企業里真實的數據分析案例解析

從最近跟進一些數據分析項目來看，慢慢對數據分析有了更多的理解。

數據分析的定義和誤區：

數據分析，簡單來說就是用數據進行分析。經驗分析也是分析，但這是靠經驗分析的，不是數據分析。數據分析就必須是通過數據進行推導或驗證的。所以任何數據分析工具都是數據分析的工具，不管是Excel，spss或BI都是數據分析的工具，甚至說用計算器做分析也可以是數據分析。也就證明了一些人說Excel就是報表，而不是數據分析，這是錯的。

數據分析流程：

網上看最多的流程是這樣的。

但其實這樣才是更合理的，

數據分析不一定是一次性的，是分次數的。第一次分析會得到一些結論和猜想，然后要收集更多數據來證實自己的猜想，不然就是猜想，和經驗判斷沒什么區別的。

數據分析如何落地

數據分析只有落地，才有價值，不然數據還是數據，還浪費了人力，物力和財力。按我公司數據分析大牛的話來講，數據分析首先是發現問題，然后是定位問題，最后是解決問題。

1.發現異常：

發現問題就是說看出數據的波動性和不正常性?？闯鰯祿牟徽?，首先要定義怎么樣的數據算不正常，和平時誤差的波動對比是多少，平時的數據如何定義。（補充電商很多數據都是定義波動在+- 10%內為正常，平時是指近2周的平均數據）。舉個例子：本來某網站某內部渠道A的訂單轉化率維持是4-5%左右。有一天突然變成了2%，而近2周的數據因為前幾天的數據庫異常，只有近8天的數據。那怎么辦呢？難道說沒2周，所以問題無法發現？

這時大牛告訴我，書本上和網上你所看到的數據都是完美的，但你現在遇到的就是現實，現實就是只有近8天的數據，你這次也就只能算近8天，或者近7天。以后積累數據更多后，你分析時才用近2周。要接受數據的不完美，以后你還會遇到很多數據上的bug。那就按近7天的訂單轉化率去算吧。這里補充一點：訂單轉化率的定義=訂單/二跳Visits。這點定義，不同公司定義不同，但有一點是肯定的，因為是個比率值，所有近7天的平均訂單轉化率不是拿近7天訂單轉化率算平均，而是近7天的訂單數平均/近7天的二跳Visits。

總算算出來了，近7天平均訂單轉化率是4.5%，昨天的訂單轉化率是2%，變化幅度明顯超過10%，絕對是個異常。

2.定位異常：

如何定位異常，大牛說你是新手，所以你去分析各個細分維度，看哪個維度內部之間有很大變化。我把能分析的維度全都做了一遍，流量外部渠道，流量平臺，流量訪問地區，流量進入的商品類目。因為我的Excel功底很好，這些數據處理我較快滴就完成了，然后對大牛說，外部渠道訂單轉化率都在降，平臺，地區和商品類目轉化率也都是下降，而且之間下降的幅度都是差不多的。他說，如果都是在降的話，那說明問題不是在這里。只有某個維度內部之間，變化有較大懸殊的，才能定位到問題在這個維度。比如假設，剛才的維度中你發現平臺中，PC轉化率大跌，無線轉化率基本沒變化。那說明問題很可能出在網頁上面。很可能是訂單確認頁的網頁日志記錄有問題，然后被記錄的訂單數少了。訂單轉化率=訂單數/二跳Visits。分子少了，也就轉化率低了。而你現在是都沒什么差異，那你去看看網站的訂單轉化率是怎么樣的，還有其他內部渠道的訂單轉化率變化吧。我很快去提取數據并計算了，整體網站轉化率沒什么變化，二跳Visits流量也沒什么變化。但是內部渠道中有個內部渠道C，他的轉化率提升了很多，但他的流量沒什么大變化。大牛說，那問題差不多出來了，很可能是內部渠道A的訂單數被錯誤計算到渠道C了。正常情況，每個渠道的轉化率都是不怎么變化的，而且你都說流量沒什么變化了。是要到解決問題的時候了。

3.解決異常：

可以讓IT同事看看網頁日志，是不是有流量被混入到渠道C了。一個比較簡單的案例到此，差不多結束了。

首先要學會接受數據的不完美，哪怕要2周，如果只有1周，也只能先當5天算。

第二了解對比要可比計算近1周或近2周的平均數據前，都要先判斷有沒異常值出現。

第三，發現問題后要去進行維度拆分，維度內部差異很大的，才是問題的關鍵點所在。

第四，除了縱向對比日期外，還有想到橫向對比同級渠道，還有考慮他們上面的整體。

你目前先慢慢學會對內部渠道A進行日監控，然后有異常數據能識別，然后去定位問題。你的自動化報表設計很不錯，能大大減少每天的數據處理時間，也就有更多時間去定位和分析問題。解決問題，一般來說都是比較麻煩的，要涉及跨部門的溝通交流，很多都不是數據能解決的。