原文标题：A Step-by-Step Guide to learn Advanced Tableau – for Data Science and Business Intelligence Professionals

作者：Pavleen Kaur ； 翻译：李清扬 ； 校对：卢苗苗；

本文共 4000字 ，建议阅读 8分钟 。 本文借助高级图表创建计算深入研究数据以提取对数据的分析，并了解R如何与Tableau相互集成和使用。

简介

“查看数据。 显示图表。 讲故事。 吸引观众。”

Tableau是当今数据科学和商业智能专业人员使用的最流行的数据可视化工具之一。 它使您能够以交互和多彩的方式创建具有洞察力和影响力的可视化效果图。

它的用途不仅仅是创建传统的图表和图表。 您可以使用它来挖掘可操作的数据解析，这要归功于它提供的大量功能和自定义。

以其易用性和简单的功能而闻名，制作如下所示的富有洞察力的仪表盘只需点击几下鼠标：

在本文中，我们将看到一些超越拖放功能的高级图表。 我们将创建计算以深入研究数据以提取对数据的分析。 我们还将看看R如何与Tableau相互集成和使用。

本文假定您掌握丰富的使用Tableau的知识，例如基本图表形成，计算，参数等。如果您不这样做，我会建议先参考以下文章，然后再返回此处：

Tableau for Beginners - 简化数据可视化

中级Tableau指南 - 适用于数据科学和商业智能专业人员

目录

1. 高级图形 - 可视化超越“显示我”

运动图

凹凸图

甜甜圈图表

瀑布图

帕累托图

2. 在Tableau中引入R编程

1. 高级图形 - 可视化超越'Show Me'

几乎所有的Tableau用户都知道各种基本图形，例如介绍仪表板中显示的那些图形。 这些图表可以使用Tableau的“Show Me”功能轻松完成。 但由于这是一篇面向高级用户的文章，因此我们将超越“Show Me”并探索需要额外计算的图表。

首先，让我们快速浏览一下我们将在接下来的几节中做什么。 以下是我们超市的销售额和利润的一些基本分析。 简单的图表可以达到与主板中的相同的目的，但我认为您会对这些图表的宏伟感到兴奋和激动。

1.1动态图表

在开始之前，先看看Hans Rosling的世界经济图表展示 #_chart-type=bubbles) 。 点击播放键，看到魔法在你面前展开。

有兴趣自己做一个类似的图表展示吗？ 不要担心如何做这些动画！你所看到的被称为动态图表。 使用此功能，您可以实时查看数据中的变化。

因此，我们首先下载可在此处找到的Superstore数据集 。

现在让趋势线如下图所示对你来说应该很容易：

但是本节我们首先要学习的是如何使下面的趋势线运动（gif动图）：

https://s3-ap-south-1.amazonaws/av-blog-media/wp-content/uploads/2017/08/23131759/2.gif

