首页  流程图  详情

2024年数据分析常用方法及应用场景全景图

2023-12-01 21:03:41   4  举报





本图详细介绍了常用数据分析方法，并且说明了使用场景，并且单独从互联网角度突出说明了互联网的常用分析方法。

数据分析

全景图

大数据

知识地图

数据分析方法

作者其他创作

大纲/内容

适用场景

ProcessOn是谁？

频数分布、时间趋势

细分

搜索贡献

聚类分析

算法工程师

方式与通道

进入机票预定页

直方图

专题分析

频数分析注意事项

正确表达你的观点span style=\

集中/离散度分析

互联网常用数据分析方法？

建立指标体系

-大量用户在详情页与列表页之间反复横跳，最终仅有少量用户在很长的路径之后下单；-详情页没有露出机票价格，导致大量用户要反复进入详情页比价，之后才能购买。

方法1：画图观察

归因分析

点击购买

when

2024年新版

核心内涵

构建用户购买漏斗分析模型，发现用户点击查看机票详情的转化率远低于正常情况。但下单转化率却很低。

对比分析

趋势分析

经验驱动决策

用户画像

归因指标的计算逻辑很复杂，主要是因为业务逻辑复杂，比如下方的案例：用户浏览很多次，反复比较后下单的操作流程，哪一次才是用户下决心购买的关键浏览呢？

购买转化率

线性回归

移动平均：对于指定时间段，分别计算区间平均值

如何进行路径分析

方法3：构建统计模型

通过数据解读业务不要停止在数据结论，要从业务视角进一步解读结论，给出建议或策略

3sigam原则如果没有其他因素影响，在均值上下浮动超过3σ（3个标准差）的数据属于异常值。注意：使用条件：大数据量，一般数据量要≥30规避周期性数据的情况

分析数据

市场机会分析

对业务有一定了解

举例：如何分析为什么发生？

数据驱动决策

也叫频率分析，或分布分析，是一种最常见的分析数据出现频率、整体分布的分析方式。频数( Frequency)，又称“次数”，指代表某种特征(如男、女)的数据在数列中出现的次数。

功能设计

细分分析的场景

-圈出进入详情页却没有购买的人群；-选择重点的行为埋点，查看用户路径分布。

指标层分析

数据分析思路和方法论

新用户存留

常用的数据分析方法

最终希望用户完成的行为，一般是下单/购买

4W/1H

链路分析

互联网场景下的数据尤其是用户行为数据大量增长，数量级与购买、注册等完全不是一个量级，且也有独特的分析方法、模型产生。

分析对象

-使用可比较的数据，提出异常状态（如春节、双十一等期间）数据-细分与对比的区别，细分是一个分析指标内观察分布，对比是多个指标之间维度对比

用户进APP都做什么：用户注册后的访问路径

分析前

为了计算复杂的归因指标，引入一些概念和技术“模型”。

产品活跃留存

Logistic回归

分析事物变化背后的深层原因

基础信息和数据详实

收集与处理数据

跳水线是常见的信息汇总图，可用于分析同一批用户，在生命周期内用户粘性的变化

方法2：引入指标

“为什么发生”有哪些常见方法？

产品&运营

建立数据指标体系

APP、网站的使用者，在使用过程中发生的页面浏览、按钮点击等行为产生的数据，使用者每发生一次行为，即产生一条数据。数据内容包含：谁，在什么时间，发生什么行为，行为有什么特征。如:小明在2022/3/24 3:45:33 p.m.，浏览了商品详情页，该页面的商品为某品牌薯片，价格7元，当前无优惠。

