上周笔者小丹为大家讲了关于数据分析的问题，解释各种数据之间的关联性和区别，同时和大家说了当网站数据出现异常的时候可以通过网站数据来进行分析。之后小丹也收到了一些朋友的提问，说到底为什么要做网站数据，这些数据到底有什么用，要怎么来看？所以，进行小丹要和大家来说的就是我们为什么要来做网站的数据分析。

第一，为什么要看网站数据。

网站数据是一个网站现状的具体展现，可以说网站数据是网站的侧写，所以我们作为网站的SEOer而不是网站编辑，一定要懂得来看数据，以知道目前我们的网站处于一个什么样的情况，以便进行下一步优化计划。

1、知道网站目前情况。任何时候看网站数据都要带着目的性的来看，这样你才能够知道这些数据所代表的意义，而不是漫无目的的来单纯的看这些数据，那样对我们的优化毫无帮助。例如，我们来看ip有可能因为：看网站的流量是增加减少；网站出现了问题是收录减少？是关键词排名都下降？是单个关键词排名下降？从这个词的搜索来源流量可以分析出是不是最近的流量减少或者跳出率增加导致判定不满足用户需求。

2、知道网站目前的问题。首先你要先知道你的网站目前出现了什么问题，然后分析这个问题会有那些原因和情况导致的，最终分析出来这些原因可以反映在数据的哪个方面，在根据这个依据来看数据。举个例子说明：网站降权是不是真正的权重降权，判断方式：网站内外部综合评分，内部评分在于网站是否改版，改版后蜘蛛抓取后和原来不同判定打击。看网站蜘蛛：看出改版会导致蜘蛛的短时间内增加与否，通过看百度站长平台的爬行频率来判定网站是否在短时间被百度频繁抓取评分从而来进行评分观察改版后的网站页面组成元素以及来页面的流量质量度来判断网站流量和用户点击质量度观察是否出现ip下降，pv下降、停留时间下降、跳出率增加等问题就可以知道网站是否是真正的权重降权。

所以我们来进行网站数据的分析的顺序一般是：（1）确定网站出现的问题的原因；（2）知道观察网站的哪些数据能够知道网站出现问题的根本原因；（3）通过观察这些数据得到问题的结果，从而制定恢复计划。

第二，用问题来观看网站数据。

网站最常见的问题有：权重下降/上升，最重要的外在表现，流量变化、排名变化、收录变化；网站流量变化一般表现在关键词搜索，权重、流量、流量的质量度、网站页面质量度是通过搜索词来还是输入链接来访问判断的。所以在遇到这些问题的时候，我们多会通过百度统计工具中的统计数据来观察：

1、网站搜索词来源或者任何来源方式数据

2、网站ip数量、pv量

3、来源网站访问链接

4、网站页面跳出率

5、网站页面的停留时间

6、网站有页面热力点击图

网站权重下降首先看流量的来源方式是否发生丢失，或者来了以后的流量是否质量度发生变化，因为能够直接影响到网站降权的数据主要就是流量问题，所以我们要通过上面的七个数据来进行判断。当我们知道了网站出现问题的根源所在的时候，就要有对应的解决方式来稳定网站，否则你的数据分析也仅仅是面子工程罢了。针对网站降权我们来看看它的解封方法有哪些：

1、如果是因为某个主词排名下降导致流量减少那么我们可以通过友情链接的方式来进行改词的权重提升，通过增加自然点击来辅助关键词排名回温。

2、从百度热力图看到某些位置用户点击效果极差，那么我们就要把热力图中点击少的位置内容换成点击多的，以此来稳定页面权重。

3、进来的流量跳出率比较高我们要做的是找到跳出率高的页面然后改变它，找跳出率低的页面对比一下看看这个页面为什么高，改成低的页面的含有的元素或者效果从而提升页面质量，降低高跳出率网站页面的跳出率。

4、最近的pv量开始减少，所以找到导致跳出率高的流量看这些流量点击的页面，因为以前pv少，现在开始少，说明是增加的流量导致少，那么拿现在的流量和以前的流量比，增加的流量是增加在哪一个部分或者哪一些页面增加了流量，查询是不是这些页面导致跳出增加pv减少。

