提起數據分(fen)析，大家往(wang)往(wang)會聯想到一(yi)些密(mi)密(mi)麻麻的(de)(de)數字表格，或(huo)是高(gao)級的(de)(de)數據建(jian)模(mo)手法(fa)，再(zai)或(huo)是華麗的(de)(de)數據報表。其實，“ 分(fen)析 ”本身(shen)是每(mei)個人都具備的(de)(de)能(neng)力；比(bi)如根據股(gu)票(piao)的(de)(de)走勢決定購買還(huan)是拋出，依照每(mei)日(ri)的(de)(de)時間和以往(wang)經(jing)驗選(xuan)擇(ze)(ze)行車路線；購買機票(piao)、預(yu)訂(ding)酒店時，比(bi)對多家的(de)(de)價格后做(zuo)出最終選(xuan)擇(ze)(ze)。

這(zhe)些小(xiao)型(xing)決(jue)(jue)策(ce)，其實都是依照我們腦海中的數(shu)據(ju)點作出(chu)判(pan)斷(duan)，這(zhe)就(jiu)是簡單(dan)分析的過程。對于(yu)業務決(jue)(jue)策(ce)者(zhe)而言，則(ze)需要(yao)掌握一套系統(tong)的、科學的、符合(he)商(shang)業規(gui)律的數(shu)據(ju)分析知識。

一.數據分析的戰略思維

無論是產品(pin)、市場、運(yun)營還是管(guan)理者(zhe)，你(ni)必須(xu)反思(si)：數(shu)據本(ben)質的價值，究竟在哪里？從這(zhe)些數(shu)據中，你(ni)和你(ni)的團隊都(dou)可以學習(xi)到(dao)什么？

1.1 數據分析的目標

對于企(qi)業(ye)來講(jiang)，數(shu)據分析(xi)的可以輔助企(qi)業(ye)優(you)化流程，降低成本，提(ti)高(gao)營(ying)業(ye)額，往往我們(men)把這類(lei)數(shu)據分析(xi)定(ding)義為(wei)商業(ye)數(shu)據分析(xi)。商業(ye)數(shu)據分析(xi)的目標(biao)是利用大(da)數(shu)據為(wei)所有職場人員(yuan)做出(chu)迅捷、高(gao)質、高(gao)效的決策，提(ti)供可規(gui)模化的解決方案(an)。商業(ye)數(shu)據分析(xi)的本質在(zai)于創造商業(ye)價值 ，驅動企(qi)業(ye)業(ye)務增長(chang)。

1.2 數據分析的作用

我們常常講(jiang)的企(qi)業(ye)增長模(mo)式(shi)中(zhong)，往往以(yi)某個業(ye)務平臺(tai)為核心。這其中(zhong)，數(shu)據(ju)和數(shu)據(ju)分析(xi)，是不可或缺的環節。

通(tong)過企業或(huo)者平(ping)臺為目標用(yong)戶(hu)群(qun)提供產品或(huo)服務，而(er)用(yong)戶(hu)在使用(yong)產品或(huo)服務過程(cheng)中(zhong)產生(sheng)的(de)交(jiao)互(hu)、交(jiao)易，都可(ke)以作為數據(ju)采(cai)集下(xia)來。根據(ju)這些(xie)數據(ju)洞察，通(tong)過分析的(de)手段反(fan)推(tui)客戶(hu)的(de)需求(qiu)，創造更多符(fu)合(he)需求(qiu)的(de)增值產品和(he)服務，重新投(tou)入用(yong)戶(hu)的(de)使用(yong)，從而(er)形成形成一個完(wan)整的(de)業務閉環。這樣的(de)完(wan)整業務邏輯，可(ke)以真正意義(yi)上驅動業務的(de)增長。

1.3 數據分析進化論

我(wo)們常常以商業回報比(bi)來定(ding)位數據分(fen)析的不同階段，因此我(wo)們將其分(fen)為四(si)個階段。

階段1：觀察數據當前發生了什么？

首(shou)先，基本的(de)(de)數(shu)據展示，可以告(gao)訴(su)我們(men)發生(sheng)了(le)什么。例(li)如(ru)，公司上周投放了(le)新(xin)的(de)(de)搜索引擎 A 的(de)(de)廣告(gao)，想要(yao)比對一周下來，新(xin)渠道 A 比現有(you)(you)渠道 B 情況如(ru)何(he)(he)，A、B 各自帶來了(le)多少(shao)流量，轉(zhuan)化(hua)效(xiao)果如(ru)何(he)(he)？ 又比如(ru)，新(xin)上線(xian)的(de)(de)產(chan)品有(you)(you)多少(shao)用戶喜(xi)歡，新(xin)注冊(ce)流中注冊(ce)的(de)(de)人數(shu)有(you)(you)多少(shao)。這些都需要(yao)通過數(shu)據來展示結果，都是(shi)基于數(shu)據本身提供的(de)(de)“發生(sheng)了(le)什么”。

