōu)投放ROI的配置方案。

分析方法：卡方、皮爾遜(Pearson)相關(guān)系數(shù)、斯皮爾曼(Spearman)相關(guān)系數(shù)、結(jié)構(gòu)分析等

不論是對(duì)企業(yè)銷售的預(yù)測(cè)、還是對(duì)用戶行為的預(yù)測(cè)，都能幫助提升業(yè)務(wù)效率，比如常見的預(yù)測(cè)用戶流失分析，及時(shí)得到高概率流失的人群名單，運(yùn)營(yíng)通過提前營(yíng)銷干預(yù)，提高用戶留存率；常見的銷售預(yù)測(cè)能幫助企業(yè)在供應(yīng)鏈側(cè)做準(zhǔn)備。這類場(chǎng)景主要應(yīng)用的是機(jī)器學(xué)習(xí)中的有監(jiān)督分類模型。

分析方法：線性/邏輯回歸、決策樹、時(shí)間序列分析、貝葉斯等；

前面三種都是基于企業(yè)已知模式的分析邏輯，還有一種分析方法——無監(jiān)督的機(jī)器學(xué)習(xí)模型，可以應(yīng)對(duì)未知模式的分析。比如不知道應(yīng)該把現(xiàn)有人群分成多少個(gè)組來進(jìn)行營(yíng)銷最合適，就可以對(duì)人群基于核心特征做無監(jiān)督的聚類分析，得出有效分組的界限。

分析方法：Kmeans聚類、DBScan聚類等；

交付落地的 最佳實(shí)踐是讓數(shù)據(jù)和分析從理論滲透到業(yè)務(wù)中，對(duì)流程進(jìn)行變革提效 。

在交付給業(yè)務(wù)之前，需要先對(duì)給出的解決方案做有效性評(píng)估：

分析如果涉及模型的開發(fā)使用，需要通過AB測(cè)試，或者ROC等指標(biāo)來證明模型在數(shù)據(jù)層面上的有效。在數(shù)據(jù)層面完成驗(yàn)證后，回到業(yè)務(wù)分析需求，評(píng)估交付的方案在業(yè)務(wù)層面上的有效落地。

數(shù)據(jù)分析是圍繞業(yè)務(wù)價(jià)值而展開的，所以在最后的落地，也得就價(jià)值進(jìn)行討論， 回答這個(gè)方案解決業(yè)務(wù)問題的途徑和程度 ：

A. 途徑是對(duì)流程的優(yōu)化（降本提效）還是對(duì)數(shù)據(jù)的優(yōu)化（數(shù)據(jù)體系效率、數(shù)據(jù)質(zhì)量）？

B. 這方式能多大程度上幫助解決？比如對(duì)業(yè)務(wù)的提升是10%還是30%？是對(duì)單次項(xiàng)目的應(yīng)用，還是說可以部署到日常流程中，在更長(zhǎng)時(shí)間、更廣范圍內(nèi)影響業(yè)務(wù)？

C. 此外，要實(shí)現(xiàn)這樣的效果，需要投入的資源是什么

分析項(xiàng)目的落地需要多方參與，即使是業(yè)務(wù)能力豐富的分析師，由于流程邊界的存在也不可能每步都參與執(zhí)行。因此，確保項(xiàng)目能否有效落地的一個(gè)重要因素則是能否和業(yè)務(wù)達(dá)成共識(shí)。

如何做到？講數(shù)據(jù)故事：起因(需求定義)、過程(分析邏輯)、結(jié)局(重要結(jié)論)是否引人入勝(被認(rèn)可)。

這個(gè)過程需要制作PPT向上匯報(bào)、與業(yè)務(wù)溝通，甚至是做跨部門的演講。

不論是業(yè)務(wù)模型還是算法模型，最終都有一個(gè)“靴子落地”的過程--落地實(shí)施。模型測(cè)試有效、與業(yè)務(wù)達(dá)成共識(shí)后就到了模型的部署上線階段：

