提起(qi)數據(ju)(ju)分析，大家往(wang)(wang)往(wang)(wang)會聯想到一些密密麻麻的數字表(biao)格，或是(shi)高級的數據(ju)(ju)建模(mo)手法，再或是(shi)華麗的數據(ju)(ju)報表(biao)。其實，“ 分析 ”本身是(shi)每(mei)個人(ren)都具(ju)備的能力；比(bi)如根據(ju)(ju)股票的走勢(shi)決定購(gou)買還是(shi)拋出，依照每(mei)日(ri)的時(shi)間和以往(wang)(wang)經驗選擇行車路線；購(gou)買機(ji)票、預訂酒店時(shi)，比(bi)對(dui)多(duo)家的價格后做出最終選擇。

這(zhe)些(xie)小型決(jue)(jue)策(ce)，其實都是依照我(wo)們腦海中的數據點(dian)作出判斷(duan)，這(zhe)就是簡單分析的過程。對于業務決(jue)(jue)策(ce)者(zhe)而言，則需要掌握一套系統的、科學的、符合商業規律的數據分析知識。

一.數據分析的戰略思維

無(wu)論是產品、市場、運(yun)營還是管理者，你(ni)必須反思：數(shu)據本(ben)質的價值，究(jiu)竟在(zai)哪里？從(cong)這些數(shu)據中，你(ni)和你(ni)的團(tuan)隊都可以學習到什么？

1.1 數據分析的目標

對于企業(ye)來講，數據分(fen)析(xi)(xi)(xi)的(de)可以輔(fu)助企業(ye)優化(hua)流程，降低成本(ben)，提(ti)高營業(ye)額(e)，往(wang)往(wang)我(wo)們(men)把這類數據分(fen)析(xi)(xi)(xi)定(ding)義(yi)為(wei)商(shang)(shang)(shang)業(ye)數據分(fen)析(xi)(xi)(xi)。商(shang)(shang)(shang)業(ye)數據分(fen)析(xi)(xi)(xi)的(de)目標是利用大數據為(wei)所有(you)職(zhi)場人(ren)員做出迅(xun)捷、高質、高效的(de)決策(ce)，提(ti)供可規模化(hua)的(de)解決方案(an)。商(shang)(shang)(shang)業(ye)數據分(fen)析(xi)(xi)(xi)的(de)本(ben)質在于創造商(shang)(shang)(shang)業(ye)價值 ，驅(qu)動企業(ye)業(ye)務增長。

1.2 數據分析的作用

我們常常講的(de)企(qi)業(ye)增長模式(shi)中(zhong)，往(wang)往(wang)以某個業(ye)務平(ping)臺(tai)為核心(xin)。這其中(zhong)，數據和數據分析，是不可或缺(que)的(de)環節(jie)。

通過企業(ye)(ye)(ye)或(huo)(huo)者平臺為目標用(yong)(yong)戶(hu)(hu)(hu)(hu)群提供(gong)產(chan)品或(huo)(huo)服(fu)務，而(er)用(yong)(yong)戶(hu)(hu)(hu)(hu)在使用(yong)(yong)產(chan)品或(huo)(huo)服(fu)務過程(cheng)中產(chan)生的(de)交互、交易，都可以作為數據采集(ji)下(xia)來。根據這(zhe)些數據洞察(cha)，通過分(fen)析的(de)手段(duan)反推客(ke)戶(hu)(hu)(hu)(hu)的(de)需求(qiu)(qiu)，創造更多(duo)符(fu)合需求(qiu)(qiu)的(de)增(zeng)值產(chan)品和(he)服(fu)務，重新投入用(yong)(yong)戶(hu)(hu)(hu)(hu)的(de)使用(yong)(yong)，從而(er)形(xing)成形(xing)成一個完(wan)(wan)整(zheng)的(de)業(ye)(ye)(ye)務閉環。這(zhe)樣(yang)的(de)完(wan)(wan)整(zheng)業(ye)(ye)(ye)務邏(luo)輯，可以真(zhen)正(zheng)意義上驅動業(ye)(ye)(ye)務的(de)增(zeng)長。

1.3 數據分析進化論

我們常常以商(shang)業回(hui)報比來定位數據分析的不同階(jie)段(duan)(duan)，因此我們將(jiang)其分為四個階(jie)段(duan)(duan)。

