為了更好的理解用戶，洞察用戶的需求，數(shù)據(jù)分析就能很好的幫助解決這個(gè)需求。但是在數(shù)據(jù)分析時(shí)，沒有思路該怎么辦呢？對(duì)此，本文從整體思考框架5W2H、描述問題現(xiàn)狀對(duì)比分析等七個(gè)方面做了分析，希望對(duì)你有所幫助。

對(duì)于產(chǎn)品經(jīng)理來說，產(chǎn)品的每一次迭代和升級(jí)，都需要評(píng)估效果，以便今后改進(jìn)。如果僅僅是憑借肉眼觀察和主觀感受，下一個(gè)“用戶反饋很好”、“用戶很喜歡這個(gè)新功能”類似的結(jié)論，是很蒼白無力的。更多時(shí)候，會(huì)因?yàn)橹饔^感覺而產(chǎn)生誤判，另外，數(shù)據(jù)分析還可以幫助產(chǎn)品經(jīng)理更好地了解用戶，洞察用戶的需求。

而對(duì)于運(yùn)營而言，作為與用戶和產(chǎn)品接觸最頻繁的人，也是策略的制定者和實(shí)施者，但產(chǎn)品運(yùn)營的好與壞,最直觀的體現(xiàn)就是數(shù)據(jù),通過數(shù)據(jù)的高和低作為衡量的一個(gè)標(biāo)準(zhǔn)。對(duì)于運(yùn)營來說，數(shù)據(jù)產(chǎn)生和決策制定中間，一定還有大量可以優(yōu)化的空間，這種空間很大程度上可來源于數(shù)據(jù)。從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)，優(yōu)化決策，將會(huì)成為大大提升運(yùn)營效率。

所以，無論是產(chǎn)品還是運(yùn)營，在數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)的大背景下，數(shù)據(jù)分析都是必須要掌握的一項(xiàng)技能，本文介紹了7種常用的數(shù)據(jù)分析方法，介紹了一個(gè)完整的數(shù)據(jù)分析過程中可能用到的系列方法：

從界定問題→診斷現(xiàn)狀→定位問題環(huán)節(jié)→追溯問題原因→判斷問題發(fā)展趨勢。

一、整體思考框架：5W2H

著名教育學(xué)家陶行知先生曾經(jīng)寫過一首小詩：

我有幾位好朋友，曾把萬事指導(dǎo)我，

你若想問其姓名，

名字不同都姓何，

何事何故何人何時(shí)何地何法，

好像弟弟和哥哥，

還有一個(gè)西洋派，

姓名顛倒叫幾何，

若向七賢常請(qǐng)教，

即使笨人不會(huì)錯(cuò)。

這首小詩講的就是5W2H：What（何事） When（何時(shí)） Where（何地） Who（何人） Why（何故） How（何法） How much（何幾），5W2H是對(duì)目標(biāo)計(jì)劃進(jìn)行分解和決策的思維框架，它對(duì)要解決的問題進(jìn)行完整的刻畫，以便清晰地界定問題并找到解決方案。

• What：何事？發(fā)生了什么？一般用來指的是問題是什么？是否真的發(fā)生了？比如DAU真的下降了嗎？；
• When：何時(shí)？在什么時(shí)候發(fā)生的？問題發(fā)生的時(shí)間，比如DAU下降了，下降的具體時(shí)間是什么？是不是節(jié)假日等等；
• Where：何地？在哪里發(fā)生的？問題發(fā)生的拆解其中一個(gè)環(huán)節(jié), DAU下降了, 是哪一個(gè)的地區(qū)的下降了,哪個(gè)終端的用戶下降了？還是哪一個(gè)功能的使用的人下降了等等；
• Who：何人？比如DAU下降了, 是哪一部分的用戶群體在降, 是什么年齡、 性別、活躍度的用戶等等；
• Why：何故？為什么會(huì)這樣？問題發(fā)生的原因猜想, 比如android用戶的DAU降低了, 其他終端的DAU沒有降低, 是不是android新發(fā)版本存在bug；
• How：何法？明確上面的問題后, 我們要采取什么樣的方法和策略去解決DAU下降的問題；
• How Much：何幾？做到什么程度？DAU下降了以后, 我們對(duì)應(yīng)策略的成本是多少, 以及我們要把這個(gè)問題解決到什么程度才可以；

5W2H分析方法從問題出發(fā)，有一套科學(xué)完整的分析思路，對(duì)造成問題的原因進(jìn)行推測，并提出相應(yīng)的解決方案，最終解決問題，形成閉環(huán)。

當(dāng)然，5W2H只是一種思維方式，在實(shí)際應(yīng)用過程當(dāng)中可能還會(huì)遇到各種各樣的業(yè)務(wù)場景，針對(duì)不同的業(yè)務(wù)場景，整體的思路是一樣的， 但分析的維度就需要根據(jù)不同的產(chǎn)品形態(tài)和業(yè)務(wù)特性來調(diào)整。