所以让我们开始吧！

导入您的数据集，并创建上述趋势图。 我们的X轴是订单日期（月份格式），销售额和利润是度量值。

您只需将“订单日期”拖到“页面”功能区，然后再次更改格式以与X轴匹配。

将标记类型从自动更改变更为圆形。

转到“显示历史记录”，然后选择“追踪”以查看趋势变化。 瞧！ 您的动态图表已准备好启动。

按箭头按钮查看动作，更改“显示历史”定制项，速度项等：

1.2凹凸图

假设你想探索Superstore各个部门的销售额（整整一年）。 其中一种方法是：

然而备选方案如下：

虽然折线图能够显示每个细分部门之间的销售差异，但凹凸图（上图）给出了更清晰和简明的相同结果图。

这些图表通常用于了解多年来特定产品的受欢迎程度如何变化。

现在让我们尝试自己创建一个：

1)首先，我们需要考虑度量单位，根据这些度量单位我们对我们的测量维度进行排名。 这里我们采取的度量单位是销售量，测量维度是部门。

2)您需要计算模块的帮助才能制作凹凸图表。 所以快速创建一个如下所示的计算。 我们将对每个细分部门的销售总额进行排名：

3)现在将“订单日期”拖到列中并将格式更改为月。 在标记窗格中将“Segment”拖动到Marks Pane里的颜色。 最后将“Rank”拖到行。

4)在你现在可以看到的图表中，排名是根据月份数量分配的。但是，我们需要他们在细分部门的基础上。 因此，右键单击行中的排名，然后转到编辑表格计算。

5)由于我们希望使用细分部门计算，请将配置更改为：

您将获得的图表看起来不像仪表板中的图表，因为它缺少标签。 让我们在双轴(Dual Axis)的帮助下快速修复：

6)再次将排名拖到行上并重复步骤4)和5)以得到：

您在Marks Pane中看到了Rank和Rank(2)吗？我们将使用这些来创建带圆圈的标签。

7)要将上述内容转换为双轴图表，请右键单击第二个图表的Rank轴并选择双轴。

8)在Marks Pane中，Rank或Rank(2)，然后将标记类型更改为圆形而不是自动。

9)这里的排名按降序排列。 要将其更改为升序，请右键单击左侧的Rank轴 - >编辑轴 - >反向比例。 对右边的Rank轴重复同样的操作。

10)最后，将“销售额”拖放到标签 - >快速表计算 - >总计百分比上，以获得我们期望的凹凸图。

1.3甜甜圈图

圆环图是初级图的另一种表现形式。 坦率地说，它是一个中间有一个洞的饼图，但它有助于更加强调各个细分市场，如下所示：

让我们了解这个区别的不同之处。

1)我们将从一个简单的饼图开始描绘每个细分部门的利润：

2)要创建饼图的双轴，将measure的number of records拖动到rows两次。 通过右键点击它们并选择最小值代替默认总和来更改每个绿色药丸的度量：

3)选择Marks Pane中的第二个饼图，并将其中的每个度量/维度拖出。 减小图表的大小，并将颜色更改为白色（尽管此处未显示）：

4)要创建双轴，右键单击第二个饼图的Y轴，然后选择双轴，以获得图表。

现在你必须明白，以上所有图表虽然在最终外观上都不相同，但都是从“显示我”功能的核心图表中获得的。 但是等一下，它还没有结束。 我有更多要展示给你。

1.4瀑布图

瀑布图的名称来自于其类似的方向和流动。在这里，我们绘制了Superstore多年来的运行销售情况，您可以在2013年中和2014年初看到两个小红色区域，表明销售额实际下降了，并且还有多少。

这意味着这些图表被用来分析一个度量的累积效应，并且看它是如何作为一个整体增加和减少的。 为了更好地理解这一点，让我们想象它。

瀑布图是折线图的衍生物，因此我们将从该图开始：

注意：这里的X轴是订单日期（以月 - 年格式并转换为离散型）, Y轴是利润

1)右键单击绿色的Profit Pill，然后选择Quick Table Calculation - > Running Total。

2)将标记类型从自动更改为甘特条：

3)创建一个名为'NegProfit'的计算字段：

4)将这个NegProfit拖到Marks框架中的Size上，得到：

计算的字段用于填写甘特图中的空间。 利润中的负值将向下延伸，而正值则会向上延伸。

图表中每个小条的长度表示利润从一个月到下一个月的变化量。

5)最后，将利润拖到颜色：

6)您可以继续前进，将颜色更改为两步变化，并清楚地查看上升和下降：

您将获得的图表也可以非常容易地以条形图的形式表示。 请注意，我在这里将颜色分置，以使其凸显出来：

但我相信你会同意使用瀑布图是一种更直观的表示数据的方式，特别是看看多年来度量的变化，例如销售和利润。

1.5帕累托图

下面我已经将一个流行的80-20数据分析原理可视化出来。 如果你还没有听说过它，让我试着用例子来解释它。我们会经常观察到超市的大部分销售来自少数几种产品。

人们不能指望面包和鸡蛋与蛋糕有相同的销售数字，对吧？ 这正式被称为80-20原则，这意味着80％的销售额来自20％的产品。 在我们的超市里，这个原则可以在下面的图表中看到，其中大部分销售是由电话和椅子生成的：

