9种常用的数据分析方法是,9种常用的数据分析方法有
指尖生活
一、漏斗分析漏斗法是漏斗图，有点像倒金字塔。这是一种简化的思维方式。漏斗分析方法可以科学地反映用户从起点到终点的行为状态和用户转化率。这是一个重要的分析模型。漏斗分析模型已经广泛应用于网站和app的用户行为分析，如流量监测、CRM系统、SEO优化、产品营销和销售、购物转化率等日常数据运营和数据分析。
漏斗模型广泛应用于电子商务、登陆页、H5等。我们可以反复优化登陆页中的图片、文案、版面，进一步提高整体转化率。
这是一个经典的营销漏斗，形象地展示了从获取用户到最终转化为购买的整个过程中的一个子环节。相邻链接的转化率是用数据指标量化每一步的表现。所以整个漏斗模型就是先把整个购买过程拆分成步骤，然后用转化率衡量每一步的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化这一步，最终达到提升整体购买转化率的目的。
整个漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监测每一层的用户转化，找到每一层的可优化点。对于不按流程走的用户，画出他们的转化模型，缩短路径，提升用户体验。
还有经典的黑客成长模型，AARRR模型，指的是获取、激活、留存、收益和引荐，即用户获取、用户激活、用户留存、用户收益和用户传播。这是产品运营中常见的模式。结合产品本身的特点和产品生命周期的位置，关注不同的数据指标，最终制定不同的运营策略。
二。比较分析比较分析是指将两个或两个以上的数据进行比较，分析其差异，从而揭示这些数据所代表的事物的发展、变化和规律性。它能直观地看到事物某些方面的变化或差距，能准确、定量地显示变化或差距是什么。比较分析可分为静态比较和动态比较。
我们知道孤立的数据是没有意义的，只有有比较才会有差异。比如在时间维度上，同比和环比、增速、定基比、与竞争对手对比、品类对比、特征属性对比等。对比法可以发现数据变化的规律，使用频率较高，经常与其他方法结合使用。
对比上图中AB公司的销售额，虽然A公司的销售额普遍增长且高于B公司，但B公司的增速较快，高于A公司，即使后期增速有所下降，但最终销售额还是赶上了。
0.比较分析的价值方案
静态比较：同一时间不同总体指标的比较，如不同部门、地区、国家的比较，也叫横向比较，简称横向比；
动态比较：在同一总体条件下不同时期指标值的比较，也叫纵向比较，简称纵向比。
这两种方法可以单独使用，也可以结合使用。
1.时间维度比较
同一指标在不同时间维度的比较，如比值、环比、定基比等。
与去年同期相比，可以是季、月、周、日。
与上一个时间段相比(也与下一个时间段相比，也叫后对比)，如本月与上月、本周与上周；
标杆管理是一种特定时期的比较分析。例如，2013年的每个月都与2013年1月的销售额进行比较。
上图为月度销售额对比，时间范围相同(均为月度汇总)，指标一致，含义一致，显示整个企业的信息，整体性质具有可比性。
2.不同空间数据的空间对比，比如华北华南，北京上海，上海古北店，成都春熙路店的对比。相似空间的比较对象必须是形态相似的，而高级空间是与同形态的优秀空间进行比较，与拓展空间进行比较，比如北京与全国的数据比较，北京王府井店与整个北京的数据比较，与竞争对手的比较。
上图是2018年各销售组的销量对比。这种比较对于所有销售群体来说，具有相同的时间范围、一致的指标、一致的意义和维度，具有相同的性质。
3.计划与计划标准的比较是销售跟踪中非常重要的一个环节。所有的绩效评估都是计划标准。比如，将实际销售金额与销售计划金额进行对比，看销售是否完成了原来规定的计划，如果没有，为什么。
4.与经验值或理论值进行比较。经验标准是在大量实践中总结出来的数值，理论标准是从理论中推断出来的数值，平均值是某个空间或时间的平均值。
比如一品率：只有一种商品的收款占全部销售收款的比例。参考值小于40%。如果数据超过40%，就需要考虑如何调整策略，帮助客户进行相关购买。而参考值不到40%，是理论值。