階段1：觀察數據當前發生了什么？

首(shou)先(xian)，基本的(de)數據(ju)展示，可以告訴我(wo)們發生了(le)什么(me)。例如，公(gong)司上(shang)周(zhou)投放(fang)了(le)新(xin)(xin)的(de)搜索引擎 A 的(de)廣告，想(xiang)要比對一(yi)周(zhou)下(xia)來(lai)，新(xin)(xin)渠(qu)道 A 比現有渠(qu)道 B 情況如何，A、B 各自帶(dai)來(lai)了(le)多少(shao)(shao)流量(liang)，轉化效(xiao)果如何？ 又比如，新(xin)(xin)上(shang)線的(de)產品有多少(shao)(shao)用(yong)戶喜歡(huan)，新(xin)(xin)注冊流中注冊的(de)人數有多少(shao)(shao)。這些都需要通過數據(ju)來(lai)展示結果，都是基于數據(ju)本身提供的(de)“發生了(le)什么(me)”。

階段2：理解為什么發生？

如果看到了渠(qu)道(dao) A 為什么比渠(qu)道(dao) B 帶來更(geng)(geng)多的(de)流量，這時(shi)(shi)候我(wo)(wo)們(men)就(jiu)要結(jie)合商業(ye)來進(jin)一(yi)步(bu)判(pan)斷這種現象的(de)原因。這時(shi)(shi)候我(wo)(wo)們(men)可以進(jin)一(yi)步(bu)通(tong)過數(shu)據信(xin)息進(jin)行深度拆(chai)分， 也(ye)許(xu)某個關鍵字帶來的(de)流量，也(ye)許(xu)是該渠(qu)道(dao)更(geng)(geng)多的(de)獲取了移動端(duan)的(de)用戶(hu)。這種數(shu)據深度分析判(pan)斷，成(cheng)為了商業(ye)分析第二個進(jin)階(jie)，也(ye)同時(shi)(shi)能夠提供更(geng)(geng)多商業(ye)價值上的(de)體現。

階段3：預測未來會發生什么？

而當我(wo)們理解了渠(qu)(qu)道(dao)(dao) A、B 帶來流(liu)量的(de)高半年銷量不到百萬部，蘋果要放棄印度市場(chang)嗎？低，就(jiu)根據(ju)以(yi)往的(de)知(zhi)識預(yu)(yu)測(ce)(ce)未來會(hui)發(fa)生什么。在(zai)投放渠(qu)(qu)道(dao)(dao) C、D 的(de)時(shi)候，猜(cai)測(ce)(ce)渠(qu)(qu)道(dao)(dao) C 比(bi)渠(qu)(qu)道(dao)(dao) D 好，當上線(xian)新的(de)注(zhu)冊(ce)流(liu)、新的(de)優化，可以(yi)知(zhi)道(dao)(dao)哪(na)一個節點比(bi)較容(rong)易出問題；我(wo)們也(ye)可以(yi)通過數(shu)據(ju)挖掘的(de)手段，自動預(yu)(yu)測(ce)(ce)判斷(duan) C 和(he) D 渠(qu)(qu)道(dao)(dao)之(zhi)間的(de)差異，這就(jiu)是(shi)數(shu)據(ju)分析的(de)第三個進階，預(yu)(yu)測(ce)(ce)未來會(hui)發(fa)生的(de)結果。

階段4：商業決策

所有(you)工作中最有(you)意義的(de)還是商業(ye)(ye)決(jue)策，通過(guo)數據(ju)來判(pan)斷應該做什么(me)。而商業(ye)(ye)數據(ju)分(fen)析(xi)(xi)的(de)目的(de)，就是商業(ye)(ye)結果。當數據(ju)分(fen)析(xi)(xi)的(de)產出(chu)可以(yi)直接轉化為決(jue)策，或直接利用數據(ju)做出(chu)決(jue)策，那(nei)么(me)這才能直接體現出(chu)數據(ju)分(fen)析(xi)(xi)的(de)價值。

1.4 數據分析的 EOI 框架

EOI 的(de)架構是包(bao)括 LinkedIn、Google 在內的(de)很(hen)多公司(si)定義(yi)分(fen)析(xi)型項目的(de)目標的(de)基本方式，也是首席(xi)增(zeng)長官(guan)在思(si)考商業數(shu)據分(fen)析(xi)項目中一種基本的(de)、必備(bei)的(de)手段。