重视数据质量span style=\

通过细分分析和对比分析，分析异常点发生的原因？

先放后收发现问题前多尝试分析方法，定位问题后，聚焦在一个问题上顺腾摸瓜。

折线图、堆积柱状图簇行柱状图、环形图

留存分析的常用场景

对比不同但相似的数据之间的差异

什么是用户行为数据？

分析数据并得到结果

归因分析，全称“坑位归因分析”是互联网数据分析领域，近年来比较新、但同时非常又价值的数据分析方法之一。

线性回归模型，数据散点拟合

不知道用户会如何转化时，通过该方法探索用户的真实行为。诊断产品体验。

漏斗分析

给出结论和建议

撰写分析报告

方法：漏斗分析发现问题+目标人群路径分析查找原因

定义业务问题

渗透率25%，使用规模可观

分析总结

“发生了什么”有哪些常见方法？

where

老用户存留

搜索词不集中，逐一优化困难，提升推荐词使用比例，访谈+产品AB测试

明确痛点提出业务假设

权利驱动决策

折线图、柱状图

新老用户浏览偏好

方法：选择重要维度，细分和对比

待归因事件

评估相似度：K-means聚类

对比分析—维度对比分析

归因模型

如何进行漏斗分析

24%的详情页来自搜搜，55%的订单来自搜索

对比

-转化时间、时间、窗口期等是非常重要的输入因子。-整体转化率、转化人数、转化时间等是重要的结果输出。

不同渠道新用户性别占比

购买的商品品类

数据分析的工作流

分析结果：发生了什么

结论

分析中

如性别、年龄、爱好

用于分析用户在多个具体转化事件上的流转。详细说，是对已知用户在路径的每个节点顺利往下发生的概率。

3、归因计算模型

业务咨询师

事情发生的频率

环比，同比，移动平均

随社会科技的进步，企业决策方式经历了权利驱动决策、经验驱动决策，正在迈向数据驱动决策的阶段。企业应用数据由浅到深，可分为数据监控-数据分析-数据驱动三个阶段。每个阶段不同的岗位又有各式各样的具体应用场景。但是不管应用场景基础的分析方法论和常用的数据分析方法总有共性。

用户为什么没有买：用户购买前的访问路径

第一步转化率70%第二步转化率1%有结果的比例占30%

每日用户新增、每周销售金额、城市人口变化……

利益相关者

Step 2

下目标转化事件中关注的指标，一般是购买次数、金额

应用市场、微博、头条

分析业务

使用描述统计的方法，将分析对象视为总体，通过基本的可视化图形，表格及文字，对数据进行分析与解读。

1、通过漏斗分析，发现问题点

梳理结果，形成结论

留存、频次

互联网常用

阶梯表有更详细的数据，对比不同时段的用户粘性的变化，来分析产品整体是否有做的更好。

归纳

如何进行留存分析

-留存分析的解读是一件很重要的事情，学会解读就基本学会了做留存分析-留存分析有两种解读形式，分别依托于跳水线和阶梯表。

如果您喜欢本图，请点击右上角的点赞、收藏或“使用”，点击使用后可以拷贝本图，并且可以随意编辑。本图引用了互联网素材内容和付费课程内容，如需使用请注明出处。本图中如有错误，欢迎评论探讨，确认后作者将及时修改。谢谢您的关注！

演绎

分析原因：为什么发生

要评估的坑位被点击、浏览的行为，需要埋点采集数据

数据分析

坑位，是电商行业的惯用叫法，也被叫做资源位，右图展示的是常见的一些“坑位”。指用来承载内容/素材，被用作内容运营或商品运营的产品功能版区，这些位置的内容，以引导消费者发生购买转化为第一目的。

线性回归模型对数据散点进行拟合，得到你和厚的曲线，通过曲线斜率得到数据变化的趋势

描述型分析方法

迭代和评估效果

本图版权及解释权归北京大麦地信息技术有限公司所有，转载及引用请注明来源，商业合作请添加微信号：ProcessOn

目标准化指标

适合的图表形式

常见的数据分析方法概览

2、如何计算出归因指标

给出业务问题和对应建议

细分分析

产品体验

对于带带明显差异的维度单独对比分析，计算出贡献比例。

注册转化率

用户忠诚度分析，用于分析用户使用APP/网站的粘性或忠诚度，也是互联网业务最重要的指标之一。定义: 以活跃用户次日留存举例，就是当天访问APP的所有用户，第二天还会访问的用户比例。不同产品的用户存留时间窗口不同，使用频率较高的产品，关注日存留、如次日、3日、7日；对使用频率较低的如购票业务，关注周留存、月留存。

数据在不同维度上的特征

趋势分析的场景

举例：机票预订APP浏览量多，成交量低，分析原因

大量用户搜索后没有发生点击，可能是没搜到结果/想要的结果

数据在时间上的变化

趋势分析/预测

首页、发现页、搜索页、详情页

四种常见分析方法总结

不同渠道新用户

收集数据进行分析

相似度评估，如某品牌消费者按照消费能力可以分为几类？

1、归因分析需要关注的指标