数据分析即用适当的数据分析方法及工具，对处理过的数据进行分析，提取有价值的数据，形成有效结论的过程。 常用的数据分析方法有对比分析法、分组分析法、结构分析法、平均分析法、交叉分析法、漏斗图分析法、 矩阵分析法、综合评价分析法、5W1H 分析法、相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、时间序列、方差分析等。 数据分析师工作工程中会根据变量的不同采用不同的数据分析方法， 要想熟练运用这些方法，首先需要弄懂这些方法的定义。下面是关于常用的17种数据分许方法的定义，供参考。

你们还知道哪些数据分析方法？

你在工作或学习中最常使用哪种方法？

欢迎留言分享~

对于网站的数据分析包括流量运营、用户运营、产品运营、内容运营四个板块。

流量运营：

Web端主要是看访问量、pv、uv，基本质量指标包括用户的平均访问时长、平均一次会话浏览页数和跳出率，通过这些指标可以判断用户的活跃度，以此作为标准来评判一个产品的生命周期，这对于新媒体运营者制定产品策略以及营销策略有着直接的关系。在网站流量分析中，主要从访问量、流量入口、广告等角度切入。

访问来源包括直接访问、外链、搜索引擎和社交媒体等，通过对来源的分析，可以进行精细化管理，然后优化内容渠道，其次是落地页，这是最终用户到达你网页的入口，如果用户被导入到无效或不相关的页面，一般会有较大的跳出率。最后广告的投放的优化也是一个导入流量的重要部分。

在流量导入之后，还需要进一步激活和转化，我们分别对转化的每一步进行分析，可以通过比较分析，找出流失率最高、最低的那一步，然后优化渠道。

在进行一系列流量分析和转化分析之后，我们可以进行相对应的策略制定，具体方式包括搜索词、落地页、广告投放优化等等，根据性价比来进行渠道配置。

用户运营：

流量运营是用户的引流，而用户运营就是用户的维护。其实导入与维护都具有很大的相似性，需要根据用户的行为（访问、浏览、回复、评论、发帖、转发、分享）来建立行为指数，最终将用户分类，进行精细化的运营。对于不同类的人群，进行对应的刺激，比如说，针对一个内容传播类用户和内容生产类用户所采用的方法应该有所区别。

对于不同网站的留存指标分析有不同的时间群组划分方法，高品类产品的日留存率更好的反应用户与产品的关系，而工具类的周留存率就比日留存率更加具有业务意义。

产品运营：

用数据来分析和监控功能

1、 监测异常指标，若一个用户在同一实际啊频繁点击验证码地发送，说明我们在这功能点上有问题，这可以及早提醒我们去做功能地改善，弱化用户的怒点。

2、 通过留存率来检验功能的效果，当一个新功能进入的时候，若发现用户持续使用的比例较低，我们就需要思考是否有引入新功能的必要性，它是否在一定程度上较低了客户的体验感。

内容运营

在开始通过优质内容去维护客户时，，你需要定位你的内容是作为一盒产品存在还是辅助产品的存在，，其次是对用户的需求分析，有针对性的向用户推送他们可能感兴趣的内容。

通过几年的经验积累，下面小编将带你一起分析一下网站数据的整体流程（举例如下）

小编将会以（bodao.org）这个网站进行综合分析，我们需要打开一个站长工具tool.chinaz或者aizhan进行查询，首选对整个网站进行综合判断分析，具体如下：

1、综合数据分析：

通过上图我们可以发现该网站的域名年龄为11年1月6天，而网站的百度权重只有1，并且通过百度查询之后收录仅有825条，因此我们可以初步判断网站的内容更新频率、内外链结构以及关键词排名均可能出现问题。