其中，我們(men)先(xian)會把公司業(ye)(ye)務(wu)(wu)項(xiang)目(mu)分為三類：核心(xin)任務(wu)(wu)，戰(zhan)略任務(wu)(wu)，風(feng)險任務(wu)(wu)。以谷歌(ge)(ge)為例，谷歌(ge)(ge)的(de)核心(xin)任務(wu)(wu)是(shi)搜(sou)索、SEM、廣告，這是(shi)已經被(bei)證明的(de)商業(ye)(ye)模型，并已經持續從中獲得很(hen)多(duo)利潤。谷歌(ge)(ge)的(de)戰(zhan)略性任務(wu)(wu)（在 2010 年左右）是(shi)安卓平臺，為了避(bi)免蘋果或(huo)其他廠商占領，所以要(yao)花(hua)時間、花(hua)精力(li)去做，但商業(ye)(ye)模式未(wei)必成(cheng)型。風(feng)險任務(wu)(wu)對于創(chuang)新來說是(shi)十分重要(yao)的(de)，比如(ru)谷歌(ge)(ge)眼(yan)鏡、自(zi)動(dong)駕(jia)駛(shi)汽(qi)車等(deng)等(deng)。

數(shu)據分(fen)(fen)析(xi)項(xiang)目(mu)(mu)對(dui)(dui)這三(san)類任(ren)務(wu)(wu)的(de)(de)目(mu)(mu)標(biao)也(ye)不同(tong)，對(dui)(dui)核(he)心任(ren)務(wu)(wu)來講，數(shu)據分(fen)(fen)析(xi)是(shi)助力（E），幫助公(gong)司(si)更好的(de)(de)盈利(li)，提(ti)高盈利(li)效率(lv)； 對(dui)(dui)戰(zhan)(zhan)略任(ren)務(wu)(wu)來說(shuo)是(shi)優(you)化(hua)（O），如何能夠輔(fu)助戰(zhan)(zhan)略型任(ren)務(wu)(wu)找(zhao)到方(fang)(fang)向(xiang)和盈利(li)點；對(dui)(dui)于風險任(ren)務(wu)(wu)，則是(shi)共同(tong)創業(ye)（I），努力驗證創新項(xiang)目(mu)(mu)的(de)(de)重要性 。首席(xi)增長官需(xu)要對(dui)(dui)公(gong)司(si)業(ye)務(wu)(wu)及發展趨勢有著清晰的(de)(de)認識(shi)，合理分(fen)(fen)配數(shu)據分(fen)(fen)析(xi)資(zi)源、制(zhi)定數(shu)據分(fen)(fen)析(xi)目(mu)(mu)標(biao)方(fang)(fang)向(xiang)。

二.數據分析的3大思路

而面對海量的數據，很多人都不知道從如何準備、如何開展，如何得出結論。下面為大家介紹做數據分析時的 3 個經典的思路，希望在數據分析的實際應用中能給大家帶來幫助。
 

2.1數據分析的基本步驟

上面我(wo)們提到(dao)了數據(ju)分析與商(shang)(shang)業(ye)結果之間關聯(lian)的重要性，所有商(shang)(shang)業(ye)數據(ju)分析都應該(gai)以業(ye)務(wu)場(chang)景為(wei)(wei)起(qi)始思考點(dian)，以業(ye)務(wu)決(jue)策作為(wei)(wei)終點(dian)。數據(ju)分析該(gai)先(xian)做什(shen)么、后做什(shen)么？基于此，我(wo)們提出(chu)了商(shang)(shang)業(ye)數據(ju)分析流程(cheng)的五個基本步驟。

第(di)一步，要先挖(wa)掘業務含義，理解(jie)數據分析的背景、前提以及想要關聯的業務場景結果是(shi)什么。

第二步，需要制定分(fen)析計劃，如(ru)(ru)何對(dui)場景拆分(fen)，如(ru)(ru)何推斷。

 第三步，從分(fen)(fen)析計劃中拆(chai)分(fen)(fen)出需要的數據，真正落地分(fen)(fen)析本(ben)身(shen)。

第(di)四步，從數據(ju)結果中，判斷(duan)提煉出商(shang)務(wu)洞察。

第五步，根據(ju)數(shu)據(ju)結果洞察，最終產出商業(ye)決(jue)策。

舉個例子：

 某國內互聯(lian)網(wang)金融理(li)財(cai)類網(wang)站，市場部在百(bai)度和(he) hao123 上(shang)都有持(chi)續的廣告投放，吸引網(wang)頁端(duan)流量(liang)(liang)。最近內部同(tong)事建議嘗試(shi)投放神馬(ma)移動搜(sou)索渠(qu)道獲取流量(liang)(liang)；另外也需要評估(gu)是否加入金山(shan)網(wang)絡(luo)聯(lian)盟進行深度廣告投放。

在這種多渠道的(de)投(tou)放場景下(xia)，如何進行深度決(jue)策？ 我們按照(zhao)上面商(shang)業數(shu)據分析流程的(de)五個基本步驟來拆解一下(xia)這個問(wen)題(ti)。