階段2：理解為什么發生？

如(ru)果看到了渠(qu)道 A 為什(shen)么比渠(qu)道 B 帶(dai)來(lai)(lai)更多的(de)(de)流量，這(zhe)(zhe)時候我們(men)就要結(jie)合(he)商業來(lai)(lai)進(jin)(jin)(jin)一(yi)步判(pan)斷這(zhe)(zhe)種現(xian)象的(de)(de)原因。這(zhe)(zhe)時候我們(men)可以進(jin)(jin)(jin)一(yi)步通過(guo)數據信息進(jin)(jin)(jin)行深度拆分， 也(ye)(ye)許某個關鍵(jian)字帶(dai)來(lai)(lai)的(de)(de)流量，也(ye)(ye)許是該(gai)渠(qu)道更多的(de)(de)獲取了移動端的(de)(de)用戶(hu)。這(zhe)(zhe)種數據深度分析判(pan)斷，成為了商業分析第(di)二個進(jin)(jin)(jin)階，也(ye)(ye)同時能(neng)夠提(ti)供更多商業價值上的(de)(de)體(ti)現(xian)。

階段3：預測未來會發生什么？

而當(dang)我們(men)理解了渠(qu)道(dao) A、B 帶(dai)來(lai)流(liu)量的(de)高半年銷(xiao)量不到百(bai)萬部，蘋果要(yao)放(fang)棄(qi)印度市場嗎？低，就(jiu)根據(ju)以往的(de)知識預測未(wei)來(lai)會發生什么。在投放(fang)渠(qu)道(dao) C、D 的(de)時候，猜測渠(qu)道(dao) C 比渠(qu)道(dao) D 好，當(dang)上線新的(de)注冊流(liu)、新的(de)優化(hua)，可以知道(dao)哪一(yi)個(ge)(ge)節(jie)點比較容(rong)易出問題；我們(men)也可以通過數據(ju)挖掘(jue)的(de)手段(duan)，自動預測判斷 C 和 D 渠(qu)道(dao)之(zhi)間的(de)差(cha)異，這就(jiu)是數據(ju)分析的(de)第三個(ge)(ge)進(jin)階，預測未(wei)來(lai)會發生的(de)結果。

階段4：商業決策

所有工作中最(zui)有意義的(de)(de)還是(shi)商業決(jue)策(ce)，通過數據(ju)來判(pan)斷應(ying)該做什么。而商業數據(ju)分(fen)析的(de)(de)目(mu)的(de)(de)，就是(shi)商業結果。當數據(ju)分(fen)析的(de)(de)產(chan)出(chu)可以直接(jie)轉化為決(jue)策(ce)，或直接(jie)利用數據(ju)做出(chu)決(jue)策(ce)，那么這才能直接(jie)體現(xian)出(chu)數據(ju)分(fen)析的(de)(de)價(jia)值。

1.4 數據分析的 EOI 框架

EOI 的(de)架構是包括(kuo) LinkedIn、Google 在內的(de)很多公司定義分(fen)析型項目(mu)的(de)目(mu)標的(de)基本方式(shi)，也是首席(xi)增長官在思考(kao)商業數據分(fen)析項目(mu)中一種基本的(de)、必備(bei)的(de)手段(duan)。

其中(zhong)，我們(men)先會把公司(si)業(ye)務(wu)(wu)項目分(fen)為(wei)三類：核(he)心任(ren)務(wu)(wu)，戰(zhan)略任(ren)務(wu)(wu)，風(feng)險任(ren)務(wu)(wu)。以谷歌(ge)為(wei)例(li)，谷歌(ge)的(de)核(he)心任(ren)務(wu)(wu)是搜索、SEM、廣告，這是已經被(bei)證(zheng)明的(de)商(shang)業(ye)模型，并已經持續從中(zhong)獲得很多(duo)利潤。谷歌(ge)的(de)戰(zhan)略性任(ren)務(wu)(wu)（在 2010 年左(zuo)右）是安卓(zhuo)平(ping)臺，為(wei)了避(bi)免(mian)蘋果或其他廠商(shang)占領(ling)，所(suo)以要(yao)花時間、花精力去做，但商(shang)業(ye)模式未必成(cheng)型。風(feng)險任(ren)務(wu)(wu)對于(yu)創(chuang)新來說(shuo)是十(shi)分(fen)重要(yao)的(de)，比(bi)如(ru)谷歌(ge)眼鏡、自(zi)動(dong)駕駛汽車(che)等等。

