01

找趨勢

數據分析中的看趨勢一般适用于對産品核心指标的長期追蹤，例如，點擊率、活躍用戶數、在線時長等。

比如一個企業利潤增長10%，單單憑借這一個數據，我們很難判斷該企業的經營狀況，如果該企業的同行業企業增長速度普遍為5%，則說明該企業增長速度很快，而如果其他企業增長速度普遍為20%，那麼說明該企業的增長速度很慢。

想要讓數據趨勢變得有意義，就必須給孤立的數據一個合理的參考值，也就是要引進對比的數據。
首先跟大家聊一聊趨勢分析中的一些基本概念：環比、同比、定基比。
1.環比
環比用來表示連續兩個統計周期的量的變化比。一般所說的環比增長，即環比增長率。
計算公式為：環比增長率=（本期統計數據-上期統計數據）/上期周期數據×100%
反映本期比上期增長了多少。

比如：2020年3月份某網站的月活躍用戶數達到2000萬，2月份的月活躍用戶數是1800萬，相比2月份，3月份月活躍用戶數的環比增長率=（2000-1800）/1800×100%=11.11%。

2.同比
同比分析的主要目的是降低季節變動帶來的影響，用以對比今年發展情況與上一年同期發展情況。
在實際工作中，經常使用某年、某季、某月與上一年同期的數據進行對比計算。
計算公式為：同比增長率=（本期統計數據-上一年同期統計數據）÷上一年同期統計數據×100%。

例如，某企業2019年3月的産值為100萬元，2020年3月的産值為300萬元，同比增長率為：（300-100）÷100×100%=200%。

雖然同比和環比反映的都是數據的變化速度，但由于二者對比的時間不同，反映的結果也是完全不同的。
一般來說，環比能夠與環比相比較，但不能與同比相比較。但在一些特殊的情況下，比如要考慮時間縱向發展趨勢，偶爾也需要将環比與同比放在一起進行比較。
3.定基比
定基比=（報告期水平÷某一固定時期水平）×100%
它是報告期水平與某一固定時期水平之比，體現的便是企業某段時間内的總發展速度。
以上三種對比分析雖然各有不同，但都能互相結合，為數據的趨勢分析提供必要的支持。

以網站數據為例：
如果隻是看一個絕對值數據是遠遠不夠的，公司的決策層、産品方或者運營方往往需要查看一個月、一個季度的表現，觀察這些指标的變化趨勢，同時與上個月、去年同期、某個基點值進行對比，進而明确這些數據背後的業績表現。所以，同比、環比、定基比便成為了數據趨勢分析中的關鍵方法。
比如網站3月份的日均自然搜索流量與2月份的日均自然搜索流量進行對比。
通過兩期數據的對比，能夠很直觀地看到數據的增長或下降情況。而計算出相應的“環比增長率”則能夠快速明确兩期數據的變化幅度。
2020年3月份網站的日均自然搜索流量與2019年3月份的日均自然搜索流量進行對比。環比數據是為了減少季節或行業周期對數據産生的影響，對于淡旺季明顯的行業非常适用。
再比如将2019年全年的日均自然搜索流量作為一個基點，2020年每個月的日均自然搜索流量與這個值進行對比，便可以明确超越了2019年平均水平多少。

02

看分布

統計學中數據分布一般從三個方面進行描述：

• 分布的集中趨勢，體現各數據聚集的程度；

• 分布的離散程度，體現各數據遠離中心值的程度；

• 分布的形狀，體現數據分布的偏态和峰态。

我們拿到數據之後，首先要對數據要有個基本了解，可以從集中趨勢，離散程度及分布形狀出發，來了解自己的數據。

分析數據之後，對數據有初步了解，通過數據分布可以展現出用戶對産品的依賴程度。
1）找到用戶分布規律
對同一指标下有關數據的統計和分析，挖掘用戶使用産品的規律，進一步修正和制定産品策略。
（2）增加客戶回訪率
分布分析從多角度分析幫助公司判斷用戶對産品的依賴程度。
（3）快速識别核心用戶群體
核心用戶群體是對公司貢獻最大的用戶群體，是公司最大的利潤來源。分布分析通過不同的維度篩選出核心用戶群體，做好資源配置，以最小的成本實現公司利潤最大化。