第一步：挖掘業務含義。

首先要(yao)(yao)(yao)了(le)解市場部(bu)想優化(hua)什么，并(bing)以(yi)此為(wei)北極星指標去衡(heng)量(liang)。對于(yu)(yu)渠道效果(guo)(guo)評(ping)估，重要(yao)(yao)(yao)的(de)是(shi)業務轉(zhuan)化(hua)：對 P2P 類網站來(lai)說，是(shi)否(fou)發(fa)起 “投(tou)資理財” 要(yao)(yao)(yao)遠重要(yao)(yao)(yao)于(yu)(yu) “訪問(wen)用戶數量(liang)” 。所以(yi)無論(lun)是(shi)神馬(ma)移動搜索(suo)還是(shi)金山渠道，重點在于(yu)(yu)如(ru)何通過數據手段衡(heng)量(liang)轉(zhuan)化(hua)效果(guo)(guo)；也(ye)可以(yi)進(jin)一步根據轉(zhuan)化(hua)效果(guo)(guo)，優化(hua)不同(tong)渠道的(de)運營(ying)策略。

第二步，制定分析計劃。

以 “投資理(li)財(cai)” 為核心(xin)轉(zhuan)化點，分配一定的(de)預算進行流量(liang)(liang)測試，觀察(cha)對比注(zhu)冊數量(liang)(liang)及最終轉(zhuan)化的(de)效果。記(ji)下倆可以持續關(guan)注(zhu)這些人重復購買理(li)財(cai)產品的(de)次數，進一步判斷渠道質量(liang)(liang)。

第三步，拆分查詢數據。

既然分(fen)析計劃中需(xu)要(yao)比對渠道流量，那么我(wo)們需(xu)要(yao)各(ge)個渠道追蹤(zong)流量、落(luo)(luo)地頁停留時(shi)間、落(luo)(luo)地頁跳出(chu)率、網(wang)站訪問深(shen)度以及訂單(dan)等類(lei)型數(shu)據，進行深(shen)入的分(fen)析和落(luo)(luo)地。

第四步，提煉業務洞察。

根(gen)據數據結果(guo)(guo)，比(bi)對(dui)神馬移(yi)動(dong)搜索(suo)和金山(shan)網絡(luo)聯盟投放后的效果(guo)(guo)，根(gen)據流量和轉化(hua)兩個核心(xin)KPI，觀察(cha)結果(guo)(guo)并(bing)推測(ce)業(ye)(ye)務含義。如果(guo)(guo)神馬移(yi)動(dong)搜索(suo)效果(guo)(guo)不好，可以思考(kao)是否產品(pin)適(shi)合移(yi)動(dong)端的客戶群體；或者仔細(xi)觀察(cha)落地(di)頁(ye)表現是否有可以優化(hua)的內容等，需找出業(ye)(ye)務洞察(cha)。

第五步，產出商業決策。

根據(ju)數據(ju)洞(dong)察，指引渠(qu)道的(de)決策(ce)制定(ding)。比(bi)如停止神馬渠(qu)道的(de)投放，繼續跟進金山(shan)網絡(luo)聯盟進行評估；或優化移動端落(luo)地(di)頁，更改用戶運營(ying)策(ce)略(lve)等等。

以上這些都(dou)是商務數據分析拆解和完(wan)成推論的基本步驟。在接下(xia)來的內容中(zhong)，我們都(dou)會有這個分析思(si)路。

2.2 內外因素分解法

在數據分(fen)(fen)析的過程中(zhong)，會有(you)很多因(yin)(yin)素(su)影響到(dao)我們的北(bei)極星指(zhi)標，那么如何找到(dao)這些因(yin)(yin)素(su)呢？在此(ci)向大家推(tui)薦內外(wai)因(yin)(yin)素(su)分(fen)(fen)解(jie)法(fa)。內外(wai)因(yin)(yin)素(su)分(fen)(fen)解(jie)法(fa)是把問題拆(chai)成四部(bu)分(fen)(fen)，包括內部(bu)因(yin)(yin)素(su)、外(wai)部(bu)因(yin)(yin)素(su)、可控和不(bu)可控，然(ran)后再一步步解(jie)決每一個問題。

舉個例子：

某社交招聘類網站(zhan)，分為求職者端(duan)(duan)和(he)企(qi)業(ye)(ye)端(duan)(duan)。其盈利模(mo)式(shi)一(yi)般(ban)是向(xiang)企(qi)業(ye)(ye)端(duan)(duan)收(shou)費，其中一(yi)個收(shou)費方(fang)式(shi)是購買職位的廣告(gao)位。業(ye)(ye)務人員(yuan)發現， “發布職位” 的數(shu)量在過去(qu)的 6 月中有緩慢下(xia)降的趨(qu)勢。對于這(zhe)類某一(yi)數(shu)據指標下(xia)降的問題，可以(yi)怎么(me)分析呢？