（1）关键词分析

通过网站源代码，我们可以看出中国互联网协会网络营销培训关键词不适合作为该网站的核心词，具体数据如下图：

通过上图我们可以发现，该网站选择的核心关键词优化难度较小，从核心词的选择标准上来看都不是网站的核心关键词来进行优化。

通过站长工具从新选取的关键词作为核心关键词具体如下：

通过上图我们可以发现新选取的关键词从指数和优化难度考虑可以做为做为该网站的核心关键词。

（2）代码分析（, , tdk）

首选通过网站的源代码来看tdk撰写的不适合作为该网站的优化，并且没有添加h与strong标签。

首先该网站的tdk需要进行修改：

Title：网络营销、销售培训、SEO培训

Description：中国互联网协会网络营销培训是按照网络营销、销售培训、SEO培训三个岗位明确的培训层次实施的网络营销专业培训项目。众多业内实战精英对国际、国内网络营销发展历程、现状以及趋势的综合分析、总结并在此基础上的联合把关极大地保证了教学内容的实战有效性，从实践应用角度、经多位资深网络营销专家倾力合作、自主研发的一套针对性的网络营销培训教材的极大地保证了培训内容的系统性和实战性。

Keywords：",网络营销培训,销售培训、SEO培训，网络营销实战培训。

通过网站源代码查看没有H标签与strong标签，建议添加如下：

H1标签应当添加在网站的logo上，并且在添加上atl属性关键词为“网络营销培训”如下图：

h标签与strong标签对于网站关键词相关性是有很大帮助的

H2标签应当添加在栏目导航上并且是最重要的导航，如下：

Strong标签则需要添加在板块标题上，如下图：

（3）内链结构

通过浏览网站内容发现，网站存在文章栏目层级过深的情况，建议将文章栏目页4层修改为短到3层以内，列：目前层级http://bodao.org/2015/news/106.html

在点击板块标题的时候以及咨询转化入口没有添加相对应的连接形式。

通过上图来看则需要在重点板块标题上以及转化入口添加相对应的连接。

（4）网站内容（质量与频率更新）

通过网站文章查询后，我们发现，网站目前文章出现大量重复内容，不利于网站的优化，如下图：

建议根据网站重新选择的关键词为网站重点栏目进行文章添加。

另外通过浏览文章更新时间不是规律更新：如下：

建议每周一至周五更新20篇伪原创文章，原创文章更新5篇。

（5）外链分析（友情链接）

通过网站友情链接查询后，我们发现该网站的友情链接质量较差，多数网站没有进行回链，并且网站数量较少，具体如下：

建议为网站交换高质量的友情链接，选择权重高以及PR值1以上，收录大于500，外链大于500的与网络营销相关的网站上进行交换，并保持每周交换3—5条友情链接，网站友情链接控制在40以内，交换时应选择核心关键词。

以上是小编多年积累的经验步骤，在这里分享给大家....

第一部分：数据分析框架

为了分析问题的聚焦，我们具体拿互联网电商来举例子说明，至于其他的比如互联网金融、教育、社交等等，可以依此借鉴。

（1）从互联网实体角度分析。我们可以从以下7个角度构建互联网数据分析体系。

买家：基本特征分析、交易行为分析、流量行为分析、售后满意分析等

卖家：基本特征分析、经营效果分析、流量曝光分析、售后满意分析、产品分析等

产品：基本特征分析、交易行为分析、流量曝光分析、售后满意分析等

行业：基本特征分析、经营分析、曝光分析、售后分析、产品分析、买卖家分析等

设备：移动端分析、PC端分析、访问对象分析、cookie分析、session分析等

日志：访问对象URL分析、cookie分析、session分析等

事件：登录、流量、点击、曝光、下单、交易、支付、物流、评价、纠纷、仲裁等分析

这个实体分析方法，可以称得上是万能的数据分析框架，适用于所有的互联网企业。我曾工作过的阿里巴巴、腾讯、随手记等企业，我个人都是按照这个套路去构建互联网的分析体系。

（2）从用户的关键路径进行分析。

关键路径分析方法是一个行之有效的常用分析方法，也是做数据化运营的常用工具。关键路径分析让我们聚焦于核心环节，排除杂音，定位出业务的核心问题，快速的加以解决。在应用关键路径分析时候，我们往往先把可能的结果、以及最关心的结果梳理出来，以结果为导向追溯行为的根本，当然，也可以从行为的初始出发，梳理出所有可能的行为路径，找出关键行为，导向我们最终设计好的结果中去。下面我们举例子说明下：