进行比较分析时，总指数、相对指数或平均指数可以单独使用，也可以组合使用进行比较。比较结果可以用相对数表示，如百分比、倍数等指标。
在运用比较分析法时，我们需要注意以下几个方面：
指标的口径范围、计算方法和计量单位必须一致，即应采用同一单位或标准计量；
比较的对象要有可比性。
比较的指标类型必须一致。无论绝对数指标、相对数指标、平均数指标还是其他不同类型的指标，比较时双方都必须统一。
三。聚类分析聚类分析是一种探索性的数据分析方法。通常，我们使用聚类分析对看似无序的对象进行分组和分类，以便更好地了解研究对象。聚类结果要求组内对象的相似性高，而组间对象的相似性低。在用户研究中，聚类分析可以解决很多问题，例如，网站的信息分类，网页点击行为的相关性，用户的分类等等。其中，用户分类是最常见的情况。
常见的聚类方法有很多，如K-Means、谱聚类和层次聚类等。以最常见的K均值为例，如下图：
可以发现，数据分为红、蓝、绿三个不同的簇，每个簇都应该有自己独特的属性。显然，聚类分析是一种无监督的学习，是一种没有标签的分类模型。我们在对数据进行聚类，得到聚类时，一般会对每个聚类分别进行分析，得到更详细的结果。
四。路径分析用户路径分析跟踪用户从某个开始事件到结束事件的行为路径，即监测用户流向，可以用来衡量网站优化或营销推广的效果，了解用户的行为偏好。其最终目的是实现商业目标，引导用户更高效地完成产品的最佳路径，最终促使用户付费。如何分析用户行为的路径？
(1)计算用户使用网站或APP时的每一个第一步，然后依次计算每一步的流向和转化。通过数据，真实再现从打开APP到离开的全过程。
(2)查看用户使用产品时的路径分布。
比如访问某电商产品首页后，有百分之几的用户进行了搜索，有百分之几的用户访问了分类页面，有百分之几的用户直接访问了产品详情页？
(3)进行路径优化分析。
比如用户访问最多的是哪条路径；哪一步，用户最有可能流失。
(4)通过路径识别用户行为特征。
比如分析用户是目标导向还是无目的浏览。
(5)细分用户。
用户通常是按照APP的用途来分类的。比如汽车APP用户可以细分为关注型、意向型、购买型用户，针对每一类用户进行不同访问任务的路径分析，比如意向型用户，他有哪些路径去对比不同的车型，存在哪些问题。另一种方法是利用算法对所有用户的访问路径进行聚类分析，根据访问路径的相似性对用户进行分类，然后对每一类用户进行分析。
以电子商务为例。从登录网站//APP开始，买家要经历浏览首页、搜索商品、加入购物车、提交订单、支付订单的过程。但是，用户真正的购买过程是一个纠结和重复的过程。例如，提交订单后，用户可以返回主页继续搜索商品，也可以取消订单。每条路都有不同的动机。用其他分析模型深入分析后，可以快速找到用户动机，引导用户到最优路径或期望路径。
用户行为路线图示例：
5.帕累托分析帕累托定律，源于经典的二八定律。比如个人财富方面，可以说世界上20%的人掌握着80%的财富。在数据分析中，可以理解为20%的数据产生了80%的效果，需要围绕这20%的数据进行挖掘。使用二八法则时往往与排名有关，前20%为有效数据。第二种方法是集中重点分析，适用于任何行业。找到重点，发现它们的特点，然后思考如何把剩下的80%转化到那20%来提高效果。
通常，它将用于产品分类，以衡量和建立ABC模型。比如一个零售企业有500个SKU，这些SKU对应的销售额，哪些SKU比较重要？这就是商业运作的优先化问题。
常见的做法是以产品SKU为维度，以对应的销售额为基本衡量指标，将这些销售指标由大到小排列，计算出当前产品SKU的累计总销售额占总销售额的百分比。
70%(含)以内为a类，70~90%(含)百分比以内为b类，90~100%(含)百分比以内为c类，以上百分比也可以根据你的实际情况进行调整。
ABC分析模型不仅可以用来划分产品和销售，还可以用来划分客户和客户交易。比如给企业贡献80%利润的客户都是些什么人，比例是多少？假设有20%，那么在资源有限的情况下，我们知道应该重点维护这20%的客户。