根據(ju)內外因(yin)素(su)分(fen)解法(fa)，我們可以從四個角度依次去分(fen)析可能(neng)的影(ying)響(xiang)因(yin)素(su)。

內部可控因素(su)：產(chan)品近(jin)期(qi)上線更新、市場投放(fang)渠道變化、產(chan)品粘性、新老用戶留存問(wen)題、核心目標的轉化。

外部可控因素(su)：市場競爭對手近期行(xing)為、用(yong)戶使用(yong)習(xi)慣的變化、招聘需求隨時間的變化。

內部不可控因素：產品策略(lve)（移動(dong)端(duan)(duan)/PC端(duan)(duan)）、公司整體戰略(lve)、公司客(ke)戶群定位（比如只做醫療行業招聘）。

外部不可控因素：互(hu)聯網(wang)招聘行業(ye)趨(qu)勢、整(zheng)體經濟(ji)形(xing)勢、季節性變化。

有(you)了內外因素分解法，我們就(jiu)可以較(jiao)為(wei)全面(mian)地(di)分析(xi)數據指標，避免可能遺失的影響因素并且對(dui)癥下藥。

2.3 DOSS 思路

DOSS 思路是從一個具體問題拆(chai)分到整(zheng)體影響，從單一的(de)(de)(de)解決(jue)方(fang)(fang)案找到一個規(gui)模(mo)化解決(jue)方(fang)(fang)案的(de)(de)(de)方(fang)(fang)式。首席增長(chang)官需要快速規(gui)模(mo)化有(you)效(xiao)的(de)(de)(de)增長(chang)解決(jue)方(fang)(fang)案，DOSS 是一個有(you)效(xiao)的(de)(de)(de)途徑。

舉個例子：

某在(zai)線教育平(ping)臺提(ti)供免費(fei)課(ke)程(cheng)(cheng)視頻，同時售賣付費(fei)會員，為(wei)付費(fei)會員提(ti)供更多(duo)高階課(ke)程(cheng)(cheng)內容(rong)。如果我想將(jiang)一(yi)套計算機技術的(de)付費(fei)課(ke)程(cheng)(cheng)，推送給一(yi)群(qun)持(chi)(chi)續在(zai)看 C++ 免費(fei)課(ke)程(cheng)(cheng)的(de)用戶(hu)，那么數據分析應該(gai)如何支持(chi)(chi)呢？

我們按 DOSS 思路的四個步驟，分解如下：

具體問(wen)題：預(yu)測是否有可能(neng)幫(bang)助某一群組客(ke)戶(hu)購(gou)買課程(cheng)。

整體影響：首先根據(ju)這(zhe)類人群(qun)的(de)(de)(de)免費(fei)課程的(de)(de)(de)使用情況進行數據(ju)分析、數據(ju)挖掘的(de)(de)(de)預測，之后進行延伸，比如(ru)對整體的(de)(de)(de)影響，除了計算機類，對其他(ta)類型的(de)(de)(de)課程都進行關注(zhu)。

單一(yi)回答：針對該(gai)群用戶進行建模，監控該(gai)模型(xing)對于最終轉化的影響(xiang)。

 規模(mo)(mo)化方案(an)：之(zhi)后(hou)推(tui)出規模(mo)(mo)化的(de)解決方案(an)，對符合某種行為軌跡(ji)和特征的(de)行為進行建模(mo)(mo)，產(chan)品化課程推(tui)薦模(mo)(mo)型。

三.數據分析的8種方法

上面介紹了(le)3個(ge)(ge)經典分(fen)析思(si)路，它們(men)(men)可以幫你搭(da)建一(yi)個(ge)(ge)清(qing)晰(xi)的(de)數據(ju)分(fen)析思(si)路框架。那(nei)么(me)對于具體的(de)業務場(chang)景問題，我們(men)(men)又該怎么(me)辦呢？我們(men)(men)以一(yi)個(ge)(ge)電子商務網(wang)站為例，用數據(ju)分(fen)析產品(pin) GrowingIO 對該網(wang)站進行(xing)快速地數據(ju)采集、清(qing)晰(xi)和可視化展示，然后給大家分(fen)享這 8 種常見的(de)數據(ju)分(fen)析方法。