在电商网站中，我们假设我们运营目标是让用户购买网站上的商品（在这里，我要插说几句，我们的目标有时候不只是购买，在精细化运营中，往往会根据用户的生命周期，确定关键路径的目标，比如对于一个进入期的新买家，我们通常会发一些购物攻略加以指导，针对流失期的买家，关键路径的结果我们可能导向申领我们的优惠劵之类，等等。关于这一部分数据化精细化运营方面，在大数据应用系列的数据化运营小讲，我们会详细加以分享，敬请关注）。刚才谈到，我们假设我们运营目标是让用户购买网站上的商品，那么我们可以把关键路径，也即，用户的购买路径梳理出来：

a.用户登录/注册》搜索关键词》查看商品详情》加入购物车》点击下单》确认付款》确认收货

b.用户搜索关键词》类目和店铺》卖家交流》点击下单》确认付款》确认收货

通过这种关键路径，我们还常常进行漏斗分析，从而进行流量的转化分析，找出影响到达最终结果的关键环节。

（3）从KPI拆解角度分析。

KPI拆解分析方法也是比较常见的互联网分析方法。核心思想是先定一个总体目标，比如今年营收12亿，那么可以把这个指标拆解到各个业务线去，业务线再进行拆分，比如分解为12个月，每个月需要达成营收额，接着，就是达成该营收额，根据流量的转化情况，估算出需要多少的流量，目前平台已有多少流量，需要外拓引流多少流量才能达成目标，这就可以层层的拆解指标，最终或落地到产品团队或部分到运营团队去承担KPI任务。

第二部分：数据分析常用分析方法

常用的数据分析方法有：PEST分析方法、5W2H分析法、4P营销分析法、逻辑树分析法、指标拆分法、对比分析法、漏斗分析法、用户行为分析法、用户生命周期分析法、金字塔分析法等等，下面我们逐个的简单说明下

（1）PEST分析方法

这个方法主要应用于行业研究中。从政治（Political）、经济（Economic）、社会（Social）、技术（Technical），简称PEST角度对一个行业进行比较分析。下面我们举一个例子：我们小讲开始就谈到数据分析行业前景，那么我们在此利用PEST分析下大数据行业前景如何？

（2）5W2H分析法

这个方法主要应用于用户行为研究和专项问题分析，从时间、地点、人物、事情、原因、方式、价格等7个方面对一个问题进行刻画研究。请看如下案例二：

（3）4P营销理论

这个方法主要应用于公司整体经营状况分析，是比较经典的营销分析方法。该方法从产品、价格、渠道、促销等四方面对企业经营状况进行全面分析。请看如下案例三：

（4）逻辑树分析法

这个方法也称作问题树分析方法，主要应用于针对业务存在的问题进行专题分析，是数据分析方法中非常常见的一种分析方法。请看案例四：

（5）指标拆分法

这个方法也是经常适用的方法，特别是为了达成业务目标，我们往往都会先定一个总的目标，然后再初步的拆解指标。下面我们讲讲案例五：

（6）对比分析法

对比分析法是非常常用的基础分析方法，虽然方法特别简单，但几乎所有的分析报告中，都会采取对比分析方法。比如去年同期相比、上个月环比、目标和实际达成相比、各个部门和业务线相比、行业内竞品比较、营销效果对比，等等。这里需要注意的是我们不管是横向比较还是纵向比较，比较的双方一定要有可比性，并且在同一个维度、粒度上去比较，要不是毫无意义的。

（7）漏斗分析法

漏斗分析方法经常应用于产品的转化分析。举个电商的例子：用户登录网站1千万，浏览商品详情页200万，加入购物车80万，下单支付50万，支付成功40万。每一步都是转化率的问题。针对关键路径进行漏斗分析能够帮助我们快速的定位到问题所在。从而能够及时做出决策。

（8）用户行为理论

也称用户的活动周期理论。该分析方法，往往用于对用户的基础研究中。用户行为过程分为认知、熟悉、试用、使用和忠诚5个步骤。

（9）用户生命周期理论

该分析方法，也往往用于用户基础研究中，在互联网领域应用广泛。用户的生命周期分为进入期、成长期、成熟期、衰退期、流失期。每一个阶段用户的行为特征是不一样的，其价值是不一样的，需要精细化的运营。不可急功近利。