數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)(xi)項目對這三類任(ren)務的(de)(de)目標也不同，對核心任(ren)務來講，數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)(xi)是助(zhu)力（E），幫助(zhu)公司(si)更好(hao)的(de)(de)盈利(li)，提(ti)高盈利(li)效率； 對戰(zhan)略任(ren)務來說是優化（O），如何能(neng)夠(gou)輔助(zhu)戰(zhan)略型任(ren)務找到方向和盈利(li)點(dian)；對于風險任(ren)務，則是共同創(chuang)業（I），努力驗證創(chuang)新(xin)項目的(de)(de)重要(yao)性(xing) 。首席(xi)增長官需要(yao)對公司(si)業務及發(fa)展(zhan)趨(qu)勢有著清晰的(de)(de)認識，合理分(fen)(fen)配數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)(xi)資源、制定數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)(xi)目標方向。

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(mian)我(wo)們提到了(le)數(shu)據(ju)分(fen)析與商(shang)業(ye)(ye)結果之間關(guan)聯的(de)重要性(xing)，所有(you)商(shang)業(ye)(ye)數(shu)據(ju)分(fen)析都應該(gai)以業(ye)(ye)務場景為(wei)起始(shi)思考點，以業(ye)(ye)務決策作為(wei)終點。數(shu)據(ju)分(fen)析該(gai)先做(zuo)什么、后做(zuo)什么？基于此，我(wo)們提出了(le)商(shang)業(ye)(ye)數(shu)據(ju)分(fen)析流程的(de)五(wu)個基本步驟。

第一步，要先(xian)挖掘業務含義，理(li)解數據分析的背景(jing)、前提以及(ji)想要關(guan)聯的業務場景(jing)結(jie)果是什(shen)么(me)。

第(di)二步，需(xu)要制(zhi)定分析計(ji)劃(hua)，如(ru)何對場景拆分，如(ru)何推斷。

第三步，從分析計(ji)劃中拆(chai)分出(chu)需要的(de)數據(ju)，真正(zheng)落地分析本身。

第四步，從數據結果中，判斷提煉出商(shang)務洞察。

第(di)五步，根據數據結果洞察(cha)，最終產出(chu)商業(ye)決策。

舉個例子：

某國內(nei)互聯(lian)網(wang)金融理財類網(wang)站(zhan)，市場部在百度和(he) hao123 上都有(you)持續的(de)廣(guang)告投放，吸引網(wang)頁端流量。最近內(nei)部同(tong)事建議(yi)嘗試(shi)投放神馬移動搜索渠道獲取流量；另外也需要(yao)評估(gu)是(shi)否(fou)加入金山網(wang)絡聯(lian)盟進行深度廣(guang)告投放。

在這種多渠(qu)道的投放場景(jing)下(xia)，如何(he)進(jin)行(xing)深(shen)度(du)決策(ce)？ 我們按照(zhao)上面商(shang)業數據分析流程的五個基本(ben)步(bu)驟來拆解一(yi)下(xia)這個問題。

第一步：挖掘業務含義。

首先要了解市場部想優化(hua)(hua)什么，并以此為北極星(xing)指標去(qu)衡(heng)量。對于(yu)渠道效果評估，重要的是業務轉化(hua)(hua)：對 P2P 類(lei)網站來說，是否發起 “投資理財” 要遠重要于(yu) “訪問(wen)用戶數(shu)量” 。所以無論(lun)是神馬移動搜索還是金山(shan)渠道，重點在于(yu)如何(he)通過數(shu)據手段衡(heng)量轉化(hua)(hua)效果；也可以進一步根據轉化(hua)(hua)效果，優化(hua)(hua)不(bu)同渠道的運營(ying)策略。