二、描述問題現(xiàn)狀：對(duì)比分析

通過5W2H已經(jīng)有了整體的思維框架，形成了大致的分析思路，接下來就要針對(duì)問題進(jìn)行具體分析，首先從問題現(xiàn)狀入手。

沒有對(duì)比，就沒有優(yōu)化提升的方向。在數(shù)據(jù)分析中，沒有對(duì)比，就沒有結(jié)論。

比如，小虎某次期末考試的成績不好，數(shù)學(xué)只得了 40 分。

小虎的媽媽對(duì)他說：“你上次考試數(shù)學(xué)考了 70 分，這次怎么就考得這么差？你看你的同班同學(xué)，這次都考 80 分以上。我之前跟你說考90分給你買奧特曼，這下別想了……”

常見的對(duì)比思維有以下 5 種：

1. 跟目標(biāo)對(duì)比：本月目標(biāo)銷售額500w，實(shí)際完成了300w，目標(biāo)達(dá)成率60%；
2. 跟上個(gè)月比：上個(gè)月銷售額200w，環(huán)比增長50%；
3. 跟去年同比：去年同期銷售額400w，同比下降25%；
4. 分渠道對(duì)比：線上/線下渠道銷售分別200w、100w；
5. 跟同類競對(duì)比：同水平競對(duì)A、B、C本月銷售額分別為600w、500w、100w；

總結(jié)一下上面的對(duì)比思維，主要是橫向和縱向?qū)Ρ龋?/p>

橫向?qū)Ρ龋和粫r(shí)期，外部和競對(duì)比，內(nèi)部各渠道對(duì)比

• 同一時(shí)期和外部競對(duì)對(duì)比，整體市場表現(xiàn)以及所占市場份額變化；
• 同一時(shí)期自己內(nèi)部各渠道對(duì)比，看銷售額貢獻(xiàn)和貢獻(xiàn)占比變化；

縱向?qū)Ρ龋鹤陨聿煌瑫r(shí)期對(duì)比

• 和上一期數(shù)據(jù)對(duì)比，近期有無提升/后退；
• 和去年同期對(duì)比，季節(jié)周期性考量下對(duì)比，是否有提升/后退；

數(shù)據(jù)分析的過程，就是在明確目標(biāo)之后，通過對(duì)比等思維，找到問題的原因，得出分析的結(jié)論，提出可行的建議，從而起到幫助決策和指導(dǎo)行動(dòng)的作用。

三、定位問題環(huán)節(jié)：漏斗分析

已經(jīng)通過橫向、縱向?qū)Ρ却笾铝私饬藰I(yè)務(wù)的現(xiàn)狀，知道業(yè)務(wù)是在變好/變壞，以及變好/變壞的程度，如果業(yè)務(wù)在持續(xù)變壞，我們就需要通過漏斗分析來定位問題到底出現(xiàn)在哪個(gè)環(huán)節(jié)上。

漏斗模型，本質(zhì)是分解和量化，這里以電商購物漏斗模型舉例。

也就是把購物的整個(gè)流程拆解成從選購商品到最終轉(zhuǎn)化成購買的一個(gè)個(gè)子環(huán)節(jié)，用相鄰環(huán)節(jié)的轉(zhuǎn)化率/流失率來量化每一個(gè)環(huán)節(jié)的表現(xiàn)。所以整個(gè)漏斗模型就是先將整個(gè)購買流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率/流失率來衡量每一個(gè)步驟的表現(xiàn)，最后通過異常的數(shù)據(jù)指標(biāo)找出有問題的環(huán)節(jié)，從而解決問題，優(yōu)化該步驟，最終達(dá)到提升整體購買轉(zhuǎn)化率的目的，整體漏斗模型的核心思想其實(shí)可以歸為分解和量化。

漏斗分析其實(shí)是一種業(yè)務(wù)流程拆解和量化的思路，任何業(yè)務(wù)流程都可以按照這個(gè)思路來拆解，常見的業(yè)務(wù)漏斗模型還有很多：消費(fèi)者行為AIDMA漏斗、用戶生命周期的AARRR等。

四、細(xì)分分析原因：細(xì)分拆解

通過漏斗分析我們大致可以定位到問題出現(xiàn)在哪個(gè)環(huán)節(jié)，但是，到底是什么這個(gè)環(huán)節(jié)的哪個(gè)部分出了問題，我們還需要進(jìn)一步細(xì)分拆解定位問題癥結(jié)所在。

在數(shù)據(jù)分析中，細(xì)分是數(shù)據(jù)分析的靈魂，沒有細(xì)分拆解，就沒有數(shù)據(jù)分析。

小虎期中考試的總成績不好，細(xì)分一看，發(fā)現(xiàn)其他科目的成績都不錯(cuò)，只有數(shù)學(xué)成績特別差，只得了 40 分，而且三角函數(shù)一題都沒有做對(duì)。