（10）金字塔理论

金字塔这个分析方法正好和漏斗分析方法相反，它是基数大，上层小。最初是英国历史学家、政治学家诺斯科特·帕金森(C.Northcote Parkinson)在《帕金森定律》(Parkinson's Law)一书中，论述在行政管理中，行政机构会像金字塔一样不断增多，行政人员不断膨胀，每个人都很忙，但组织效率越来越低下。这条定律又被称为“金字塔上升”现象。后来，人们将这一理论延伸应用，不再只限于本意。大凡是基数大，上层小，符合金字塔特征的研究分析都可以套用到该理论中。所以，金字塔这幅图也常常见于各分析报告中。比如，分析用户群体特征（马斯洛需求层次模型、用户价值模型等等）

综上所述种种数据分析方法，如果在一份分析报告中，能够把这些分析方法都灵活反复体现和应用，那么，这个分析报告一定会比较丰满的。

第三部分：数据分析的流程

数据分析的流程主要分为六步骤，遵循这种方法，一个完整的数据分析项目就出来了。

（1）明确分析目的：我们接到一个分析任务，首先要弄清楚我们分析的对象是什么，要达成怎样的目的，不能陷于为了分析而分析。然后，要熟悉行业和业务，透彻的理解分析的目的，构建起分析的角度和体系。

（2）进行数据准备：我们有哪些数据，通过什么途径可以获取到需要的数据，往往涉及到内部数据和外部数据，内部数据常常是我们的业务库或者基础数据团队建立起来的数据仓库系统，外部数据方面，现在各行各业都有大数据交易源，还有大量的公开市场数据。

（3）进行数据加工处理：主要通过数据清洗工作，对重复值进行去重处理、对异常值错误值进行修正或剔除、对缺失值进行填充修正或删除。如果软件环境为支持大数据量情况下，还需要对数据进行抽样处理。经过这些预处理后，最重要的就是进行数据的计算统计、合并转换，让数据符合目标分析过程。

（4）进行数据分析挖掘：绝大部分的分析目标达成都可以刚才介绍的分析方法外加常见统计分析等达到。主要的分析：整体和组成分析、走势趋势分析、均值方差分析、排序TOP分析、同比环比纵横比较分析、频度频率分析、相关关系分析、数量和比例的双坐标分析、逻辑结构分析、金字塔分析、漏斗图分析、矩阵图分析、指标拆解分析、PEST分析、5W2H分析法、4P营销分析等等。还有一部分分析需要到更高级的数据分析方法才能得到结论。

（5）进行数据结果图表展现：数据分析的目的就是要解决问题的，往往数据分析师不是需求的发起人，那么这就需要数据分析师把分析的数据和结论展现给需求方。最佳的方式就是通过图表，有理有据形象的重点突出且专业的表达出来。根据第（4）步骤的分析，我们可以选取恰当的图标。比如常用的有：折线图、柱形图、条形图、饼图、冒泡图、散点图、矩阵图、雷达图、双坐标图、瀑布图、帕累托图、金字塔图、漏斗图等等。

正如我之前的一篇文章 《图说可视化，报表也能做得如此酷炫！》，讲到帆软报表制作数据可视化的几个关键点。

（6）写出分析报告：数据分析最终的结论全部体现在分析报告中，一个分析师水平如何，只要看他写过的一份分析报告就可以完全清楚了。综合灵活应用这么多的分析方法和各种各样的展示图表，分析报告一定会显得非常丰满。下面一个问题我们再详细和大家讨论数据分析报告的相关事情。

数据分析是从数据中提取有价值信息的过程，过程中需要对数据进行各种处理和归类，只有掌握了正确的数据分类方法和数据处理模式，才能起到事半功倍的效果，以下是数据分析员必备的9种数据分析思维模式：

1. 分类

分类是一种基本的数据分析方式，数据根据其特点，可将数据对象划分为不同的部分和类型，再进一步分析，能够进一步挖掘事物的本质。

2. 回归

回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。

3. 聚类

聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。

4. 相似匹配

相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。

5. 频繁项集

频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。

6. 统计描述

统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。

7. 链接预测

链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。

8. 数据压缩

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。

9. 因果分析

因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。

以上是数据分析员应熟练掌握的9种数据分析思维方法，数据分析员应根据实际情况合理运用不同的方法，才能够快速精确的挖掘出有价值的信息！

对于具体的业务场景问题，我们该怎么办呢?我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。

在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

对于电子商务网站，流量是非常重要的指标。

上图中，我们将网站的访问用户量(UV)和页面浏览量(PV)等指标汇汇聚到统一的数据看板(Dashboard)，并且实时更新。

这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。

在选择维度时，需要仔细思考其对于分析结果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。

3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群(segmentation )的手段。

我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。

而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。

上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。

这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。

漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。

通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。　　其中，我们往往关注三个要点：　第一，从开始到结尾，整体的转化效率是多少?　　第二，每一步的转化率是多少?　　第三，哪一步流失最多，原因在什么地方?流失的用户符合哪些特征?