03

做細化

數據的細緻化劃分是數據分析技巧的核心思想之一，它能夠幫助企業實現客戶流量的幾何級增長、運營能力的翻倍提升、服務能力的顯著提升等。
在數據分析的過程中，如果想要得到一些較為精确的結論，我們需要将其進一步細化，因為在一些複雜數據的分析過程中，我們可能會忽略一些關鍵的數據細節。這裡的細化一定要進行多維度的拆分。
常見的拆分方法包括以下幾種。
分時：對不同時間段的數據進行觀察，查看數據是否産生變化。例如，通過某餐飲店上午的營業數據與下午的營業數據的對比，可以分析不同時間段的客流量變化。
分渠道：對不同渠道的産品與用戶進行觀察，查看數據是否産生變化。例如，網站通過對點擊網頁直接進入的用戶與通過鍊接轉入的用戶進行分析，得出不同渠道用戶的轉化率。
分用戶：對新老用戶進行觀察，分析二者是否有差異。例如分析新注冊用戶與老用戶的消費水平是否有差異，VIP和普通用戶的滿意度是否有差異等。
分地區：對不同地區的數據進行觀察，看看數據是否有變化。例如，通過對河南與山東用戶的分析，得出不同地區的消費習慣是否有差異等。
組成拆分：對數據的構成進行觀察，查看數據之間是否能夠繼續拆分。例如在搜索引擎上的搜索詞組，可以拆分出不同的關鍵詞。

接下來，我們以用戶流量細化為例，來看看到底如何利用數據的細緻化分析呢?

1.用戶流量概覽
在對流量數據進行分析前，我們需要通過多種指标判斷基本的用戶流量情況，例如，用戶訪問量、點擊量等。此外我們還需要關注用戶的平均訪問時長、平均浏覽頁數、平均關閉率等。
這幾個指标的基礎組合能夠幫助我們了解用戶的轉化率。這裡面還需要注意區分新老用戶，例如新用戶與老用戶的比例、新用戶與老用戶各自的停留時長等，這些都可以作為用戶流量的判斷依據，也可以用于判斷流量的基本質量。
2、用戶流量分析
在簡單了解用戶流量概況之後，我們還需要進一步對用戶流量進行細分，研究用戶流量增長方面所遇到的問題，并以此制訂下一步的策略。一般來說，用戶流量分析有兩種方式。
（1）按訪問來源分析按訪問來源進行分析，用戶流量可以分為直接訪問、外鍊訪問、搜索引擎訪問、社交媒體訪問等類别。而這些訪問類别又存在多種形式與多種渠道。
（2）按流量入口分析在對用戶流量的分析中，我們主要關注的重點是流量的來源，這也就導緻了我們很容易忽視流量的入口方面。對于一般的網站來說，流量的入口指客戶點擊之後直接進入的頁面，也就是所謂的落地頁。通過分析落地頁可以明确客戶到達網站的第一個網頁，避免出現大部分流量被導入無效頁面的情況。
3.流量轉化分析
我們假如有100人通過搜索該商品，那麼可能隻有60人選擇查看商品詳情，之後會有40人選擇加入購物車，而最後隻有20人成功支付。

依據這樣一個漏鬥圖，我們能夠明确每個過程中客戶流量的損失情況。當然不同渠道的轉化率是有所不同的。
4.渠道的優化配置
接下來，我們可以對不同渠道的轉化率進行優化配置。
例如，某網站的直接訪問量一天隻有2000人，但轉化率為15%，而通過百度搜索引擎點擊進入的轉化率僅為5%，但客戶流量達到10000人，這個時候我們可以适當提高百度搜索引擎的廣告投入，提高百度搜索引擎的轉化率。
通過對流量渠道轉化率的分析，我們能夠判斷客戶的行為是否存在差異，并由此推斷客戶的特征，進行一些差異化的優化。
數據的細化是數據分析中一個十分重要的手段，多問一些為什麼，才能更準确地得出結論，而一步一步細化，便是不斷問為什麼的過程。

以上就是我們在日常做數據分析時的三個技巧，數據分析不能為了分析數據而分析，需要帶着問題去做數據分析、關注數據分析背後的利益和資源分配，以及數據呈現出來的背後的這個真實的世界，更好的總結過去，并且對未來的趨勢作出判斷。

作者：諸葛君（zhugeio1），關注我了解更多數分知識

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部