这是一种相当流行的可视化，帕累托图通常用于风险管理，以确定对项目造成最大负面影响的最常见问题; 但正如我们将看到的，它也可以有其他应用程序。

让我们看看它是如何完成的：

1)我们将从下面的图表开始。 这具有作为X轴的子类别和作为Y轴的销售。 图表按降序排列：

2)接下来，将销售额拖放到图表上，直到您看到绿色突出显示的条形和最右边的虚线轴：

3)在此处下降销售以创建双轴。 将第一个图表的标记类型更改为条形图，将第二个图表更改为直线，最终得到：

4)右键单击第二个绿色销售药丸，并为其添加运行总计算：

5)剩下的只是改变配色方案，并且您的帕累托图表已准备就绪！

2.在Tableau中引入R编程

我喜欢Tableau的一个原因是，它不仅仅是一个工具，而且意味着只需拖放操作即可创建漂亮的图形。随着2013年Tableau 8.1的发布，出现了许多新的功能。

R编程的引入使得更丰富和动态的可视化得以实现，这是主要特征之一。 R编程可与Tableau一起用于聚类、预测等技术。

我想通过Clustering开始对R和Tableau的探索，所以我使用了超流行的Iris Dataset 。 它包含不同的功能来区分3种类型的flowers，即Virginica，Setosa和Versicolor。 正如你在下面的图片中看到的那样，R编程整合很容易创建这三种物种的集群：

如果你有兴趣，可进行一下操作。首先，深入了解基础知识和安装过程，然后深入研究可视化问题！

以下描述了Tableau和R之间的控制流程，以实现此集成：

R脚本作为表计算写入Tableau，并发送到R的R服务包。在此模块执行必要的计算并将结果返回给Tableau。

注意：为了正确理解并使用此功能，您必须具备R及其各种语法的一些知识。 对于相同的你可以参考以下教程：

Learn Data Science in R from scratch:

现在让我们看看这个集成的步骤：

1)安装R -project.org)

2)安装Rserve软件包

在R命令行中运行以下命令：

3)配置Tableau以在R中运行

打开Tableau - >帮助 - >设置和性能 - >管理R /外部连接。 使用以下默认信息填写字段并选择测试连接：

所以，现在你已经准备好了适当的配料，让我们开始吧！

如上图所示，您可以使用Tableau的表计算与R进行通信：

如果您向下滚动功能列表，您将遇到以下四种情况：

当计算区域中包含这些函数时，Tableau会自动理解该脚本适用于R.