上图中注册流程分为 3 个步骤，总体转化率为45.5%;

也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。

但是我们不难发现第二步的转化率是 56.8% ，显着低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。

显而易见第二步的提升空间是最大的，投入回报比肯定不低;如果要提高注册转化率，我们应该优先解决第二步。

5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。

数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量(UV)和页面访问量(PV)这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。

上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。

网站购买转化率低，以往的业务数据无法告诉你具体的原因;通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题(比如是不是商品不匹配等等)，从而为决策提供依据。

6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。

每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。

我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。

在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人(上图红色线条)，那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人(上图绿色和紫色的线条)的留存。

这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。

7 A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。

产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不同的产品交互形式，通过比较实验组(A 组)和对照组(B 组)的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。要进行 A/B 测试有两个必备因素：

第一，有足够的时间进行测试;

第二，数据量和数据密度较高。

因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

8 数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。

作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。

利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。

我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。

当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

　纵观互联网，哪个不是靠数据分析来调整自身的产品，所以我们的网站也要开始进入数据分析时代，及时发现网站自身问题，而后针对性的解决问题，而不是盲目的靠猜，下面太原seo学习网就给大家上干货——8分钟轻松搞定网站数据分析!

　　1、要学会及时发现蛛丝马迹

　　很多时候，我们搞seo的不是等问题出来了，问题放大了才去解决，而是要在平时的点点滴滴中通过我们的经验去发现小问题。带着这些问题我们进行网站数据分析会让问题变得简单直接。

　　2、网站数据分析要经常关注pv、uv、ip、跳出率

　　从百度统计工具的后台就可以很清楚的看到我们网站的pv、uv、ip、跳出率，为什么百度会把这几个数据放在后台最显眼的位置呢?聪明的seo已经猜到了，百度现在对于网站的整体权重判断依据之一就是来源于这几个重要数据。

　　3、网站来源分析、地域分布是法宝

　　一般情况下我们网站的外链做的不一定是越多越好，而是质量越高越好，那么这个质量从哪里能看出来呢?从百度统计的来源分析中就可以看到我们网站的哪些外链是流量最大的入口，分析过后就可以针对性的将流量大的入口进行调整发布量，而流量小的入口就可以放弃了，毕竟我们人少不够，精力有限嘛!

　　4、必须分析的受访页面、着陆页和搜索词

　　这三个数据应该说是整个网站数据分析中的压轴大戏了，因为我们要进行准确的站内布局以及页面调整都得靠这三个数据。

　　分析受访页面可以分析出我们网站哪些页面最受用户喜欢，能看出推广、外链以及内链效果做的怎么样，分析搜索词可以得出现在用户喜欢从哪些词进入我们的网站。

　　着陆页数据分析可以体现出网站外链、推广链接以及网站现在排名的效果，如果网站没有关键词排名，可以以此来推测我们的推广、外链的效果做的怎么样。

　　我们还可以通过搜索词分析哪些关键词给我们带来了流量，以及访问的页面是哪些，访问页的跳出率是多少，是不是应该推广这个页面帮助它提升排名。

　　5、分析页面点击图和页面上下游

　　页面点击图相信大家都设置过吧，但是真正的用途是什么呢?绝对不是让你看看自己是不是色盲这么简单。利用页面点击图可以调整网站首页布局，颜色越红的内容应该放置最容易被用户看到的位置，颜色浅的内容就应该往下面放。而点击很少或者没有点击的内容可以从首页移除。

　　页面上下游主要是用来分析用户浏览网页的轨迹，我们大概从上下游的数据可以发现用户点击最多的文章是哪一篇，以及哪些页面的跳出率高。

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。