沒有數據分析思路的人做數據分析往往會出現這兩種情況：
①做了很多圖表，卻發現不了業務中存在的問題；
②只會使用數據分析工具(Excel、SQL或者Python等)，但是面對問題，還是不會分析。
在面對問題的時候，沒有思路；面對一堆數據，不知該如何下手去分析。想法通常是零散的，這個時候就需要將零散的想法整理成有條理的思路，從而快速解決問題掌握分析方法並加以運用就能夠做到這一點。
下面數據君就和大家分享一下常見的數據分析方法有哪些：
關聯分析
關聯分析，也叫作“購物籃分析”，是一種透過研究使用者消費數據，將不同商品之間進行關聯，並挖掘二者之間聯絡的分析方法。
◆關聯分析目的是找到事務間的關聯性，用以指導決策行為。
如“67%的顧客在購買啤酒的同時也會購買尿布”，因此透過合理的啤酒和尿布的貨架擺放或捆綁銷售可提高超市的服務質量和效益。
◆關聯分析在電商分析和零售分析中應用相當廣泛。
◆關聯分析需要考慮的常見指標：
支援度：指A商品和B商品同時被購買的機率，或者說某個商品組合的購買次數佔總商品購買次數的比例。
置信度：指購買A之後又購買B的條件機率，簡單說就是因為購買了A所以購買了B的機率。
提升度：先購買A對購買B的提升作用，用來判斷商品組合方式是否具有實際價值。
對比分析
◆對比法就是用兩組或兩組以上的數據進行比較。
◆對比法是一種挖掘數據規律的思維，能夠和任何技巧結合，一次合格的分析一定要用到N次對比。
◆對比主要分為以下幾種:
橫向對比：同一層級不同物件比較，如不同市茅臺銷售情況。
縱向對比：同一物件不同層級比較，如某市2021年各月份茅臺銷售情況。
目標對比：常見於目標管理，如完成率等。
時間對比：如同比、環比、月銷售情況等，很多地方都會用到時間對比。
聚類分析
聚類分析屬於探索性的數據分析方法。
◆從定義上講，聚類就是針對大量數據或者樣品，根據數據本身的特性研究分類方法，並遵循這個分類方法對數據進行合理的分類，最終將相似數據分為一組，也就是“同類相同、異類相異”。
◆在使用者研究中，很多問題可以藉助聚類分析來解決。
比如，網站的資訊分類問題、網頁的點選行為關聯性問題以及使用者分類問題等等。其中，使用者分類是最常見的情況。
◆常見的聚類方法有不少，比如K均值(K-Means)，譜聚類(Spectral Clustering)，層次聚類(Hierarchical Clustering)。
◆以最為常見的K-means為例，可以看到，數據可以被分到黃藍綠三個不同的簇(cluster)中，每個簇有其特有的性質。
留存分析
留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考查進行初始行為後的使用者中，經過一段時間後仍然存在客戶行為(如登入、消費)。
◆留存不僅是個可以反映客戶粘性的指標，更多地反映產品對使用者的吸引力。
◆按照不同週期，留存率分為三類。
第一種是日留存，日留存又可以細分為以下幾種:
次日留存率：(當天新增的使用者中，第2天還登入的使用者數)/第一天新增總使用者數；
第3日留存率：(第一天新增使用者中，第3天還有登入的使用者數)/第一天新增總使用者數；
第7日留存率：(第一天新增使用者中，第7天還有登入的使用者數)/第一天新增總使用者數；
第14日留存率：(第一天新增使用者中，第14天還有登入的使用者數)/第一天新增總使用者數；
第30日留存率：(第一天新增使用者中，第30天還有登入的使用者數)/第一天新增總使用者數。
第二種是周留存，以周度為單位的留存率，指的是每個周相對於第一個周的新增使用者中，仍然還有登入的使用者數。
第三種是月留存，以月度為單位的留存率，指的是每個月相對於第一個周的新增使用者中，仍然還有登入的使用者數。
◆留存率是針對新使用者的，其結果是一個矩陣式半面報告(只有一半有數據)，每個數據記錄行是日期、列為對應的不同時間週期下的留存率。
◆正常情況下，留存率會隨著時間週期的推移而逐漸降低。
下面以月留存為例生成的月使用者留存曲線：
帕累托分析
◆帕累托法則，源於經典的二八法則——“世界上80%的財富掌握在20%的富人手裡”。而在數據分析中，這句話可以理解為20%的數據產生了80%的效果，需要圍繞找到的20%有效數據進行挖掘，使之產生更大的效果。
比如一個商場或超市在進行產品分析的時候，就可以對每個商品的利潤進行排序，找到前20%的產品，那這些產品就是能夠帶來較多價值的商品，可以再透過組合銷售、降價銷售等手段，進一步激發其帶來的收益回報。
◆帕累托法則一般會用在產品分類上，此時就表現為ABC分類法。
常見的做法是將產品SKU作為維度，並將對應銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，並計算累計銷售額佔比。
百分比在 70%(含)以內，劃分為 A類
百分比在 70~90%(含)以內，劃分為B類。
百分比在 90~100%(含)以內，劃分為C類。
按照A、B、C分組對產品進行了分類，根據產品的效益分為了三個等級，這樣就可以針對性投放不同程度的資源，來產出最優的效益。
象限分析
象限法是透過對兩種及以上維度的劃分，運用座標的方式，人工對數據進行劃分，從而傳遞數據價值，將之轉變為策略。