第二步，制定分析計劃。

以 “投資理財” 為核(he)心(xin)轉(zhuan)化(hua)點，分(fen)配一(yi)定的(de)預算進行流量(liang)測試，觀(guan)察對比注冊數量(liang)及最終轉(zhuan)化(hua)的(de)效果。記下(xia)倆可以持(chi)續關注這些人重復購(gou)買理財產品的(de)次數，進一(yi)步判斷渠道質量(liang)。

第三步，拆分查詢數據。

既(ji)然分析計劃中需要(yao)比對渠道(dao)流(liu)量，那么我們需要(yao)各個渠道(dao)追蹤流(liu)量、落(luo)地(di)頁停(ting)留(liu)時間、落(luo)地(di)頁跳(tiao)出(chu)率、網站訪(fang)問(wen)深(shen)(shen)度(du)以及訂(ding)單等類型(xing)數據，進(jin)行深(shen)(shen)入的分析和落(luo)地(di)。

第四步，提煉業務洞察。

根(gen)據數據結(jie)果(guo)(guo)，比對神馬移動搜(sou)索(suo)和金山(shan)網(wang)絡聯盟投(tou)放后的(de)效果(guo)(guo)，根(gen)據流(liu)量和轉化兩(liang)個核心KPI，觀察結(jie)果(guo)(guo)并推(tui)測業務含(han)義。如果(guo)(guo)神馬移動搜(sou)索(suo)效果(guo)(guo)不好，可(ke)以思考是否(fou)產品適合(he)移動端的(de)客戶群體；或者仔細觀察落地頁表現(xian)是否(fou)有(you)可(ke)以優(you)化的(de)內容(rong)等，需找出業務洞察。

第五步，產出商業決策。

根據數據洞察，指引渠(qu)道的決策制定(ding)。比如停止神馬(ma)渠(qu)道的投放，繼續(xu)跟進(jin)金(jin)山網絡聯盟進(jin)行評估(gu)；或(huo)優化(hua)移動端落地頁，更(geng)改用戶運營策略等等。

以上(shang)這(zhe)些都是商務數據分(fen)析拆解和完成推論的基本步驟(zou)。在接下(xia)來的內(nei)容中，我們都會有(you)這(zhe)個(ge)分(fen)析思(si)路。

2.2 內外因素分解法

在數據分(fen)析的(de)過程中，會有(you)很多因素(su)影(ying)響到我們(men)的(de)北極星指(zhi)標，那(nei)么如何找到這些因素(su)呢(ni)？在此向大家推(tui)薦(jian)內外因素(su)分(fen)解(jie)法。內外因素(su)分(fen)解(jie)法是把問題(ti)拆成(cheng)四部分(fen)，包括內部因素(su)、外部因素(su)、可(ke)控和(he)不(bu)可(ke)控，然(ran)后再一步步解(jie)決每一個問題(ti)。

舉個例子：

某社交招聘類網站，分為(wei)求職(zhi)(zhi)者端和(he)企業(ye)(ye)端。其(qi)盈利模式一般是(shi)(shi)向企業(ye)(ye)端收(shou)費(fei)，其(qi)中(zhong)一個(ge)收(shou)費(fei)方式是(shi)(shi)購買(mai)職(zhi)(zhi)位(wei)的(de)廣告位(wei)。業(ye)(ye)務人員發(fa)現， “發(fa)布職(zhi)(zhi)位(wei)” 的(de)數量在過去的(de) 6 月中(zhong)有(you)緩(huan)慢(man)下(xia)降的(de)趨(qu)勢。對于這類某一數據指(zhi)標下(xia)降的(de)問題，可以怎(zen)么分析呢？

根據內外(wai)因素分(fen)解法，我們可以從四(si)個角度依次去分(fen)析(xi)可能的影響(xiang)因素。

內部可控因素：產品近(jin)期上線更新(xin)、市場投放渠道變化(hua)、產品粘性、新(xin)老(lao)用戶留(liu)存(cun)問(wen)題、核心目標的轉化(hua)。

外部可控因素：市場(chang)競爭(zheng)對手近期行為、用戶使用習(xi)慣的(de)(de)變化、招聘需(xu)求隨時(shi)間的(de)(de)變化。

內部(bu)不可控因素：產品策略（移動端/PC端）、公(gong)司(si)整體戰略、公(gong)司(si)客戶群(qun)定位(wei)（比如只做醫(yi)療行業招(zhao)聘）。