3.1 數字和趨勢

看數字(zi)、看趨(qu)勢(shi)是最基礎展示數據(ju)信息的方式。在(zai)數據(ju)分(fen)析中，我(wo)們(men)可以通過直觀的數字(zi)或趨(qu)勢(shi)圖表，迅速了解例如市場的走勢(shi)、訂(ding)單的數量(liang)、業績完成的情(qing)況等等，從而直觀的吸收數據(ju)信息，有助于決策的準(zhun)確(que)性和實時性。

對于(yu)電子商(shang)務網(wang)(wang)站，流量(liang)是非常重要的(de)指標。上圖中，我們將網(wang)(wang)站的(de)訪問用戶量(liang)（UV）和頁(ye)面瀏覽量(liang)（PV）等(deng)指標匯匯聚到統(tong)一(yi)的(de)數(shu)據看(kan)板(ban)（Dashboard），并且實時(shi)更新。這樣的(de)一(yi)個數(shu)據看(kan)板(ban)，核心(xin)數(shu)字和趨(qu)勢一(yi)目了(le)然，對于(yu)首席增長官來(lai)說一(yi)目了(le)然。

3.2 維度分解

當(dang)單(dan)一的(de)數字或趨勢過于宏觀時，我們需要通過不同(tong)的(de)維(wei)度對于數據進行分解，以獲(huo)取更加精(jing)細(xi)的(de)數據洞察(cha)。在選擇維(wei)度時，需要仔細(xi)思考其對于分析結果的(de)影響(xiang)。

舉個(ge)例子，當監測到網(wang)站流(liu)(liu)量(liang)異(yi)常時(shi)，可以通過(guo)拆(chai)分地區、訪(fang)(fang)(fang)問(wen)來(lai)源、設備(bei)、瀏(liu)覽器(qi)等(deng)等(deng)維度，發(fa)現問(wen)題所在(zai)。圖 7 中，當天網(wang)站的(de)訪(fang)(fang)(fang)問(wen)用(yong)戶量(liang)顯著高(gao)于(yu)上周，這(zhe)是什么(me)原因呢？當我們按照訪(fang)(fang)(fang)問(wen)來(lai)源對流(liu)(liu)量(liang)進行維度拆(chai)分時(shi)（圖 9 ），不(bu)難(nan)發(fa)現直接訪(fang)(fang)(fang)問(wen)來(lai)源的(de)訪(fang)(fang)(fang)問(wen)量(liang)有(you)非常大的(de)提升，這(zhe)樣(yang)就進一(yi)步把問(wen)題聚(ju)焦了。

3.3 用戶分群

針對符合某(mou)種特定行(xing)為或背景信(xin)息的(de)用戶(hu)，進(jin)行(xing)歸類處理，是我們常常講到的(de)用戶(hu)分群(qun)（segmentation ）的(de)手段。我們也可以通過提煉(lian)某(mou)一(yi)群(qun)用戶(hu)的(de)特定信(xin)息，創建該群(qun)體(ti)(ti)用戶(hu)的(de)畫像。 例(li)如訪問購物網(wang)站、寄送地址在北京(jing)(jing)的(de)用戶(hu)，可以被歸類為“北京(jing)(jing)”用戶(hu)群(qun)體(ti)(ti)。而針對“北京(jing)(jing)”用戶(hu)群(qun)體(ti)(ti)，我們可以進(jin)一(yi)步觀察(cha)他們購買產品的(de)頻度、類別、時(shi)間，這樣我們就創建出該用戶(hu)群(qun)體(ti)(ti)的(de)畫像。

在數據分(fen)析(xi)中，我們往往針對特(te)定行為(wei)、特(te)定背景的(de)(de)用戶(hu)進行有針對性的(de)(de)用戶(hu)運營和(he)產品優(you)化，效果會更加(jia)明顯(xian)。上圖(tu)中，我們通過 GrowingIO 的(de)(de)用戶(hu)分(fen)群功能將一(yi)次(ci)促銷(xiao)活(huo)動中支付失敗的(de)(de)用戶(hu)挑選出來(lai)，然后(hou)推送相應的(de)(de)優(you)惠券。這樣精準的(de)(de)營銷(xiao)推廣，可以大幅度提高用戶(hu)支付的(de)(de)意愿和(he)銷(xiao)售(shou)金(jin)額(e)。

