有一位朋友最近吐槽，他提交了一份7月數據分析報告給領導，報告里面放了很多圖表，也擺了很多數據，結果被痛批了一頓，覺得很委屈。其實，這位朋友與很多小伙伴一樣，做數據分析時，拿着手里的數據不知道怎么分析、從什么維度分析。
今天DataHunter數獵哥就來給大家分享7種最常用的數據分析方法，讓你輕松運用數據分析解決實際工作問題，提升核心競爭力。
一、漏斗分析法
漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用於網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中。
例如：Data Analytics為網站制作的“促銷活動分析”
比如，對一些電商產品來說，最終目的是讓用戶下單並支付，但轉化率取決於整個流程。這時，我們就可以通過漏斗模型一步一步地進行監測。如下圖所示，我們可以監控用戶在流程中各個層級上的行為路徑，尋找每個層級的可優化點。對沒有按照流程操作的用戶繪制他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間，最終提升整體轉化率。
漏斗模型除了在電商中應用的比較多以外，在落地頁、H5等也應用的比較多。我們可以反復優化落地頁當中的圖片、文案、布局，進一步的提高整體轉化率。
二、留存分析法
留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行后續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。
這里需要注意的是，在做留存分析之前，我們首先需要了解用戶留存的特點：
比如，我們可以通過觀察不同時間段用戶留存的情況，通過對比各個渠道、活動、關鍵行為的用戶后續留存變化，發現提升用戶留存率的影響因素，例如觀察領取過優惠券的用戶留存率是否比沒有領取優惠券的用戶留存率更高。
除此以外，還可以針對流失高/留存高的用戶群組進行一對一的用戶行為分析，統計留存/流失用戶的行為特征，特別是針對流失用戶，通過流失用戶的行為分析總結流失原因，從而提升留存率。具體步驟如下圖所示：
三、分組分析法
分組分析法是根據數據分析對象的特征，按照一定的標志（指標），把數據分析對象划分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。
分組的目的就是為了便於對比，把總體中具有不同性質的對象區分開，把性質相同的對象合並在一起，保持各組內對象屬性的一致性、組與組之間屬性的差異性，以便進一步運用各種數據分析方法來揭示內在的數量關系，因此分組法必須與對比法結合運用。
如圖所示，分組分析在日常工作中應用的比較多的是用戶分層與分群，比如在發優惠券的時候，可以通過紅包，滿減，限時券還有積分券等方式。我們可以針對不同的用戶發送不同的優惠券以達到精細化運營的效果。那么當我們在做數據分析時，也可以從結果將用戶進行分層來進行判斷，這時同樣也可以得到優化和改進業務的建議。
說了完用戶分層，接下來我們說說用戶分群。用戶分群和用戶分層其實是相關聯的，用戶分群是對用戶分層的補充，當用戶差異性較大，層級上不能再做用戶細分時，可以考慮將同一個分層內的群體繼續切分，滿足更高的精細化運營需要。
例如：Data Analytics制作的“客戶RFM群體分析”
RFM模型是客戶管理中的一個經典方法，它用以衡量消費用戶的價值和創利能力，是一個典型的用戶分群。它依托收費的三個核心指標：最近一次消費時間（Recency）、消費頻率（Frequency）和消費金額（Monetary）。
消費金額Monetary：衡量用戶對企業利潤的貢獻，消費金額越高的用戶，價值也就越高。
消費頻率Frequency：衡量用戶的忠誠度，是用戶在限定的期間內購買的次數，最常購買的用戶，忠誠度也越高。
最近一次消費時間Recency：衡量用戶的流失，消費時間越接近當前的用戶，越容易維系與其的關系。1年前消費的用戶價值肯定不如一個月才消費的用戶。
四、矩陣分析法
矩陣分析法是指根據事物（如產品、服務等）的兩個重要屬性（指標）作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。
矩陣關聯分析法在解決問題和資源分配時，可以為決策者提供重要參考依據——先解決主要矛盾，再解決次要矛盾，這樣有利於提高工作效率，並將資源分配到最能產生績效的部門、工作中，最終有利於決策者進行資源優化配置。
比如在電商行業，我們可以使用瀏覽量和加購數這兩個維度來進行矩陣分析，如圖所示，左上角的是瀏覽量低的，然后加購次數多的，這說明產品其實是有很大潛力的，這時需要將這部分產品放在更好的位置讓給用戶進行瀏覽；右下角的瀏覽量高，但加購數低的，說明這個時候他的資源位置是好的，但是用戶對這部分的產品並不感興趣的，我們就需要對其進行相應的位置調整。
五、關聯分析法
關聯分析法是一種簡單、實用的分析技術，是指從大量數據集中發現項集之間的關聯性或相關性。若兩個或多個變量的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯等。
關聯分析的一個典型例子是購物籃分析。該過程通過發現顧客放入其購物籃中的不同商品之間的聯系，分析顧客的購買習慣。通過了解哪些商品頻繁地被顧客同時購買，幫助零售商制定營銷策略。其他的應用還包括價目表設計、商品促銷、商品的排放和基於購買模式的顧客划分。
