运营必备的数据分析入门知识：5种分析类型+2类分析方法.docx

运营必备的数据分析入门知识：5种分析 类型+2类分析方法
我们详细介绍了埋点方案的设计流程、三大组成等，带着大家落 地如何拉通各个部门，形成一套让非技术人员看得懂、且达成认 知一致的；让技术人员看得明、埋得准、实施快的埋点方案。
埋点方案实施完毕后，数据便可以通过易观方舟自定义可视化呈 现。接下来，我们就可以进入到“理数——收数——看数——用 数”数据运营闭环的“看数”环节。
这个环节最重要的就是数据分析，其实质就是通过数理思维来推 导、指导我们的运营工作。数字化时代，数据分析思维和数据洞 察能力将成为运营的核心竞争力之一。
1
First Point
数据分析的5种类型
比照分析是将两个或两个以上的数据进行比拟，分析差异并揭示 数据所代表事情的开展变化情况以及规律。其特点是可以非常直 观地看出事情某方面的变化或差距，并且可以准确、量化地表示 出这种变化或差距是多少，主要是为了给孤立的数据参考系。
GMV比照图
8000
6000
2020年
4000
2019 年
2018 年
2000

12/01
12/02
12/03
12AM
12/05
12/06
12/07
12/08
12/09

例如，同样以品牌零售企业的GMV为例，通过比照不同年份的 GMV变化趋势，我们可以很直观地看到这家企业的年度增长情 况，判断是否值得投资。
2.2数据分析的双股剑
溯源分析
追溯到事情的源头去分析，是防止运营做过多无用分析的方法。
举个例子，当一批用户到来我们的产品内，购买转化率比拟低。 通常情况下我们去分析，可能会围绕产品流畅度的问题、运营活 动力度的问题，或者商品吸引力的问题。但很有可能从源头分析, 这批用户就并非我们的目标用户，而是虚假流量。
归因分析
通过一种或者一组规那么，将销售功劳或者转化功劳等分 配给转化路径中的各接触点，即为归因分析。
本质上归因分析都是为了衡量和评估用户触点对总体转 化目标达成所作出的贡献，评价的核心指标为转化贡献 度。但具体如何衡量和评估，就需要我们用到归因分析 模型。
常见的归因模型主要有5种，分别为首次触点归因模型、 末次触点归因模型、线性归因模型、位置归因模型和时 间衰减归因模型。
作为运营，数据分析有时候是为了探究发生了什么、有时候是为 了找到某件事情发生的原因，还有时候是为了预测分析可能会发 生某件事情……
在正式进行数据分析之前，我们需要弄清楚数据分析的5种类 型。这里总结了5种数据分析的类型，从描述性分析到规范性分 析，数据分析的复杂性和工作量随之增加，且越往后越依赖机器。
描述性分析一一发生了什么
描述性分析是任何数据分析过程的起点，旨在回答发生了什么的 问题，是我们通过对各种来源的原始数据进行整理，再将其转化 为对业务有价值的洞察。
通过易观方舟可视化看板，我们可以将采集的数据自定义可视化
成线图、柱状图、气泡图等，很直观地看到发生了什么。

电商
E-co
店铺运营数据看板
今日新增订单■
今日支付订单量
今日订
事件分析
Session 分析
实时分析
88存分析
皆雄路径
热图分析
嫩道分析
分布分析
间隔分析
属性分析
自定义查询
s is?
人中心
2,364
a 36 72%
2,186
• 28 26、
购物车转化漏斗
各道GI
GMV （成交总额）走势
12/05
8000
6000
0
12/01
12/03
12/04
12/05
12/06
12/07
12/06
易观方舟数据看板例如
探索性分析一一探索数据之间的关系

顾名思义，探索性分析的主要目的是探索，其最典型的应用领域 就是数据挖掘。通过探索性分析，能够帮助我们发现原本不相关 事物之间的数据变量联系。
数据挖掘领域有一个典型的案例：沃尔玛通过数据挖掘，发现纸 尿裤与啤酒的销量数据呈相关关系。于是，调整了超市货架的摆 放位置，将纸尿裤与啤酒放在相近的位置，没想到双双增加了这 两种完全不同品类的销量。
诊断性分析一一为什么会发生
诊断性分析是最常见的数据分析类型。运营人员通过诊断性分析 能探究某件事情发生的原因，引发这件事情的前置事件是什么， 这件事情发生后又会引发什么后置事件。
例如，某天客户 投诉突然减少：为什么会发生这种情况？通 过数据分析发现，可能是因为雇佣了新客服、或者产品的某个界 面添加了投诉功能等。
如果能知道某件事情发生的原因以及是如何发生的，我们将能很 快确定解决问题以及面临挑战的具体可落地方法。
预测性分析一一会发生什么
预测性分析通过分析的数据假设未来，回答将来会发生什么 的问题。预测性分析不仅会用到前文所提到的3种数据分析类 型，还需要用到机器学习（ML）和人工智能（AI）等前沿的数 据科学技术。
例如，根据某零售店过去5年的销售数据，我们能预测该零售店 下个月、下个季度的总销售额，以及某个单品的销量。
通过预测性分析，不仅可以了解事情的开展趋势、模式以及某件 事情发生的原因；还可以根据某件事情在特定领域的开展现状， 做出明智的预测。易观方舟内置用户流失预警、商品销量预测 等预测模型，大幅提升运营竞争力。
规范性分析一一要采取什么行动
规范性分析是最高级的数据分析类型，通过以上所有数据分析， 并结合数据模型，回答要采取什么行动的问题。规范性分析会分 析多个场景，预测每个场景的结果，并根据结果决定哪个是最正确 行动方案。
人工智能（AD是处于数据分析前沿的规范性分析的例子。人工 智能（AI）建立在大数据的基础之上，通过摄取和分解大量的数 据，自学如何使用数据信息并做出明智的决策。
我们在进行数据分析时，大多是进行描述型分析、探索型分析和 诊断型分析，预测性分析和规范性分析大多交由机器去学习和解 决。
2
Second Point
数据分析的方法：三板斧+双股剑
回到数据分析的实际应用中，不管是产品迭代优化分析，还是运 营活动分析等，似乎总会涉及到很多数据分析的方法。
但万变不离其宗，最终总结下来其实都是这5种方法或者他们的 交叉组合。如下列图所示，易观数科将其总结为数据分析的三板斧 和双股剑。

趋势分析
细分分析
三板斧
溯源分析

双股剑
2.1数据分析的三板斧
趋势分析
趋势分析可以说是最基础且最常用的数据分析方法。通过对有关 指标的各期对基期的变化趋势的分析，分析该指标的趋势变化， 从中直观地发现问题，让运营决策更准确和更实时。
GMV （成交总额）走势

8000
0 12/01 12/02
12/03
12/05
12/04
12/06
12/07 12/08
12/09

例如，对于品牌零售行业，GMV是最核心的指标，我们就可以 根据日、周、月等时间维度描绘GMV的趋势图，这样便可以很 直观的看到按照不同时间维度GMV的变化。
细分分析
当趋势分析过于宏观，细分分析那么是精细化运营的必备，通过按 照不同的维度一步步地对数据进行拆分，不断接近问题发生的起 源，让运营获取更加精细的数据洞察。
8000
GMV细分图
6000

例如，某品牌零售企业的GMV某天有明显的下降，那么我们就 可以根据全国各省级行政区的维度，细分湖南省、广东省、北京 市、云南省等34个省级行政区，查看具体是哪个省级行政区的 GMV有所下降。定位到具体的省级行政区后，还可以继续往市 级、区级层层细分。
比照分析