在数据驱动的时代下，凭感觉、凭经验做决策的时代已经过去了，作为运营狗需要掌握一定的数据分析能力，从数据中查找问题，分析问题，解决问题。那么，数据分析是干嘛的呢？运营如何运用数据分析指导产品优化？数据分析的方法又有哪些？下面，我就和大家来聊聊数据分析的二三事。
一、为什么要做数据分析
伴随数据驱动和精细化运营时代的到来，如何迭代产品功能？如何优化产品转化流程？如何根据用户画像做精准投放？
……
面对这一系列问题，你会发现以前行之有效的手法，不再那么可靠，而基于客观的数据进行分析，可以更准确的辅助运营做出决策。
比如：流量运营，仅仅关注PV、UV等虚荣指标，在现在看来是远远不够。CPC、DAU、平均访问时长、访问深度、跳出率、平均流量转化等更加精细的指标，以及基于这些指标的大规模数据分析，对于用户行为的判断，更具分析意义。
二、什么是数据分析？
1. 概念
数据分析，顾名思义，数据+分析，也就是说必须要以数据为先，分析为后。用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地发挥数据的价值，是为了提取有用信息和形成结论，而对数据加以详细研究和概括总结的过程。
2. 目的
我们使用数据分析，总是想解决某些业务中遇到的问题，驱动业务实现增长，根据我们想要解决的问题类型，我们可将数据分析的目的分为三类：现状分析，原因分析，预测未来。
（1）现状分析
现状分析的含义大概可以从两点来看：已经发生的事情和现在正在发生的事情。通过分析告诉你企业的整体运营情况，让你了解企业各项业务的发展及变动情况，对企业运营状态有更深入的了解。
现状分析一般通过日常通报来完成，如：日报、周报、月报等形式。
（2）原因分析
经过第一阶段的现状分析，我们可以了解到企业存在的某种隐患，那么我们应该为去分析该隐患。举例来说：某产品的注册转化率一定稳定在15%，有一天突然下降为5%以下，这个时候就需要对这天的数据进行分析，找出注册转化率下降的原因，并给出解决办法，这些就是原因分析。
原因分析一般通过专题分析来完成，根据实际运营情况选择针对某一现状进行原因分析。
（3）预测未来
分析了现状，也分析了原因，接下来就需要预测未来。运营者利用已掌握的数据，用数据分析的方法来预测接下来的发展趋势等。
比如：某电商的七日复购率平均是30%，现在有第一次购买消费用户1000人，监测这些用户的行为，七日看这些人复购率是否达到或者超过30%，根据数据结果去判断复购的增长率，这就是属于数据分析，预测未来的应用。
预测分析一般通过专题分析来完成，通过在制定季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。
三、如何做数据分析
很多刚接触数据分析的小伙伴，不知道怎么做数据分析。要么胡子眉毛一把抓，要么无从下手。这都是缺少分析思路的表现，今天就给大家盘点数据分析的工作流程是什么样的，常用的数据分析方法论和方法具体有哪些。
1. 数据分析的流程
数据分析主要包括6个既相对独立又互有联系的阶段，依次是：明确分析目的和思路——数据收集——数据处理——数据分析——数据展现——报告撰写。
图片来源于网络
（1）明确分析目的和思路
在做任何一件事之前都要有一个明确目的，数据分析也是如此。在进行数据分析之前首先要明确数据分析的目的，知道自己为什么要做数据分析，想要达到什么效果。譬如说：原先的商品落地页的购买转化率比较低，需要使用新的落地页，以提升流量进入后的购买转化率。
（2）数据收集
数据收集是按照确定的数据分析和框架内容，有目的的收集、整合相关数据的一个过程，它是数据分析的一个基础。
数据收集的办法一种是在自家产品的代码中加入“埋点”代码，另一种办法是使用第三方的数据统计工具（比如百度统计）。它们都能够监控到用户在产品中的一系列行为，并将数据保存下来，便于后续分析。
（3）数据处理
数据处理是指对收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必不可少的阶段。这个过程是数据分析整个过程中时间占比最大的，也在一定程度上取决于数据仓库的搭建和数据质量的保证。
数据处理主要工作包括数据清洗、数据转化、数据抽取、数据合并、数据计算等处理方法，利用这些方法将各种原始数据加工成为数据分析所要求的样式。
（4）数据分析
数据分析是指用适当的分析方法及工具，对处理过的数据进行分析，提取有价值信息，形成有效结论的过程。
到了这个阶段，要能驾驭数据、开展数据分析，就要涉及到工具和方法的使用。一般的数据分析我们可以通过Excel完成，而高级的数据分析就要采用专业的分析软件进行了，如Power-BI、SPSS、R等数据分析工具。
（5）数据展现
一般情况下，数据分析的结果都是通过图、表的方式来呈现，俗话说：字不如表，表不如图。借助数据展现手段，能更加有效、直观地表述想要呈现的信息、观点和建议。
常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等，当然可以对这些图表进一步整理加工，使之变为我们所需要的图形，例如：金字塔图、矩阵图、漏斗图、帕累托图等。
（6）报告撰写
