數據分析基礎篇（設計師都應該了解）

當今設計師還不了解數據，自身價值也將會越來越低

第1則- 前言

數據分析是一塊知識領域，是一門學科性很強的科目，想要短時間內吃透并不簡單，在進入這個領域之前，我們需要學習一些基本的業務常識，結合業務來理解效果會更好。我把數據分析的業務流程整理成一張圖幫助大家理解，大致分為「獲取數據」、「處理數據」、「數據結果」、「分析原因」、「業務提煉」五大模塊。今天著重聊一聊前三個模塊，后兩個模塊會在后面的文段中穿插闡述。

第2則- 數據庫的來源

數據庫(可以從公司內部的數據庫抓取想要的數據)

數據平臺(神策，MTA，talkingdata，諸葛io等等，需要接入自身產品)

自建數據平臺(大廠或資本較雄厚的公司會有自己的數據平臺，另外也有一些開源的可以免費使用，例如「superset」from airbnb)

爬蟲(這是最常見的一種方式，需要一定的編程基礎。一般來說就是技術人員寫代碼爬取用戶，競對的數據，相應的，也會有反爬蟲技術。)

市場調研(問卷調查，電話訪談，實地調查)

第3則- 方法論

數據分析大致可以分為：數理性分析和營銷(管理)性分析。前者相較于后者更加簡便，易上手。后者想要做到精通且靈活運用，則需要大量時間與精力浸淫在工作中，用經驗來堆砌功力。數理性數據分析主要針對類似新增用戶數，日活月活，留存率，轉化率，埋點數據等等進行分析，它又分為：常規分析法，統計模型分析法，自建模型分析法。

為了幫助各位系統的學習數據分析，我把這些理論知識用結構圖來表示關系。

為了呼應文章的基礎性，今天我們就一起來學習「常規分析法」。常規的數據分析法一般都可以分為：趨勢分析，對比分析和細分分析。 接下來我們將用「同環比分析法」「ABC分析法」和「漏斗分析法」來對應說明。

同比

拿某個周期的時間段與上一個周期的相同時間段做比較。例如今年的3月比去年的3月，本周的周三比上周的周一等等。同比增長率=(本期數-同期數)/同期數x100%。覺得有點暈?我們來生動的舉個栗子：2016年9月新增245個人關注公眾號，2017年9份則有586個人數新增，那么公眾號新增關注人數的同比增長率=(586-245)/245×100%=1.39183673×100%四舍五入為139%。

環比

相對更簡單，就是拿相鄰時間段做比較，不像同比那樣在相鄰時間段內部某個相同時的間點來對比。環比增長率=(本期數-上期數)/上期數×100%。舉個栗子，2017年9月本公眾號關注人數新增586人，10月則新增172人，那么公眾號新增關注人數的環比增長率=(172-586)/586×100%=-0.70648464×100%四舍五入為-71%。

“ABC分析法又稱帕雷托分析法，也叫主次因素分析法，是項目管理中常用的一種方法。它是根據事物在技術或經濟方面的主要特征，進行分類排隊，分清重點和一般，從而有區別地確定管理方式的一種分析方法。由于它把被分析的對象分成A、B、C三類，所以又稱為ABC分析法?！?

以上摘自百度，翻譯成人話來說，以同一指標為業務對象，進行數量、質量、變量等等分析。以該指標各維度數據與總體數據做對比，按照比重多少排序，將各組成部分分為ABC三類。拿最近發生的事舉例吧，2017雙11期間，全網的總銷售額為1770.4億元。在分析各電商平臺銷售額數據中，用ABC分析法對各個平臺的銷售總額做進一步分析，從圖中我們得知天貓，京東的銷售額對比全網總銷售額來說占比非常大，得出這樣的結論之后相關品牌方就可以在運營活動中進一步關注這兩個平臺，重點在這兩個平臺上做活動推廣，宣發，會大概率獲得更大的收益。通過合理分配時間，人力，資源成本到獲益概率大的目標(A類)上，是通過數據分析得出的戰略規劃，但是也不能忽略B類C類，他們只是相比A類應得到較少的投入。

所有互聯網產品、數據分析都離不開漏斗，無論是注冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行為。關注注冊流程的每一個步驟，可以有效定位高損耗節點。

漏斗分析是一套流程式數據分析，它能夠反映用戶的某段操作路徑的全程及轉化情況。通過各相關節點數據對比，直觀的發現問題所在，從而進行優化。舉個我身邊的例子：11月份小說書豆收入環比10月份減少了10%，面對這樣一個異常的數據指標，我們很難直接判斷出那個環節出了問題，尤其是最近還進行了一次頻道首頁改版，則更難判斷了。

因此，我們可以采用漏斗分析法來確定用戶流失路徑：用戶從進入頻道，到閱讀書籍，到書豆付費，到離開頁面所有的操作步驟羅列出來，從入口到出口把所有的流程整理成一個分析漏斗，針對每個節點采集關鍵因素數據，分析哪一步操作上出現了異常，再對其進行優化。最后我們發現，由于一個技術bug導致支付頁(問題節點)

報錯率偏高，許多用戶在頁面報錯后直接離開，因此產生了書豆減少的情況。

兩張轉化率實例圖向我們展示：通常轉化率過低的節點就是問題節點。加入購物車之前的轉化率都較高，但在購物付款的流程中，轉化率急劇降低至8%，這里可能就是需要改進的地方。

類似的分析手法還有很多，以下圖中的「同期群分析」、「留存分析」、「熱力圖分析」、「AB測試」等等都可以歸納到趨勢，對比和細分這三種分析種類中，感興趣的同學可以自行檢索，我后期文章中也會詳細闡述。

第4則- 小結

「人」這種生物，有時候連自己，都不知道自己想要的是什么，所以有時候很難去窺探用戶的心理，數據的分析與挖掘則用相對更科學，概率更大的方法告訴我們他們的真實意圖?！笖祿购芏鄷r候已經替代了用戶在屏幕前的“聲音”。不管是產品經理，數據分析師，還是用戶研究員，大家職能的核心，是通過研究用戶/定義產品來創造價值，數據分析只是一件工具，掌握一定的分析手法是必要的，切莫沉迷于手法，并不是手法越高級分析結果越準確，「合適」才最重要。這兩天和某度的小伙伴聊天時她說了一點，越往深了追求數據分析的應用，則越容易陷入凡事都要走一套「數分流」的怪圈，好比明明知道人不吃東西就會餓死，非要用各種，人類生命周期，天災人禍概率，人體代謝機能等等去證明這一點。對此我想說，人是活的，理論是死的，靈活的選擇完成目的的手段，能用10塊辦成的事沒有必要花100塊。以明確的分析目的為導向，使用最高效且成本最少的分析手段，得出最科學且最正確的分析結果，輔助問題業務的挖掘和優化，才是做數據分析的終極奧義。