3.4 轉化漏斗

絕大部分(fen)商業變現的(de)(de)(de)(de)流(liu)程，都可(ke)以歸納為(wei)漏(lou)(lou)斗(dou)。漏(lou)(lou)斗(dou)分(fen)析是我們最常見的(de)(de)(de)(de)數據分(fen)析手段之一，無論是注冊轉化(hua)漏(lou)(lou)斗(dou)，還是電(dian)商下單(dan)的(de)(de)(de)(de)漏(lou)(lou)斗(dou)。通過漏(lou)(lou)斗(dou)分(fen)析可(ke)以從(cong)先到后還原用戶轉化(hua)的(de)(de)(de)(de)路徑，分(fen)析每(mei)一個轉化(hua)節(jie)點的(de)(de)(de)(de)效率。

其(qi)中，我(wo)們往往關注三個要(yao)點：

第一，從開始到結尾(wei)，整體(ti)的轉(zhuan)化效(xiao)率是多少？

第(di)二，每一步(bu)的轉化率是多少(shao)？

第三，哪(na)一步流失最多，原因在(zai)什(shen)么地方(fang)？流失的用戶符(fu)合哪(na)些特征？

上圖中注冊(ce)流程(cheng)分為 3 個步(bu)驟，總體轉(zhuan)(zhuan)化率為45.5%；也就是(shi)(shi)(shi)說有 1000 個用戶來(lai)到注冊(ce)頁面，其中 455 個成(cheng)功(gong)完(wan)成(cheng)了注冊(ce)。但是(shi)(shi)(shi)我們(men)不(bu)難發(fa)現(xian)第(di)二(er)(er)步(bu)的(de)轉(zhuan)(zhuan)化率是(shi)(shi)(shi) 56.8% ，顯著低于(yu)第(di)一(yi)步(bu) 89.3% 和(he)第(di)三步(bu)轉(zhuan)(zhuan)化率 89.7%，可以(yi)推測第(di)二(er)(er)步(bu)注冊(ce)流程(cheng)存在問題。顯而易見第(di)二(er)(er)步(bu)的(de)提升空(kong)間是(shi)(shi)(shi)最大的(de)，投入回報(bao)比肯(ken)定(ding)不(bu)低；如果要提高(gao)注冊(ce)轉(zhuan)(zhuan)化率，我們(men)應(ying)該優先解(jie)決第(di)二(er)(er)步(bu)。

3.5 行為軌跡

關注行(xing)為(wei)軌(gui)跡，是為(wei)了(le)真實了(le)解用戶(hu)行(xing)為(wei)。數(shu)據指標本身往(wang)往(wang)只是真實情況(kuang)的(de)抽象(xiang)，例(li)如，網站分析如果只看訪問(wen)(wen)用戶(hu)量（UV）和頁(ye)面(mian)訪問(wen)(wen)量（PV）這(zhe)類指標，斷然是無法全面(mian)理解用戶(hu)如何(he)使用你的(de)產品。

通(tong)過大數據手段(duan)，還(huan)原用戶(hu)的(de)行為軌跡，有助于(yu)增長(chang)團隊關注用戶(hu)的(de)實際體(ti)驗、發現具體(ti)問題(ti)，根據用戶(hu)使用習(xi)慣設(she)計產品、投放內容。

上圖中展(zhan)示了(le)一位用戶在某電商網站(zhan)上的(de)(de)(de)詳細行為軌跡，從(cong)官網到(dao)落地頁，再到(dao)商品詳情頁，最后(hou)又回(hui)到(dao)官網首頁。網站(zhan)購(gou)買(mai)轉(zhuan)化率低，以(yi)往的(de)(de)(de)業務數據無法告訴你具體的(de)(de)(de)原因；通過分(fen)析上面的(de)(de)(de)用戶行為軌跡，可以(yi)發現一些產品和運營的(de)(de)(de)問題（比如是不是商品不匹(pi)配等等），從(cong)而為決策提供依據。

3.6 留存分析

在人口紅(hong)利逐漸消褪的(de)時代，留住一(yi)個老用(yong)戶的(de)成(cheng)本要遠遠低于獲取一(yi)個新用(yong)戶。每(mei)一(yi)款產品(pin)，每(mei)一(yi)項(xiang)服(fu)務(wu)，都應該核心關注用(yong)戶的(de)留存，確(que)保做實每(mei)一(yi)個客戶。我們可以通過數據分析理解留存情況，也可以通過分析用(yong)戶行(xing)為或行(xing)為組與回訪之(zhi)間(jian)的(de)關聯，找(zhao)到(dao)提(ti)升留存的(de)方(fang)法。