最后阶段，就是撰写数据分析报告，这是对整个数据分析过程的一个总结与呈现。通过报告，把数据分析的起因、过程、结果及建议完整地呈现出来，供决策者参考。一份好的数据分析报告需要满足以下3点要求：好的分析框架、明确的结论、提出具有可行性的建议或解决方案。
2. 数据分析的方法论
数据分析的方法论很多，本文就不一一列举了。小编为大家介绍其中比较常见的理论，让大家日后在建立数据分析框架时能应用它们作为指导。
（1）PEST分析法
PEST分析法是从政治（Politics）、经济（Economy）、社会（Society）、技术（Technology）四个方面分析内外环境，适用于宏观环境的分析。而PEST分析法能从各个方面比较好的把握宏观环境的现状及变化的趋势，有利于企业对生存发展的机会加以利用，对环境可能带来的威胁及早发现避开。
图片来源于网络
PEST分析法包含的政治、经济、环境和社会4点因素，也被称之为“PEST有害物”，PEST要求高级管理层具备相关的能力及素养。PEST作为企业与环境分析的基础工具，与外部总体环境的因素互相结合就可归纳出SWOT分析中的机会与威胁。
（2）SWOT分析法
SWOT分析法（也称TOWS分析法、道斯矩阵）即态势分析法，S （strengths）是优势、W （weaknesses）是劣势，O （opportunities）是机会、T （threats）是威胁或风险。
图片来源于网络
SWOT分析法是用来确定企业自身的竞争优势、竞争劣势、机会和威胁，从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法。
运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究。通过分析研究对象密切相关的各种主要内部优势、劣势和外部的机会和威胁等，从而得出结论，这个结论通常带有一定的决策性。可以根据结论制定相应的发展战略、计划以及对策等。
（3）5W2H分析法
如下图，5W2H 分析法是从：Why（为什么）、What（做什么）、Who（谁来做）、When（何时）、Where（何地）、How（如何做）、How much（多少） 7个常见的维度分析问题。
图片来源于网络
该分析方法又称为七何分析法，是一个非常简单、方便又实用的工具。广泛用于企业营销、管理活动，对于决策和执行性的活动措施非常有帮助，也有助于弥补考虑问题的疏漏。
直白的理解，5W2H 法就是一种发现问题、解决问题的方法。
（4）4P营销理论
4P营销理论产生于20世纪60年代的美国，即产品（Product）、价格（Price）、渠道（Place）、推广（Promotion），在营销领域，这种以市场为导向的营销组合理论，被企业应用最普遍。
图片来源于网络
可以说企业的一切营销动作都是在围绕着4P理论进行，也就是将：产品、价格、渠道、推广。通过将四者的结合、协调发展，从而提高企业的市场份额，达到最终获利的目的。
对于手机行业来说，4P理论应该并不陌生。以OPPO为例，它的产品、价格、渠道、推广每一块都值得学习。
产品（product）：对于消费者来说，解决痛点的产品就是好产品。OPPO的产品策略就是不断满足消费者更高需求，直击痛点。“充电五分钟，通话两小时”、“这一刻，更清晰”的广告语就很好的体现出这一点。
价格（price）：OPPO在价格的整体策略上市全国统一、严控价格，这种策略不会造成不同渠道的不同价格，某种程度上也限制了线上渠道，如果线上线下同价，消费者更愿意去实体店进行体验后购买。当然了这种方式有利于公司对价格进行管理，另一方面这也使得消费者安心，虽然没有优惠感，但同样也没有吃亏，反倒会对品牌多了一份信任。
渠道（place）：OPPO的渠道趋于扁平化，“OPPO—省代—代理商—用户”，这其中OPPO对渠道合作伙伴以一种捆绑的方式合作，一些合作伙伴持有公司股份，那么这会让渠道伙伴更加用心更尽力去销售，同样也是与渠道伙伴建立高度的信任，并在经历波动时能稳固地生存下来。
推广（promotion）：OPPO的营销推广策略是：大力的宣传、大幅地出镜，让消费者不用费力地寻找信息，而是触手可得的接受，并且这个接受还是主观的愿意接受。典型的是邀请大量当红偶像为品牌代言，杨幂、李易峰、TFboys、杨洋、迪丽热巴等；赞助多档热播综艺，《奔跑吧兄弟》、《极限挑战》等；还将广告广泛投向了各地人流量大的机场地铁高铁站，这种直接而凌冽的方式让消费者很快地接收到品牌要传达的信息。
（5）AARRR模型
AARRR模型是所有运营人员都要了解的一个数据模型，著名的《增长黑客》中的数据分析框架，也是以这个模型为基础。
AARRR从整个用户生命周期入手，包括获取（Acquisition）、激活（Activition）、留存（Retention）、变现（Revenue）和传播（Refer）。
图片来源于网络
每个环节分别对应生命周期的5个重要过程，即从获取用户，到提升活跃度，提升留存率，并获取收入，直至最后形成病毒式传播。
3. 常见的数据分析方法
上面介绍了 5个经典的分析方法论，它们可以帮我们搭建一个清晰的数据分析框架。那么对于具体的业务场景问题，我们又该怎么办呢？
根据运营的工作的实际需要，下面小编介绍几种数据分析中常用的方法，希望在数据分析的实际应用中能给大家带来帮助。