外(wai)部不可控因(yin)素(su)：互聯網招聘行(xing)業趨勢(shi)、整體經濟形勢(shi)、季節性(xing)變化(hua)。

有了(le)內外因素分(fen)解法(fa)，我們就可以較為全面地(di)分(fen)析數據(ju)指標(biao)，避免(mian)可能(neng)遺(yi)失的(de)影響因素并(bing)且對(dui)癥下藥(yao)。

2.3 DOSS 思路

DOSS 思(si)路是從一(yi)(yi)個(ge)(ge)具體(ti)問題拆分到整體(ti)影響，從單一(yi)(yi)的解(jie)決方案找到一(yi)(yi)個(ge)(ge)規(gui)模化解(jie)決方案的方式。首(shou)席增(zeng)長官(guan)需要快速(su)規(gui)模化有效(xiao)的增(zeng)長解(jie)決方案，DOSS 是一(yi)(yi)個(ge)(ge)有效(xiao)的途徑。

舉個例子：

 某在線教育平臺提供免費課(ke)程視頻，同時售(shou)賣付(fu)費會員(yuan)，為付(fu)費會員(yuan)提供更多高階(jie)課(ke)程內容。如果我想(xiang)將一(yi)套計算機(ji)技術的(de)付(fu)費課(ke)程，推送給(gei)一(yi)群(qun)持續在看 C++ 免費課(ke)程的(de)用戶，那么數據分析應該(gai)如何支持呢？

我們(men)按 DOSS 思(si)路的四個步驟，分解如(ru)下：

具體問題(ti)：預測是否(fou)有(you)可(ke)能幫助某一群組(zu)客戶購(gou)買(mai)課程。

整(zheng)體影響：首先根據(ju)這類人群的(de)免費課(ke)程的(de)使用情(qing)況進行數(shu)據(ju)分析(xi)、數(shu)據(ju)挖掘的(de)預(yu)測，之后進行延伸(shen)，比如對整(zheng)體的(de)影響，除了計算機類，對其他(ta)類型(xing)的(de)課(ke)程都(dou)進行關注。

單(dan)一回答：針對該(gai)群用戶(hu)進行建(jian)模，監控該(gai)模型對于(yu)最終(zhong)轉化(hua)的影(ying)響。

規(gui)模(mo)化(hua)(hua)方案(an)：之后推(tui)出規(gui)模(mo)化(hua)(hua)的解決方案(an)，對符合某種行為軌(gui)跡(ji)和特征的行為進行建模(mo)，產(chan)品(pin)化(hua)(hua)課程推(tui)薦模(mo)型。

三.數據分析的8種方法

上面介紹了3個(ge)經典(dian)分(fen)(fen)析(xi)思路(lu)，它們可(ke)以(yi)幫你(ni)搭建(jian)一個(ge)清晰(xi)的數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)思路(lu)框架。那(nei)么(me)對于具體的業務場景問(wen)題(ti)，我(wo)們又該怎(zen)么(me)辦呢？我(wo)們以(yi)一個(ge)電子商務網(wang)站為例，用數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)產品 GrowingIO 對該網(wang)站進行(xing)快速地數(shu)(shu)(shu)據(ju)采集、清晰(xi)和可(ke)視化展示，然后給大家分(fen)(fen)享這 8 種常(chang)見(jian)的數(shu)(shu)(shu)據(ju)分(fen)(fen)析(xi)方(fang)法(fa)。

3.1 數字和趨勢

看數(shu)(shu)字(zi)、看趨(qu)勢是最基礎(chu)展示數(shu)(shu)據信息的方式。在數(shu)(shu)據分(fen)析中，我們可以通過直觀的數(shu)(shu)字(zi)或趨(qu)勢圖(tu)表，迅速了(le)解例如市場的走勢、訂單的數(shu)(shu)量、業績完成的情況等等，從(cong)而直觀的吸收數(shu)(shu)據信息，有助于決(jue)策的準確性和實時性。

對于(yu)(yu)電(dian)子商務(wu)網站，流量(liang)是非常重要(yao)的指標。上(shang)圖中(zhong)，我(wo)們(men)將(jiang)網站的訪(fang)問用戶(hu)量(liang)（UV）和頁(ye)面瀏覽量(liang)（PV）等(deng)指標匯匯聚到統一的數據看板（Dashboard），并且實時更新。這樣的一個數據看板，核心數字(zi)和趨勢一目了(le)然，對于(yu)(yu)首(shou)席(xi)增長官來說(shuo)一目了(le)然。

