数据分析三板斧：趋势、对比、细分

前两天有个小伙伴问我关于数据分析相关的东西，说来惭愧，自己也不是特别擅长这块，只能说会些简单的应用。

先总结下现在了解的一些东西，等以后有更深的感悟之后再继续更新吧。

如题，本文主要是数据分析相关的一些东西，三板斧指的是趋势、对比、细分。

一、看趋势

顾名思义就是追踪数据的趋势变化，找到一些增长或者下降的拐点，然后去分析对应的原因，适用于一些指标的长期追踪或者衡量一些关键动作有无效果。

比如产品的核心指标是GMV，那肯定就需要定期关注增长的趋势是否正常、是否符合预期，在追踪的时候，自然而然就需要对比着来分析。

二、看对比

光看趋势不一定靠谱，因为某些指标是一直增长的，比如注册用户数，这个数据肯定是一直在增加，除非没有新用户进来了。

另外没有对比就没有伤害，比如你的增长速率是每年50%，觉得已经很不错了，也许你的竞争对手正在以每年500%的速率进行增长。

所以，通常情况下，数据会对比着来看，一方面是纵向比较，即自身和自身进行对比，另一方面是横向比较，即自身和别人进行对比。

纵向对比通常包括环比、同比：

• 环比就是本期统计数据与上期比较，比如拿2018年9月份的数据和2018年8月份的数据进行对比。
• 同比指的是本期统计数据和上一周期的同期数据进行比较，比如拿2018年9月份的数据和2017年9月份的数据进行对比。

通常情况下，我们在进行数据分析的时候大都会用本周的数据和上周的进行对比，或者用本月的数据和上个月的进行对比，然后控制不同的变量进行分析。

这里面需要关注一些周期性的波动，比如某些产品会有明显的周末效应；以我们的产品为例，DAU基本上是周一最低、周二周三持续低迷、周四小幅回血、周五下降、周六周日达到巅峰，然后持续循环。

之前有个其他部门的同事问我做了什么，为什么昨天的数据涨的很厉害；我翻了下，发现是周四，就告诉他和上周同期的数据对比下，然后把这个周期拉长一些，以周为单位再看下。

按照经验来看，大多数APP在小长假期间数据都会下跌，特别是春节这种节日，下降的会非常厉害。

遇到这种情况先不要方，先看看有没有新发版本，确认下埋点是否有异常，再看看是否处在节日影响范围内，和其它同周期的数据对比看下，之后再找找其他原因。

横向对比通常包括行业竞品、全站数据、测试AB组等。

和竞品对比，主要是为了了解我们目前做的怎么样，业界的领先水平是怎样的，虽然这部分数据很难获得。

全站数据通常指的是大盘数据，有可能你负责某个功能模块的时候发现数据涨了，最后绞尽脑汁也没分析出来原因；然后回头一看，哦，原来是整体的数据涨了，顺带着躺赢了一把。

测试AB组指的就是实验组和对照组了，控制不同的变量对比分析不同的结果。

三、看细分

通常情况下用的最多的就是数据细分，不仅能够追溯到问题发生的原因，还能为后续的一些动作提供参考依据。

本部分主要分为维度和度量、拆数据、拆用户和拆因子这几部分；维度和度量主要是概念说明，后面几部分则是具体如何看细分数据。

1. 维度和度量

很多时候数据分析都是通过不同的维度和度量进行交叉对比分析，找到一些可能的原因，然后再去验证猜想。

• 维度：指的就是分析数据的角度，比如城市、时间、浏览器、新老用户、操作系统、终端等。
• 度量：指的就是具体的数据值，比如UV、PV、转化率、跳出率等。

通常情况下，单独的数据值只能传递整体的概况，细分查看需要结合着维度。

比如整体DAU可能是在逐渐上升的，同时老用户的留存可能却是在下降的，如果我们只是看度量的话，有可能就被蒙蔽掉。

通常情况度量需要结合着具体业务来看，比如以一款内容型产品为例，用户最核心的路径是浏览内容——产生互动行为。

那需要关注的度量就是人均浏览时长、人均浏览条数、使用频次、点赞、评论、转发等互动行为。

在此基础上，再结合着新老用户、男女用户、年龄分布、地域分布、终端分布、行为差异等维度再来进行更细致的分析。

2. 拆数据

这部分就是基于数据本身来做一些拆解，可以分为单指标和多指标两种形式。

单指标主要是衡量功能本身的表现情况，比如说：

• 功能本身的深度：使用频次、使用时长、分布情况等；
• 功能本身的广度：使用人数、DAU%等；
• 功能本身的留存度：留存率；
• 功能本身的转化率：各环节转化率。

多指标主要是对其它关联指标的贡献，比如对目标值的贡献度，如留存率，转化率、相关性等；比如新用户阅读了X篇文章，留存下来的可能性会增加多少。

3. 拆用户

主要是针对用户本身进行分群，再结合着数据指标进行交叉对比，通常情况下可以按照用户的静态属性和动态属性进行拆分。

静态属性主要指新老用户、版本、终端、地域、操作系统、渠道等。

动态属性主要指用户的行为，比如按照用户的点击次数，用户购买商品的客单价，或者某个行为路径的操作步骤来进行分群。

结合着分析的目标，把数据和用户拆分之后，应该就能得到一些思路了，然后再继续分解和交叉对比，直到找到一些结论。

4. 拆因子

这部分主要指的是一种思考方式，尽量先把目标值抽象成一个具体的公式，然后再按照因子去拆解。

比如上司来找你说我们这段时间DAU下降了，你去分析分析是什么原因造成的。

那首先我们可以考虑一下DAU相关的部分都有什么，可以用这样一个公式来进行概括：

DAU=新增用户数+活跃用户数+回流用户数

先排除一下数据异常、周期性波动，再结合着这个公式来看下各因子的细分情况。

首先看下各部分的构成变化，是新用户下降，还是活跃用户下降，还是回流用户下降。

如果是新用户数下降，那就去看看最近一段时间新增的用户数有没有变化，是数量下降，还是质量下降；按照渠道和日期来拆解每天的新增数量，然后再拆解各渠道的留存率看看。

如果是活跃用户数下降，就按照新老用户的留存率对比分析看下，是新用户留下来的少了，还是老用户留下来的少了；前者就在新用户激活的路径上找找原因，后者就在最近新上的功能上找找原因。

如果是回流用户数下降，按照回流的渠道拆解一下，看推送、短信召回、活动召回等形式带回来的用户数有没有变化，然后再结合着具体的变化继续找对应的原因。

最后结合着分析出来的原因，产出初步的结论，后续做一些对应的动作进行干预，观察对应的数据指标变化。

四、最后

经过上面的层层细分和交叉分析，一种可能性是你找到了潜在可能的问题，然后去证实或者证伪了你的猜想，另一种可能性是怎么着也找不到原因。

这时候一般有三种解决方案：

• 一种是看能不能找找原始日志信息，翻翻用户的行为记录，看看用户到底在干什么，究竟卡在哪里了。
• 另一种是直接把这些用户拉出来，找找对应的联系方式，直接和用户沟通，做做用研。
• 最后一种是实在没辙了，通常情况下会归因于数据异常、自然增长、常规波动等。

以上，就是本文的主要内容，愿你有所收获，欢迎斧正、指点、拍砖。

#作者#

王家郴 ，公众号：产品经理从0到1，喜欢网球和骑行的产品汪，目前奔走在产品的道路上，漫漫产品路，与君共勉。

本文

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！