（1）趋势分析
趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。适用于产品核心指标的长期跟踪，比如：点击率、GMV、活跃用户数等。
一般是建立一张数据趋势图，通过直观的数字或趋势图表，可以迅速了解市场、用户或产品特征等；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的准确性和实时性。
以电商类网站为例，如果我们将流量作为第一关键指标。我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard），并且实时更新。这样的一个数据看板，核心数字和趋势一目了然。
（2）多维分解
当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等，在选择维度时，需要仔细思考其对于分析结果的影响。
举个例子，当监测到网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。那么你可以对这些指标进行多维度的拆解，如地区、访问来源、设备、浏览器等等，经过拆分之后你会发现很多思路。
（3）用户分群
针对符合某种特定行为或背景信息的用户，进行特定的优化和分析，就是我们常常讲到的用户分群（segmentation ）的手段。
比如：在考虑注册转化率的时候，需要区分用户登录平台是PC端、平板端还是手机移动端，以及北京、上海、广州、深圳等地的用户群体。这样可以在渠道策略和运营策略上，有针对性地进行优化。
（4）漏斗分析
漏斗分析是我们最常见的数据分析手段之一，广泛应用于网站用户行为分析和APP用户行为分析的流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如：将漏斗图用于网站中某些关键路径的转化率的分析，不仅能显示用户从进入网站到实现购买的最终转化率，同时还可以展示整个关键路径中每一节点的转化率。
漏斗分析要注意的两个要点：
不但要看总体的转化率，还要关注转化过程每一步的转化率；
漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。
（5）留存分析
人口红利逐渐消褪的时代，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一。
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为，这是用来衡量产品对用户价值高低的重要方法。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。
衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。
（6）A/B 测试
增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢？主要方法就是AB测试。
A/B测试是为了达到一个目标，采取了两套方案，通过实验观察两组方案的数据效果，判断两组方案的好坏。
例如：谷歌对于搜索结果的显示，会制定多种不同的方案（包括文案标题，字体大小，颜色等等），不断来优化搜索结果中广告的点击率。
图片来源于网络
要进行A/B测试需要注意的一点，A/B测试之前最好有A/A测试或者类似准备。
什么是A/A测试？
A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义。
四、数据分析常见谬误
在数据分析的过程中，即使是很有经验的数据分析人员也必须提防数据谬误，了解这些错误类型可以避免在分析时造成的灾难。
1. 数据偏见
一个人应该保持中立并且不要爱上你的假设是绝对必要的。
—— David Douglass，美国物理学家
在分析数据时受个人偏见和动机的影响，即仅选择支持你声明的数据，同时丢弃不支持声明的部分。“数据偏见”将让数据的客观性荡然无存。
避免这种谬误的方法是在分析数据时，尽可能收集相关数据，并询问他人意见。
2. 采样偏差
从并不具备代表性的数据中得出结论。举例来讲，一款互联网圈的人几乎不用的新闻资讯APP，为什么这 APP 还能有这么大浏览量？
所以当分析数据时，一个很重要的步骤是问一下你自己有什么缺失的数据。有时可能没办法掌握数据的整体情况就是因为它们只反映了一部分。
3. 错误因果关系
在数据分析时很容易将两个事件同时发生（相关），判断为因果关系。
避免这种谬误的方法是，收集更多数据并查看可能的第三方原因，有时会发现他们的相关关系可能与第三个独立因子相关，而不是彼此相关。
4. 辛普森悖论
在两个相差较多的分组数据相加时，在分组比较中都占优势的一方，会在总评中反而是失势的一方。
避免“辛普森悖论”给我们带来的误区，就需要斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。
五、写在最后
纸上得来终终觉浅，以上内容仅是提供了基础的框架和思路，各位想要真正掌握数据分析这一技能还需要将其应用到实际工作中，实践出真知。