常見的細(xì)分方法有以下 5 種：例如本季度的銷售額沒有達(dá)標(biāo)，可以按照以下思路進(jìn)行細(xì)分：

1. 按時(shí)間細(xì)分：哪個(gè)時(shí)間段的銷售額出了問題？
2. 按空間細(xì)分：哪個(gè)區(qū)域的銷售額出了問題？
3. 按過程細(xì)分：售前導(dǎo)購、購買體驗(yàn)還是售后服務(wù)的哪個(gè)過程出了問題？
4. 按公式細(xì)分：GMV=流量*轉(zhuǎn)化率*客單價(jià)，流量、轉(zhuǎn)化率和客單價(jià)的哪個(gè)部分出了問題？
5. 按模型細(xì)分：用戶價(jià)值分層模型，不同價(jià)值的用戶的銷售額貢獻(xiàn)，是哪類用戶出了問題？

拆解的方式千千萬，在運(yùn)用細(xì)分拆解思維的過程中，要做到有的放矢，圍繞數(shù)據(jù)分析的目標(biāo)，找到合適的拆解方法，否則只能無頭蒼蠅一樣到處亂撞。

另外，當(dāng)發(fā)現(xiàn)數(shù)據(jù)異常時(shí)，嘗試從不同的維度進(jìn)行細(xì)分，這樣既能鍛煉數(shù)據(jù)分析思維，又能加深對(duì)業(yè)務(wù)的理解。

五、尋找相關(guān)因素：相關(guān)性分析

如果一個(gè)變量改變的時(shí)候，另一個(gè)變量也朝著相同的方向發(fā)生變化，那么我們就說這兩個(gè)變量之間存在相關(guān)性。

分析一家商場的產(chǎn)品銷量數(shù)據(jù)發(fā)現(xiàn)，尿布和啤酒的銷量會(huì)出現(xiàn)大致相同的變化趨勢，啤酒和尿布有什么關(guān)聯(lián)呢？采訪小虎的爸爸，他說自己下班后，給小虎的弟弟買尿布的同時(shí)，也會(huì)購買自己喜歡喝的啤酒。

相關(guān)性分析，就是尋找變量之間相互關(guān)聯(lián)的程度，相關(guān)性一般通過相關(guān)系數(shù)衡量。最常用的是用于計(jì)算線性相關(guān)系數(shù)的Pearson相關(guān)系數(shù)，取值區(qū)間在1到-1之間。1表示兩個(gè)變量完全線性相關(guān)，-1表示兩個(gè)變量完全負(fù)相關(guān)，0表示兩個(gè)變量不相關(guān)。數(shù)據(jù)越趨近于0表示相關(guān)關(guān)系越弱。

用Excel進(jìn)行簡單的相關(guān)分析，通常包括以下 3 個(gè)步驟：

1. 收集相關(guān)數(shù)據(jù)
2. 繪制散點(diǎn)圖形
3. 計(jì)算相關(guān)系數(shù)

需要注意的是，相關(guān)性不等于因果性。兩個(gè)變量之間相關(guān)性，并不代表其中一個(gè)變量的改變，是由另一個(gè)變量的變化導(dǎo)致的。

比如說，分析發(fā)現(xiàn)，國家的諾貝爾獎(jiǎng)數(shù)量，與巧克力消費(fèi)量之間呈現(xiàn)正相關(guān)關(guān)系，但這并不是說，多吃巧克力有助于獲得更多的諾貝爾獎(jiǎng)。一種合理的解釋是，諾貝爾獎(jiǎng)的數(shù)量與巧克力的消費(fèi)量，很可能都是由其他變量導(dǎo)致的，例如國民的受教育程度和富裕程度。

六、溯源影響因素：歸因分析

實(shí)際業(yè)務(wù)中，很多問題的出現(xiàn)并非是單個(gè)因素造成的，而是經(jīng)過多種因素的影響而共同造成的。

所以數(shù)據(jù)分析最頭禿的問題就是：導(dǎo)致問題的原因到底是什么？歸因分析(Attribution Analysis)要解決的問題就是多因素影響的情況下，最終效果的提升/下降，應(yīng)該如何合理地分配給過程中的各個(gè)因素。

小虎在手機(jī)上看到了朋友圈廣告發(fā)布了最新的iPhone，午休的時(shí)候刷抖音看到了有網(wǎng)紅在測評(píng)這款手機(jī)，下班在地鐵上刷朋友圈的時(shí)候發(fā)現(xiàn)已經(jīng)有小伙伴收到手機(jī)在曬圖了，于是喝了一杯江小白壯壯膽回家跟老婆申請(qǐng)經(jīng)費(fèi)，最后老婆批準(zhǔn)了讓他去京東買，有保障。那么請(qǐng)問，朋友圈廣告、抖音、好友朋友圈、京東各個(gè)渠道對(duì)這次成交分別貢獻(xiàn)了多少價(jià)值？