3.2 維度分解

當(dang)單一的數(shu)字或趨勢過于宏觀時(shi)，我們(men)需要通過不同的維(wei)度對于數(shu)據進行分解，以(yi)獲取更加精細的數(shu)據洞察(cha)。在(zai)選擇維(wei)度時(shi)，需要仔細思考其對于分析結(jie)果(guo)的影響。

舉個(ge)例子，當(dang)(dang)監測到網站流(liu)量異常時，可以通過拆分(fen)地區、訪問(wen)(wen)(wen)來源(yuan)、設備、瀏覽器等(deng)等(deng)維度，發(fa)現(xian)問(wen)(wen)(wen)題所在。圖 7 中，當(dang)(dang)天網站的訪問(wen)(wen)(wen)用戶量顯著(zhu)高于上周(zhou)，這是什么(me)原因呢？當(dang)(dang)我們(men)按照訪問(wen)(wen)(wen)來源(yuan)對(dui)流(liu)量進(jin)行(xing)維度拆分(fen)時（圖 9 ），不(bu)難(nan)發(fa)現(xian)直接訪問(wen)(wen)(wen)來源(yuan)的訪問(wen)(wen)(wen)量有(you)非常大(da)的提升，這樣就進(jin)一(yi)步把(ba)問(wen)(wen)(wen)題聚焦了。

3.3 用戶分群

針對符合(he)某種特(te)(te)定(ding)行(xing)為(wei)或背景(jing)信息的(de)(de)(de)(de)用(yong)(yong)(yong)戶(hu)，進行(xing)歸(gui)類(lei)處理，是我(wo)們(men)常常講到的(de)(de)(de)(de)用(yong)(yong)(yong)戶(hu)分(fen)群(qun)(qun)（segmentation ）的(de)(de)(de)(de)手段。我(wo)們(men)也可以(yi)通過(guo)提煉某一(yi)群(qun)(qun)用(yong)(yong)(yong)戶(hu)的(de)(de)(de)(de)特(te)(te)定(ding)信息，創(chuang)建(jian)該群(qun)(qun)體(ti)用(yong)(yong)(yong)戶(hu)的(de)(de)(de)(de)畫像。 例如訪問購(gou)物網(wang)站、寄送(song)地址在北京(jing)的(de)(de)(de)(de)用(yong)(yong)(yong)戶(hu)，可以(yi)被歸(gui)類(lei)為(wei)“北京(jing)”用(yong)(yong)(yong)戶(hu)群(qun)(qun)體(ti)。而針對“北京(jing)”用(yong)(yong)(yong)戶(hu)群(qun)(qun)體(ti)，我(wo)們(men)可以(yi)進一(yi)步觀(guan)察(cha)他們(men)購(gou)買產品的(de)(de)(de)(de)頻度、類(lei)別、時間，這樣(yang)我(wo)們(men)就創(chuang)建(jian)出該用(yong)(yong)(yong)戶(hu)群(qun)(qun)體(ti)的(de)(de)(de)(de)畫像。

在數據(ju)分(fen)析中，我(wo)們(men)往(wang)往(wang)針對(dui)特定(ding)行為、特定(ding)背景的(de)(de)(de)(de)用戶(hu)進(jin)行有針對(dui)性的(de)(de)(de)(de)用戶(hu)運營(ying)和(he)產品(pin)優化(hua)，效果會更加明顯。上圖中，我(wo)們(men)通過 GrowingIO 的(de)(de)(de)(de)用戶(hu)分(fen)群功(gong)能(neng)將(jiang)一(yi)次促銷活(huo)動中支付失敗的(de)(de)(de)(de)用戶(hu)挑選出來，然后(hou)推(tui)送相(xiang)應的(de)(de)(de)(de)優惠券。這樣精準的(de)(de)(de)(de)營(ying)銷推(tui)廣(guang)，可(ke)以大(da)幅度(du)提高用戶(hu)支付的(de)(de)(de)(de)意愿和(he)銷售金額。

3.4 轉化漏斗

絕(jue)大(da)部(bu)分(fen)商(shang)(shang)業(ye)變現的(de)流程，都可以歸(gui)納為漏斗。漏斗分(fen)析(xi)(xi)(xi)是我們(men)最(zui)常見的(de)數(shu)據(ju)分(fen)析(xi)(xi)(xi)手段之一(yi)，無(wu)論是注冊轉(zhuan)化漏斗，還是電(dian)商(shang)(shang)下(xia)單的(de)漏斗。通(tong)過漏斗分(fen)析(xi)(xi)(xi)可以從先到后還原(yuan)用戶轉(zhuan)化的(de)路徑，分(fen)析(xi)(xi)(xi)每一(yi)個(ge)轉(zhuan)化節點的(de)效(xiao)率(lv)。

