数据分析你想知道的都在这！干货！（下）

上篇内容我们介绍了数据分析师的定义、分析流程和该如何进行数据分析的学习，以及数据分析必备工具DataFocusBI.这次我们了解一下数据分析的几个常见思维误区，以及常用分析方法的介绍。

一、数据分析思维的几大误区

在某些数据分析相关的公众号我们经常可以看到各种不明觉厉的名字：什么SOWT，PEST，二八法、切割法、多维法、业务法……但是在数据分析实践中就会发现，这些好像在这里根本不是很管用。其实这都是数据分析常见的一些误区。 误区一：数据分析思维就是4P，4C，SWOT，PEST，五力模型…… 澄清：数据分析都是从数据着手，于细节处发现聚合问题，上述这些都过于宏观，不能具体分析。 这些都是在市场营销，企业战略管理、产业经济等课程中的理论模型。在现实企业中，这些基本都是一组或者部门在做这些事情，而不是某一个人干的shi'qing比如营销讲4P，在真实企业中，如果是传统企业，至少有一个营销总监管着营销部门，下边分为：产品管理、市场推广、品牌宣传、会员中心、促销活动、公关联盟等多个小组。如果是互联网公司，往往新客户获取由市场做，老客户维护由运营做。在运营中，又有用户运营、产品运营、活动运营、社群运营、新媒体运营、渠道运营、商品运营……

各个部门的责任内容、工作流程、数据源、考核指标等各不相同。没有结合具体的工作分析，而是洋洋洒洒的写4 P，每个 P都写了一大堆东西，结果全不具体，不知道给谁看，看有什么用。

误区二：数据分析思维是用户留存、用户画像……

澄清：这些是具体的指标，是分析的素材，不是结果 如果把题目完整，其实应该还有用户拉新、用户促活、用户留存、用户转化、用户推荐、用户画像……你看，这就是用户运营这个部门的工作内容吗。对应在数据上的，是一个具体的指标，比如：

• 用户拉新（用户来源渠道、新用户数、拉新转化率、拉新漏斗、拉新质量）
• 用户促活（用户活跃率、活跃用户质量、各层级用户活跃率）
• 用户留存（次日、3日、7日、30日、季度、年度留存率；留存用户数）
• 用户转化（转化率、转化行为、转化MOT、首次、二次、多次消费，RFM）
• 用户推荐（参与率，有推荐行为人数、人均推荐人数、推荐质量）
• 用户画像（以上所有指标+用户基础信息+用户设备信息）

然而，单单列出这些指标，并没有达到“分析”的目的哦。比如用户留存，有的把用户登录APP定为留存，有的把消费定为留存，当定义不同时，留存含义都会变化，指向的业务动作当然也会变化。只看一个数值多少，是没法解答具体商业问题的。 而且，针对留存这个问题，还有个经典困惑：如果我们把3个月内有付费定义为留存，一个月买1000产品，连续买3个月，和一次买6000，半年买一次的有什么区别？看似一次买6000，半年买一次是“流失”了，可有的消费者就是喜欢囤货，就是喜欢蹭618，双11（刚好上下半年各一次）……那这个定义本身都有问题，要怎么“分析呢？” 优化策略：结合商业场景定义指标，从商业问题入手，而非从指标入手，构建分析思路。单纯看一个指标，屁都看不出来。可企业经营遇到的问题是活生生的：我们增长遭遇瓶颈，我们收入不够，我们的商业化速度太慢，怎么办！从这些具体痛点入手，把“增长遭遇瓶颈”对应到数据指标上（新用户数，GMV，……）这样就能真正开始脚踏实地的分析了。

二、常用分析方法

留存分析

用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：第一种 日留存，日留存又可以细分为以下几种：

1. 次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数
2. 第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数
3. 第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数
4. 第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数
5. 第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数

第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。 第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：

漏斗分析

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。 上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，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，优化该步骤，最终达到提升整体购买转化率的目的。 整体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，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。 还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。 从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。