在 LinkedIn，增(zeng)長團隊通過(guo)數據發現，如果新用戶(hu)進來后添(tian)(tian)加(jia) 5 個(ge)以上(shang)的(de)聯系人（上(shang)圖紅色(se)線條(tiao)），那么他(ta)/她在 LinkedIn 上(shang)留存(cun)(cun)要遠(yuan)遠(yuan)高(gao)于那些(xie)沒有添(tian)(tian)加(jia)聯系人（上(shang)圖綠色(se)和(he)紫色(se)的(de)線條(tiao)）的(de)留存(cun)(cun)。 這樣，添(tian)(tian)加(jia)聯系人稱為(wei) LinkedIn 留存(cun)(cun)新用戶(hu)的(de)最核心(xin)手(shou)段之一。

除了需(xu)要(yao)關注(zhu)(zhu)整體(ti)用(yong)戶(hu)的留(liu)(liu)存情況之外，市場團隊可(ke)以關注(zhu)(zhu)各(ge)個(ge)渠道獲取用(yong)戶(hu)的留(liu)(liu)存度，或各(ge)類(lei)內容吸引來(lai)的注(zhu)(zhu)冊用(yong)戶(hu)回(hui)訪率，產(chan)品團隊關注(zhu)(zhu)每一個(ge)新功能對于用(yong)戶(hu)的回(hui)訪的影(ying)響等等，這(zhe)些都是常(chang)見的留(liu)(liu)存分(fen)析(xi)場景。

3.7  A/B 測試

A/B 測(ce)試用(yong)來(lai)(lai)對比不(bu)同(tong)產(chan)品(pin)設計/算(suan)法對結果的(de)影(ying)響。產(chan)品(pin)在(zai)上線過程中經(jing)常會(hui)使(shi)用(yong) A/B 測(ce)試來(lai)(lai)測(ce)試不(bu)同(tong)產(chan)品(pin)或(huo)者功(gong)能設計的(de)效果，市場和運營可以通(tong)過 A/B 測(ce)試來(lai)(lai)完(wan)成(cheng)不(bu)同(tong)渠道、內容、廣告創意的(de)效果評估(gu)。

舉個(ge)例子，我們設計了(le)兩種(zhong)不同的產(chan)品交互形(xing)式(shi)，通過(guo)比較實(shi)驗組（A 組）和對(dui)照組（B 組）的訪(fang)問(wen)時長和頁(ye)面瀏覽量兩個(ge)衡量指(zhi)標，來(lai)評估哪一種(zhong)交互形(xing)式(shi)更佳。

要進行(xing) A/B 測(ce)(ce)(ce)(ce)試(shi)(shi)有兩個必備因素：第一，有足夠的時間進行(xing)測(ce)(ce)(ce)(ce)試(shi)(shi)；第二，數據(ju)量和數據(ju)密度較(jiao)高(gao)。因為當產品流量不夠大(da)的時候，做 A/B 測(ce)(ce)(ce)(ce)試(shi)(shi)得到統計結(jie)果是很難的。而像 LinkedIn 這樣大(da)體量的公(gong)司，每天(tian)可以(yi)同時進行(xing)上千(qian)個 A/B 測(ce)(ce)(ce)(ce)試(shi)(shi)。所以(yi) A/B 測(ce)(ce)(ce)(ce)試(shi)(shi)往(wang)往(wang)在公(gong)司數據(ju)規模較(jiao)大(da)時使用會(hui)更(geng)加(jia)精(jing)準，更(geng)快得到統計的結(jie)果。

8.數學建模

當(dang)一個商(shang)業(ye)目(mu)標(biao)與多種行為(wei)、畫像(xiang)等信(xin)息有關聯性(xing)時，我們通常會使用數學建(jian)模(mo)、數據挖掘的(de)手(shou)段進行建(jian)模(mo)，預測該商(shang)業(ye)結(jie)果的(de)產(chan)生。

作為(wei)一(yi)家 SaaS 企業(ye)，當我們需(xu)要預測判斷客戶(hu)的(de)流失時，可以(yi)通(tong)過用(yong)(yong)戶(hu)的(de)行(xing)為(wei)數據、公(gong)司信息、用(yong)(yong)戶(hu)畫像(xiang)等數據建立流失模型。利(li)用(yong)(yong)統計學的(de)方(fang)式(shi)進行(xing)一(yi)些組合和權重計算(suan)，從(cong)而得知用(yong)(yong)戶(hu)滿足哪些行(xing)為(wei)之后流失的(de)可能性會更高。

我們常常說，不能度量，就無法增長，數據分析對于企業商業價值的提升有著至關重要的作用。當然，僅僅掌握單純的理論還遠遠不夠，實踐出真知。數據分析的方法大家不妨在自己日常工作中，有分析相關項目里嘗試使用，相信可以事半功倍，創造更多商業價值。