其中，我們往(wang)往(wang)關(guan)注(zhu)三個要點(dian)：

第一，從開始到結尾，整體的轉化效率(lv)是多少？

第二，每(mei)一步(bu)的(de)轉化率是(shi)多(duo)少？

第三(san)，哪一(yi)步(bu)流失最多，原因在什么地方(fang)？流失的用戶符(fu)合哪些特征(zheng)？

上圖(tu)中(zhong)注(zhu)(zhu)冊流程分(fen)為 3 個步驟，總體轉化(hua)率(lv)為45.5%；也就是(shi)(shi)說有 1000 個用戶來到注(zhu)(zhu)冊頁(ye)面，其(qi)中(zhong) 455 個成(cheng)功完成(cheng)了注(zhu)(zhu)冊。但是(shi)(shi)我們不(bu)難發(fa)現第(di)(di)二步的(de)轉化(hua)率(lv)是(shi)(shi) 56.8% ，顯(xian)著(zhu)低于(yu)第(di)(di)一步 89.3% 和(he)第(di)(di)三步轉化(hua)率(lv) 89.7%，可以推測第(di)(di)二步注(zhu)(zhu)冊流程存在問題。顯(xian)而(er)易見第(di)(di)二步的(de)提升空間是(shi)(shi)最大的(de)，投入(ru)回報比肯定(ding)不(bu)低；如果要提高注(zhu)(zhu)冊轉化(hua)率(lv)，我們應該優先解決第(di)(di)二步。

3.5 行為軌跡

關(guan)注行為(wei)軌跡，是為(wei)了(le)真實(shi)了(le)解用戶(hu)行為(wei)。數據指標本身(shen)往(wang)往(wang)只(zhi)是真實(shi)情況的抽(chou)象，例(li)如，網站分析如果只(zhi)看訪問用戶(hu)量（UV）和(he)頁面訪問量（PV）這類指標，斷然是無法全面理解用戶(hu)如何使(shi)用你的產(chan)品(pin)。

通(tong)過大(da)數(shu)據(ju)手(shou)段，還原(yuan)用(yong)戶(hu)的行為軌跡，有(you)助(zhu)于增長團隊關注用(yong)戶(hu)的實(shi)際體驗、發現具體問題，根(gen)據(ju)用(yong)戶(hu)使用(yong)習慣設計產品、投放內容(rong)。

上圖中(zhong)展示了(le)一位用(yong)戶在某電商網(wang)(wang)站上的(de)詳細行(xing)為軌跡，從官(guan)網(wang)(wang)到(dao)(dao)(dao)落地頁，再到(dao)(dao)(dao)商品(pin)(pin)詳情頁，最后又(you)回(hui)到(dao)(dao)(dao)官(guan)網(wang)(wang)首頁。網(wang)(wang)站購買轉化率低(di)，以往的(de)業務數據無法告訴你具體的(de)原因(yin)；通(tong)過分析上面的(de)用(yong)戶行(xing)為軌跡，可以發現一些產品(pin)(pin)和運(yun)營的(de)問(wen)題(ti)（比如是(shi)不是(shi)商品(pin)(pin)不匹配等(deng)(deng)等(deng)(deng)），從而(er)為決策提供依據。

3.6 留存分析

在人口(kou)紅利逐漸消褪的(de)時代(dai)，留住一(yi)(yi)個老用(yong)戶的(de)成本要遠遠低于獲取一(yi)(yi)個新(xin)用(yong)戶。每(mei)一(yi)(yi)款(kuan)產品，每(mei)一(yi)(yi)項服(fu)務(wu)，都應該核心關注用(yong)戶的(de)留存(cun)，確(que)保做(zuo)實每(mei)一(yi)(yi)個客戶。我們可以通過數據(ju)分析理解留存(cun)情況，也可以通過分析用(yong)戶行為或行為組與回訪(fang)之間的(de)關聯，找到提升(sheng)留存(cun)的(de)方法。