接在分析生命周期最后的是分析產(chǎn)品的生命周期：以產(chǎn)品的思維看待數(shù)據(jù)分析，交付至業(yè)務(wù)落地的模型應(yīng)用就是產(chǎn)品。數(shù)據(jù)分析這個(gè)過程并不是靜態(tài)、單次的，而是一個(gè)PDCA不斷迭代升級(jí)的過程。（這個(gè)分析產(chǎn)品的定義包括分析服務(wù)、數(shù)據(jù)產(chǎn)品。）

從產(chǎn)品思維的角度，分析結(jié)論落地到業(yè)務(wù)流程中，對(duì)流程進(jìn)行再造，提高運(yùn)營(yíng)效率。

當(dāng)數(shù)據(jù)分析流程成熟后，大量重復(fù)執(zhí)行的流程可以抽取出來，形成自動(dòng)化的產(chǎn)品，用于服務(wù)數(shù)據(jù)分析（主要對(duì)象為數(shù)據(jù)分析師，也包括運(yùn)營(yíng)），這就是數(shù)據(jù)產(chǎn)品。分析師的結(jié)論模型就可以部署到現(xiàn)有的數(shù)據(jù)產(chǎn)品中，優(yōu)化分析效率。

之所以要從產(chǎn)品思維的角度來看數(shù)據(jù)分析過程，是因?yàn)橐竦a(chǎn)品那樣去迭代分析模型：不論是優(yōu)化算法參數(shù)，還是調(diào)整分析框架，都能得到更優(yōu)的結(jié)論。

在數(shù)據(jù)分析生命周期第一步的“理解業(yè)務(wù)”中，我們提到業(yè)務(wù)場(chǎng)景的重要性。

根據(jù)業(yè)務(wù)經(jīng)驗(yàn)，筆者沉淀了一套便于理解的模型：業(yè)務(wù)場(chǎng)景 = 用戶產(chǎn)品場(chǎng)景

也就是說，要理解業(yè)務(wù)，就要了解用戶，熟悉產(chǎn)品，明確分析所處的上下文場(chǎng)景。它們決定了分析的目標(biāo)、處理邏輯以及落地建議。

更詳細(xì)的討論見：回歸到營(yíng)銷理論，談?wù)劦降资裁词菢I(yè)務(wù)場(chǎng)景？

對(duì)數(shù)據(jù)分析有了底層認(rèn)知、了解業(yè)務(wù)場(chǎng)景后，就需要有看得見摸得著的“招式”來行動(dòng)：思維方法、工具技術(shù)和項(xiàng)目能力這三板斧能組成不同招式應(yīng)對(duì)多變的問題。

經(jīng)?？吹接腥苏f數(shù)據(jù)分析如做飯，如果是這樣的話，在數(shù)據(jù)分析這個(gè)廚房里，工具技術(shù)就是鍋鏟、鐵鍋、勺子等器皿，思維方法就是切配、烹飪、打荷等技藝手法，項(xiàng)目能力則是最后的裝盤上菜。

很多人學(xué)做飯，可能是因?yàn)樵诙兑艋駼站看到某個(gè) 美食視頻，然后就開始按照視頻步驟備料烹飪。這個(gè)過程，也就是數(shù)據(jù)分析中學(xué)習(xí)思維方法的過程。數(shù)據(jù)分析也是先有思維方法，才能談得上是分析。

剛開始學(xué)做飯時(shí)，通常先學(xué)基礎(chǔ)的煎、炒、炸、烤、煮、蒸、燜、拌烹飪方式。這些基礎(chǔ)的能力在數(shù)據(jù)分析中就是統(tǒng)計(jì)學(xué)、相關(guān)分析、歸因分析等通用分析思維。

正如美食有八大菜系，分別滿足不同地域人群的口味，數(shù)據(jù)分析在不同場(chǎng)景下，也有不同的“分析”招式來滿足不同的業(yè)務(wù)需求：