◆象限法是一種策略驅動的思維，常應用在產品分析、市場分析、客戶管理、商品管理等場景，像RFM模型、波士頓矩陣都是象限法思維。
下面這個RFM模型就是利用象限法，將使用者分為8個不同的層級，從而對不同使用者制定不同的行銷策略。
象限法的優勢
◆找到問題的共性原因
透過象限分析法，將有相同特徵的事件進行歸因分析，總結其中的共性原因。
例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；
◆建立分組最佳化策略
針對投放的象限分析法可以針對不同象限建立最佳化策略。
例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類別。
給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等；
給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們迴歸。
ABtest
A/Btest，是將Web或App介面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的使用者體驗數據和業務數據，最後分析評估出最好版本正式採用。
A/Btest的流程如下
◆現狀分析井建立假設
分析業務數據，確定當前最關鍵的改進點，作出最佳化改進的假設，提出最佳化建議；
比如說我們發現使用者的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了。
◆設定目標，制定方案
設定主要目標，用來衡量各最佳化版本的優劣:
設定輔助目標，用來評估最佳化版本對其他方面的影響。
◆設計與開發
製作2個或多個最佳化版本的設計原型並完成技術實現。
◆分配流量
確定每個線上測試版本的分流比例，初始階段，最佳化方案的流量設定可以較小，根據情況逐漸增加流量。
◆收集實驗數據，進行有效性和效果判斷
統計顯著性達到95%或以上並且維持一段時間，實驗可以結束；
如果在95%以下，則可能需要延長測試時間；
如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。
◆最後
根據試驗結果確定釋出新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續最佳化迭代方案重新開發上線試驗。
漏斗分析
漏斗思維本質上是一種流程思路，在確定好關鍵節點之後，計算節點之間的轉化率。
◆這個思路同樣適用於很多地方，像電商的使用者購買路徑分析、app的註冊轉化率等。
◆下圖是經典的行銷漏斗，形象展示了從獲取使用者到最終轉化成購買這整個流程中的一個個子環節。
整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然後用轉化率來衡量每一個步驟的表現，最後透過異常的數據指標找出有問題的環節，從而解決問題，最佳化該步驟，最終達到提升整體購買轉化率的目的。
◆著名的海盜模型AARRR模型就是以漏斗模型作為基礎的，從獲客、啟用、留存、變現、自傳播五個關鍵節點，分析不同節點之間的轉化率，找到能夠提升的環節，採取措施。
路徑分析
使用者路徑分析追蹤使用者從某個開始事件直到結束事件的行為路徑，即對使用者流向進行監測，可以用來衡量網站最佳化的效果或行銷推廣的效果，以及瞭解使用者行為偏好，其最終目的是達成業務目標，引導使用者更高效地完成產品的最優路徑，最終促使使用者付費。
如何進行使用者行為路徑分析？
◆計算使用者使用網站或APP時的每個第一步，然後依次計算每一步的流向和轉化，透過數據，真實地再現使用者從開啟APP到離開的整個過程。
◆檢視使用者在使用產品時的路徑分佈情況：
例如：在訪問了某個電商產品首頁的使用者後，有多大比例的使用者進行了搜尋，有多大比例的使用者訪問了分類頁，有多大比例的使用者直接訪問的商品詳情頁。
◆進行路徑最佳化分析：
例如：哪條路徑是使用者最多訪問的；走到哪一步時，使用者最容易流失。
◆透過路徑識別使用者行為特徵：
例如：分析使用者是用完即走的目標導向型，還是無目的瀏覽型。
◆ 對使用者進行細分：
通常按照APP的使用目的來對使用者進行分類：
如汽車APP的使用者可以細分為關注型、意向型、購買型使用者，並對每類使用者進行不同訪問任務的路徑分析：比如意向型的使用者，他進行不同車型的比較都有哪些路徑，存在什麼問題。
◆還有一種方法是利用演算法：
基於使用者所有訪問路徑進行聚類分析，依據訪問路徑的相似性對使用者進行分類，再對每類使用者進行分析。
以上就是本期的內容分享~~，碼字不易，如果覺得對你有一點點幫助，歡迎「追蹤」，「按贊」，「分享」喔，我會持續為大家創作優質的內容~~
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
☞☞☞點選下方圖片免費體驗FineBI工具demo！
文章推薦：
回顧十週入門數據分析系列文：
關注數據君的臉書，ins（全網同名）
我是「數據分析那些事」。常年在臉書，ins分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，並在臉書置頂帖子下回復SQL50,會有MySQL經典50題及答案贈送唷！