在 LinkedIn，增長(chang)團隊通過(guo)數(shu)據(ju)發(fa)現，如果(guo)新(xin)用(yong)戶(hu)進來后添(tian)加 5 個以上的聯(lian)(lian)系人（上圖紅(hong)色線條(tiao)），那(nei)(nei)么他/她在 LinkedIn 上留(liu)存(cun)要(yao)遠遠高于(yu)那(nei)(nei)些沒有添(tian)加聯(lian)(lian)系人（上圖綠色和紫色的線條(tiao)）的留(liu)存(cun)。 這樣，添(tian)加聯(lian)(lian)系人稱為 LinkedIn 留(liu)存(cun)新(xin)用(yong)戶(hu)的最核(he)心手段(duan)之一(yi)。

除了(le)需要關注(zhu)整體用戶(hu)的留(liu)存(cun)情(qing)況之外，市場團(tuan)(tuan)隊可以關注(zhu)各(ge)個渠道獲(huo)取用戶(hu)的留(liu)存(cun)度，或各(ge)類內容吸引來的注(zhu)冊用戶(hu)回(hui)訪(fang)率，產品團(tuan)(tuan)隊關注(zhu)每一(yi)個新功能對(dui)于用戶(hu)的回(hui)訪(fang)的影響(xiang)等等，這些(xie)都是(shi)常(chang)見的留(liu)存(cun)分(fen)析場景。

3.7  A/B 測試

A/B 測(ce)試用來對比(bi)不同(tong)產品(pin)設計(ji)/算法對結果的影(ying)響(xiang)。產品(pin)在上線過(guo)程中經常會使用 A/B 測(ce)試來測(ce)試不同(tong)產品(pin)或(huo)者功能(neng)設計(ji)的效果，市場和運營可以(yi)通過(guo) A/B 測(ce)試來完成不同(tong)渠道(dao)、內(nei)容、廣告(gao)創(chuang)意的效果評(ping)估。

舉個(ge)例子，我(wo)們設計了兩(liang)種(zhong)不(bu)同(tong)的產品交互形(xing)式，通過比較實驗組(zu)(zu)（A 組(zu)(zu)）和對照組(zu)(zu)（B 組(zu)(zu)）的訪問時長和頁(ye)面瀏覽量兩(liang)個(ge)衡量指標(biao)，來(lai)評(ping)估哪一種(zhong)交互形(xing)式更佳。

要進(jin)行 A/B 測試(shi)(shi)(shi)有兩個必備因(yin)素：第一，有足夠的(de)(de)時(shi)(shi)間進(jin)行測試(shi)(shi)(shi)；第二，數(shu)據(ju)(ju)量和數(shu)據(ju)(ju)密度較(jiao)高。因(yin)為當產品流(liu)量不夠大(da)的(de)(de)時(shi)(shi)候，做(zuo) A/B 測試(shi)(shi)(shi)得到統(tong)計結(jie)果(guo)(guo)是很難的(de)(de)。而(er)像 LinkedIn 這樣大(da)體量的(de)(de)公(gong)司，每(mei)天(tian)可以(yi)同時(shi)(shi)進(jin)行上(shang)千(qian)個 A/B 測試(shi)(shi)(shi)。所以(yi) A/B 測試(shi)(shi)(shi)往往在公(gong)司數(shu)據(ju)(ju)規(gui)模較(jiao)大(da)時(shi)(shi)使用會更(geng)加精準，更(geng)快得到統(tong)計的(de)(de)結(jie)果(guo)(guo)。

8.數學建模

當一個商(shang)業目(mu)標與多種(zhong)行(xing)為、畫像等信(xin)息有關聯性時，我們通常(chang)會使用數(shu)學(xue)建模(mo)、數(shu)據挖(wa)掘的手段進行(xing)建模(mo)，預測該商(shang)業結果的產生。

作為一(yi)家(jia) SaaS 企業，當我(wo)們需要預測判斷客戶(hu)(hu)的(de)流(liu)失時，可以通(tong)過(guo)用(yong)(yong)(yong)戶(hu)(hu)的(de)行為數據(ju)、公司信息(xi)、用(yong)(yong)(yong)戶(hu)(hu)畫像等(deng)數據(ju)建(jian)立流(liu)失模型。利用(yong)(yong)(yong)統計學的(de)方(fang)式進行一(yi)些組合和權重計算，從而得知用(yong)(yong)(yong)戶(hu)(hu)滿足哪些行為之后流(liu)失的(de)可能性會(hui)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。