習(xí)得了做飯的方法后，就可以選擇幾件趁手的器皿，來提高烹飪效率。

之所以不是先選擇器皿再研究做飯流程，是因?yàn)楣ぞ呤冀K是工具，完成同一個(gè)目標(biāo)或許有多種工具可以實(shí)現(xiàn)，再不濟(jì)我用原始的土灶也能燒飯。

不過對(duì)于部分復(fù)雜的烹飪需求，也是需要選擇特定的器皿才能完成。

常見的工具技術(shù)及應(yīng)用：

菜做好后一定要及時(shí)出鍋、裝盤、上菜，要不然再美味的菜肴也只是空中閣樓。

項(xiàng)目能力強(qiáng)調(diào)的是數(shù)據(jù)分析項(xiàng)目的落地。理論的分析方法如何在業(yè)務(wù)場(chǎng)景中落地賦能，體現(xiàn)數(shù)據(jù)價(jià)值？這是很多企業(yè)數(shù)據(jù)團(tuán)隊(duì)在討論的課題。

說項(xiàng)目能力像是烹飪最后的上菜階段，其實(shí)不太嚴(yán)謹(jǐn)，因?yàn)? 落地能力是一種軟性的能力，貫穿分析項(xiàng)目的整個(gè)過程 ：

作者：作者餅干哥哥

四、數(shù)據(jù)分析思路都有哪些?

1、趨勢(shì)分析

最簡(jiǎn)單、最常見的數(shù)據(jù)分析方法，一般用于核心指標(biāo)的長(zhǎng)期跟蹤，比如點(diǎn)擊率、GMV、活躍用戶數(shù)?？梢钥闯鰯?shù)據(jù)有那些趨勢(shì)上的變化，有沒有周期性，有沒有拐點(diǎn)等，繼而分析原因。

2、多維分解

也就是通過不同的維度對(duì)于數(shù)據(jù)進(jìn)行分解，以獲取更加精細(xì)的數(shù)據(jù)洞察。舉個(gè)例子，對(duì)網(wǎng)站維護(hù)進(jìn)行數(shù)據(jù)分析，可以拆分出地區(qū)、訪問來源、設(shè)備、瀏覽器等等維度。

3、用戶分群

針對(duì)符合某種特定行為或背景信息的用戶，進(jìn)行特定的優(yōu)化和分析，將多維度和多指標(biāo)作為分群條件，有針對(duì)性地優(yōu)化供應(yīng)鏈，提升供應(yīng)鏈穩(wěn)定性。

4、漏斗分析

按照已知的轉(zhuǎn)化路徑，借助漏斗模型分析總體和每一步的轉(zhuǎn)化情況。例如將漏斗圖用于網(wǎng)站關(guān)鍵路徑的轉(zhuǎn)化率分析，不僅能顯示用戶的最終轉(zhuǎn)化率，同時(shí)還可以展示每一節(jié)點(diǎn)的轉(zhuǎn)化率。

5、留存分析

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會(huì)進(jìn)行后續(xù)行為。衡量留存的常見指標(biāo)有次日留存率、7日留存率、30日留存率等。

6、A/B 測(cè)試

A/B測(cè)試是為了達(dá)到一個(gè)目標(biāo)，采取了兩套方案，通過實(shí)驗(yàn)觀察兩組方案的數(shù)據(jù)效果，判斷兩組方案的好壞，需要選擇合理的分組樣本、監(jiān)測(cè)數(shù)據(jù)指標(biāo)、事后數(shù)據(jù)分析和不同方案評(píng)估。

7、對(duì)比分析

分為橫向?qū)Ρ?跟自己比)和縱向?qū)Ρ?跟別人比)，常見的對(duì)比應(yīng)用有A/B test，A/B test的關(guān)鍵就是保證兩組中只有一個(gè)單一變量，其他條件保持一致。

8、交叉分析

交叉分析法就是將對(duì)比分析從多個(gè)維度進(jìn)行交叉展現(xiàn)，進(jìn)行多角度的結(jié)合分析，從中發(fā)現(xiàn)最為相關(guān)的維度來探索數(shù)據(jù)變化的原因。

以上就是關(guān)于數(shù)據(jù)分析模型20種相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。