可從數據庫中關聯分析出形如"由於某些事件的發生而引起另外一些事件的發生"之類的規則。如“67%的顧客在購買啤酒的同時也會購買尿布”，因此通過合理的“啤酒和尿布”的貨架擺放或捆綁銷售可提高超市的服務質量和效益。
六、指標分析法
在實際工作中，當拿到一些可視化數據圖表或者是Excel表格時，我們可以直接運用統計學中的一些基礎指標來做數據分析，比如平均數、眾數、中位數、最大值、最小值等，下面我們分別來介紹：
1.平均數
平均數、也叫平均分析法，是指運用計算平均數的方法來反映總體在一定時間、地點條件下某一數量特征的一般水平的分析方法。平均分析法常用指標有算術平均數、調和平均數、幾何平均數、眾數和中位數等，其中最為常見的是算術平均數，也就是日常所說的平均數或平均值。
平均數指標可用於對比同類現象在不同地區、不同行業、不同單位等之間的差異程度，比用總量指標對比更具說服力。除此以外，利用平均指標對比某些現象在不同歷史時期的變化，也更能說明其發現趨勢和規律。
比如，汽車行業的自媒體如果想要分析數據，可從兩個方面來分析：①外部：行業內整體公眾號的平均打開率是多少，我們距離行業平均水平相差多少，該如何去做一些優化；②內部：針對每個月都在嘗試的各種選題和內容運營策略，可以分析本月比上月平均打開率又增加了多少，這個月的選題是否有一些爆款，爆款文章平均打開率是多少，標題有什么特點等等。
2.眾數、中位數
眾數也就是數據中的一種代表數，它反應的是數據的一種集中程度。比如說最佳，最受歡迎，最滿意都與眾數有關。眾數本質上來說，反映的是數據中發生頻率最高的一些數據指標，在做數據分析時，我們可以對這些數據指標提取一些共性的特點，然后進行提煉和總結，然后得出一些改進的意見。
中位數主要是反映的是一組數據的集中趨勢，像我們比較常見的正態分布，比如說我們想去統計某市的人均收入，其實，大部分的人均收入都是在一定范圍之內的，只有少部分是處於最低的和最高的，其實這是中位數帶來的意義。
在做數據分析時，如果各個數據之間的差異程度較小，用平均值就有較好的代表性；而如果數據之間的差異程度較大，特別是有個別的極端值的情況，用中位數或眾數有較好的代表性。
3.最大（小）值
最大（小）值在平時做數據分析工作時比較常見，只是我們沒有特別去注意。最值是作為典型代表和異常值進行分析的，比如說銷售團隊里的銷售冠軍，電商爆款商品等，如圖所示，我們可以將銷售額最大的幾款商品提出來，然后我們去總結共性，找到原因，然后復制到其他的商品，最終提高平均轉化率。
七、對比分析法
對比分析法是指將兩個或兩個以上的數據進行比較，分析它們的差異，從而揭示這些數據所代表的事物發展變化情況和規律性。它可以非常直觀地看出事物某方面的變化或差距，並且可以准確、量化地表示出這種變化或差距是多少？對比分析法可分為靜態比較和動態比較兩類。
靜態比較：在同一時間條件下對不同總體指標的比較，如不同部門、不同地區、不同國家的比較、也叫橫向比較，簡稱橫比；
動態比較：在同一總體條件下對不同時期指標數值的比較，也叫縱向比較，簡稱縱比。
這兩種方法既可單獨使用，也可結合使用。
進行對比分析時，可以單獨使用總量指標、相對指標或平均指標，也可將它們結合起來進行對比。比較的結果可用相對數表示，如百分數、倍數等指標。
在使用對比分析法時，需要先注意以下幾個方面：①指標的口徑范圍、計算方法、計量單位必須一致，即要用同一種單位或標准去衡量；②對比的對象要有可比性；③對比的指標類型必須一致。無論絕對數指標、相對數指標、平均數指標，還是其他不同類型的指標，在進行對比時，雙方必須統一。
1.時間維度對比
同一指標在不同時間維度下的對比，如同比、環比、定基比等。同比就是與去年的同一個時間段進行對比分析，可以是季、月、周、天；環比就是和上一個時間段來對比（也有和下一個時間段對比的，也叫后比），例如本月和上月，本周和上周對比；定基比是和某個指定的時期進行對比分析，比如2013年每個月都和2013年1月的銷售額進行對比取值。
如圖為各月銷售額對比，時間范圍一致（均為月匯總）、指標一致、指標含義一致、其表現的為整個企業信息，總體性質可比。
2.空間對比
就是不同空間數據的對比，比如華北區和華南區對比，北京和上海，上海古北店和成都春熙路店進行對比。相似空間的對比對象必須是形態上比較接近，先進空間則是和同一種形態中的優秀空間進行對比，與擴大空間的對比，比如北京和全國的數據對比，北京王府井店和全北京的數據對比，和競爭對手的對比也在此列。
如圖為2018年全年各銷售小組銷售額對比，其對比的時間范圍一致、指標一致、指標含義一致、維度為各個銷售小組，具有相同性質。
3.計划對比
和計划標准的對比是銷售追蹤中非常重要的一環，所有的績效考核都是計划標准，例如銷售實際達成金額與銷售計划達成金額對比，看銷售是否完成當初指定的計划，如果沒有完成，原因在哪里。
4.與經驗值或理論值對比
其中的經驗標准是在大量的實踐過程中總結出來的值，而理論標准則是根據理論推斷出來的值，平均值則是某一空間或時間的平均值。如，一單一品率：所有銷售小票中只有一個商品的小票數量占比。參考值為小於40%，如果數據超過了40%，則需要考慮如何調整策略，幫助客戶做關聯購買。而參考值小於40%，就是一個理論值。
以上就是7種常見的數據分析方法，在不同領域的工作中，它們通常都是以不同的形式展現出來的，我們需要在擁有數據面前，清晰知道應用哪一個或幾個方法來分析實際問題最為有效，結合場景靈活運用，沒有最好的分析方法只有最適合的。
--end--