現(xiàn)實(shí)情況往往是很復(fù)雜的，在衡量其貢獻(xiàn)價(jià)值時(shí)，只依靠單渠道歸因分析得到的結(jié)果是不科學(xué)的，需要引入多渠道歸因分析。常見的多渠道歸因分析模型如下：

• 末次歸因模型：將功勞100%分配給成交前的最后一個(gè)環(huán)節(jié)
• 首次歸因模型：將功勞100%分配給第一個(gè)環(huán)節(jié)
• 線性歸因模型：將功勞平均分配給過程中的每個(gè)環(huán)節(jié)
• 時(shí)間衰減歸因模型：距離最終結(jié)果時(shí)間越短的環(huán)節(jié)，可以獲得越多的權(quán)重
• 位置歸因模型：第一次和最后一次環(huán)節(jié)各貢獻(xiàn)40%，中間的所有環(huán)節(jié)平分剩下的20%貢獻(xiàn)
• 自定義模型：根據(jù)自身業(yè)務(wù)的需求，自定義各環(huán)節(jié)分配比例

沒有完美的歸因分析模型，任何模型都存在它的局限性和不足，如何有效地結(jié)合使用場景和模型特點(diǎn)是用好歸因模型的前提。

七、預(yù)測變化趨勢：預(yù)測分析

了解完問題的現(xiàn)狀，定位到問題的原因后，我們還需要預(yù)測問題接下來的發(fā)展趨勢。

另一方面，在各行業(yè)各領(lǐng)域，只要有核心的業(yè)務(wù)指標(biāo)，都要預(yù)測核心業(yè)績未來的走勢，銷售，市場營銷，運(yùn)營，財(cái)務(wù)等，一方面可以對(duì)未來的發(fā)展趨勢有個(gè)大致的掌握，另一方面也可以提前規(guī)劃，設(shè)定各子部門的KPI，以便盡可能地完成或者超過KPI，所以，如何準(zhǔn)確地預(yù)測核心指標(biāo)的變化趨勢非常重要。

什么是預(yù)測？用最簡單的術(shù)語來說，它是在分析過去和現(xiàn)在的數(shù)據(jù)，進(jìn)而預(yù)測未來的過程。我們主要根據(jù)時(shí)間序列數(shù)據(jù)進(jìn)行定量預(yù)測。我們通過一個(gè)案例說明時(shí)間序列數(shù)據(jù)的主要組成。

如下是各年搭乘飛機(jī)飛行乘客數(shù)量的趨勢。

• 趨勢性：趨勢是事物發(fā)展或變化的總體方向。在上面的例子中，我們看到時(shí)間序列呈增長趨勢，這意味著在搭乘飛機(jī)飛行的乘客數(shù)量整體趨勢上是在增加。如下圖中第一張圖所示。
• 季節(jié)性：在上述時(shí)間序列中可以看到的另一個(gè)清晰的模式，就是該變化趨勢以固定的時(shí)間周期重復(fù)，我們稱為季節(jié)性。在特定時(shí)間周期內(nèi)重復(fù)出現(xiàn)或重復(fù)的時(shí)間序列中任何可預(yù)測的變化模式都可以說是季節(jié)性。下圖中第二張圖所示。
• 隨機(jī)性：去除趨勢性和季節(jié)性后，剩下的就是一些隨機(jī)的、無任何規(guī)律的白噪聲。下圖中第三張圖所示。

時(shí)間序列預(yù)測的模型有很多，主要?dú)w為以下2類：

（1）傳統(tǒng)預(yù)測方法

• AR(Auto Regressive Model)自回歸模型
• MA(Moving Average Model)移動(dòng)平均模型
• ARMA(Auto Regressive and Moving Average Model)自回歸移動(dòng)平均模型
• ARIMA(Auto Regressive Integrate Moving Average Model)差分自回歸移動(dòng)平均模型等

（2）現(xiàn)代預(yù)測方法

基于機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)的預(yù)測方法。對(duì)于機(jī)器學(xué)習(xí)方法，xgboost，隨機(jī)森林及SVM這些都是可以用的，也沒有說哪個(gè)模型好用，需要看具體的場景及實(shí)驗(yàn)，總之就是看效果說話。

（3）用Excel也能做預(yù)測

黑貓白貓，能抓住老鼠的就是好貓，不需要復(fù)雜的算法和模型，用Excel也能做簡單的預(yù)測。

以上就是產(chǎn)品、運(yùn)營工作中7種常見的數(shù)據(jù)分析方法的內(nèi)容。