不及物动词公式拆解所谓公式拆解法，就是用公式将某一指标的影响因素逐层分解。
下图分析了某产品销量低的原因，并按公式进行了分解：
七。A/BtestA/Btest是指两个或两个以上版本的Web或App界面或流程，在同一时间维度上，允许相似的访问者群体进行访问，收集每个群体的用户体验数据和业务数据，最终分析评估出最佳版本供正式采用。A/b测试的流程如下：
(1)分析当前情况并建立假设：
分析业务数据，确定目前最关键的改进点，为优化改进做出假设，提出优化建议；比如我们发现用户转化率不高，就假设是因为推广的落地页带来的转化率太低，要想办法提高。
(2)设定目标，制定计划：
设定主要目标，衡量每个优化版本的优劣；设置辅助目标，评估优化版本对其他方面的影响。
(3)设计和开发：
制作2个以上优化版本的设计原型，并完成技术实现。
(4)配送流程：
确定每个在线测试版本的拆分比例。在初始阶段，优化方案的流量设置可以小一些，可以根据情况逐步加大流量。
(5)收集和分析数据：
收集实验数据，判断有效性和效果：统计显著性达到95%以上，维持一段时间即可完成实验；如果低于95%，可能需要延长测试时间；如果统计显著性长期达不到95%甚至90%，就要决定是否停止实验。
(6)最后：
根据测试结果，确定发布新版本，调整分流比继续测试，如果测试效果达不到，则继续优化迭代方案，重新开发上线测试。
流程图如下：
八、象限分析法通过两个或两个以上维度的划分，用坐标来表示所需值。从价值直接到策略，从而做出一些推动。象限法是一种战略驱动的思维，常用于产品分析、市场分析、客户管理、商品管理等。
象限法的优点：
(1)找到问题的共同原因。
通过象限分析，对具有相同特征的事件进行归因，总结出共同的原因。比如上面的广告案例，第一象限的事件可以提取有效的推广渠道和推广策略，而第三和第四象限可以排除一些无效的推广渠道；
(2)建立分组优化策略。
交付象限分析可以为不同的象限建立优化策略。例如，根据RFM客户管理模型中的象限，将客户分为重点发展客户、重点保留客户、一般发展客户和一般保留客户。给重点客户更多的资源，比如VIP服务、个性化服务、追加销售等。向潜在客户销售更高价值的产品，或者一些优惠措施来吸引他们回头客。
下图是一个广告点击的四象限分布，从左到右的x轴代表从低到高，从下到上的y轴代表从低到高。
点击率高、转化率高的广告，说明人群相对精准，是高效的广告。
点击率高转化率低的广告，说明点击进来的人大部分是被广告吸引的，转化率低说明广告内容针对的人群和产品的实际受众有些不符。
高点击到低点击的广告，说明广告内容与产品实际受众高度吻合，但广告内容需要优化，吸引更多人点击。
点击率低、转化率低的广告可以舍弃。
还有经典的RFM模型，根据最近一次消费(Recency)、消费频率(Frequency)和消费金额(Monetary)将客户划分为八个象限。如下图
九。留存分析用户留存是指新会员/用户在一定时间后仍然具有特定的访问、登录、使用或转化等属性和行为。当时留存用户占新增用户的比例就是留存率。留存率根据不同时期可以分为三类，以登录行为的留存为例：
第一种每日保留可细分为以下几种：
(1)次日留存率：(当天新增用户中，第二天登录的用户数)/第一天新增用户总数。
(2)第三天留存率：(第一天新增用户中，第三天仍有登录用户)/第一天新增用户总数。
(3)第7天留存率：(第1天新增用户中，第7天仍有登录用户)/第1天新增用户总数。
(4)第14天留存率：(首日新增用户中，第14天仍有登录用户)/首日新增用户总数。
(5)第30天留存率：(首日新增用户中，第30天仍有登录用户)/首日新增用户总数。
第二周留存率是周度中的留存率，是指与第一周相比，每周仍然登录的新用户数。
第三种月留存指的是月留存率，指的是每个月相比第一周仍然登录的新用户数量。保留率是针对新用户的，结果是一个矩阵半面报告(只有的一半
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。