我希望你最初兴奋的制作集群仍然存在！ 我们继续。

1)从这里下载Iris数据集。

2)在Tableau中导入数据集，并制作下图：

3)在这里，您可以通过不同的度量获得总和。要获得离散值，请转至分析，并取消选中聚合度量，以获取：

4)最后，要形成群集，请在标记窗格中将类维度拖到颜色上：

我们上面有一个散点图，它显示了分为3个不同群集的数据点群集。

现在让我们尝试与R一样，并比较我们将得到的两个可视化。 我们将使用最常见的聚类算法K-Means：

1)从与上面第2点相同的散点图开始。

2)创建一个新的计算字段并填写以下内容：

为了清楚起见，上述计算是：

3)最后，将新形成的Field Cluster拖放到Marks Pane中的Color，以使您的集群准备就绪！

虽然有一些重叠，但这两个可视化确实看起来相当准确。

这是将R与Tableau集成的潜力的一个小要点。 它的应用程序是无限的，我相信你一定已经开始考虑可以与之交互的不同方式。

结束笔记

如果我说这就是Tableau的全部，这可能稍显幼稚。随着新版本的推出，新功能也将随之推出。

不仅如此，人们总是在试验和探索Tableau，并提出新的视觉效果。在很多博客里，人们也发布了其数据实验。可以搜索一下。

您还可以在Tableau官方图库页面上查找每周更新的可视化图像 。 建议你继续参考这些帖子，创建自己的视觉效果，并与社区分享。

作为一名数据探索者，保持创意并保持最佳状态！

原文链接：

译者简介：李清扬 ， 清华大学工商管理研究生在读，主修管理学。对大数据、人工智能在经济金融领域的应用感兴趣。希望能在数据派平台获得大数据前沿知识，找到志同道合的朋友，一起研究和应用数据分析工具于企业管理实践当中。

END

版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。

关联阅读：

原创系列文章：

1：从0开始搭建自己的数据运营指标体系 （概括篇）

2 ：从0开始搭建自己的数据运营指标体系（定位篇）

3 ：从0开始搭建自己的数据运营体系（业务理解篇）

4 ：数据指标的构建流程与逻辑

5 ： 系列 ：从数据指标到数据运营指标体系

6: 实战 ：为自己的公号搭建一个数据运营指标体系

7: 从0开始搭建自己的数据运营指标体系（运营活动分析）

数据运营 关联文章阅读：

运营入门，从0到1搭建数据分析知识体系

推荐 ：数据分析师与运营协作的9个好习惯

干货 ：手把手教你搭建数据化用户运营体系

推荐 ：最用心的运营数据指标解读

干货 : 如何构建数据运营指标体系

从零开始，构建数据化运营体系

干货 ：解读产品、运营和数据三个基友关系

干货 ：从0�...

一提到数据分析，很多人可能脑海中可能会浮现出各式各样的数据画面。

比如下图所示，这样的中国式复杂报表在企业中经常被使用，精密的复杂表格样式中蕴含着国人庞大的数据信息量。

再比如这样的数据Dashboard可视化，通常应用于展示KPI业务指标，例如销售额、毛利率、利润率等等，数据的可视化呈现形式清晰直观。

再就是目前火热的不行的可视化大屏，比如下图所示的双11全球天猫狂欢节当日的实时交易统计大屏，除了清晰直观地展示企业核心的KPI指标之外，狂拽炫酷是它至关重要的特征。

大道至简的数据分析方法

但无论是以上的哪一种，无论数据如何变换，所有看似神秘的数据分析过程都可以归纳总结为各种“维度+度量”的组合分析。

维度用于描述事物的属性信息，例如统计各个地区的交易数量时，地区就是维度。

度量（指标）是可以量化统计的数值，例如统计各个地区的交易数量时，交易数量就是度量。但是需要注意的是并不一定所有的数值都是度量，例如学生的学号虽然是数值类型，但是其实它是维度而非度量。

如此一来，我们对数据分析有了从整体上的解释。但是实际应用中，我们并非盲目地去进行各种维度和度量的拼凑组合，而是希望得出的数据分析结果能够指引业务进行决策，终而形成业务闭环效果的。

根据我自身的一些数据分析项目经验，90%以上的基本数据分析问题都可以套用我总结的这七步完成（深入的数据分析需涉及描述性统计分析、相关性分析等专业的统计分析技能）：

数据分析必然需要借助工具，Excel、BI或者R和Python语言都可以帮助实现。

这里为了帮大家更快速地理解数据清洗建模和数据差异分析环节的内容，借助比较简单的BI工具FineBI，为大家进行一个销售数据分析实例，加深大家对数据建模和数据分析过程的理解。感兴趣的可以到官网下载，个人完全免费。

一、确定分析目标

这是分析前的第一步，我们需要明确进行数据分析的对象，也就是需要确定分析目标。

通常来说我们会选取最关心的核心KPI指标，例如电商行业的销量、销售额、利润，制造行业的次品率，互联网行业的用户留存率等等。

一般来说，分析目标不要过多，如果实在是需要同时分析多个关键核心业务KPI指标，那么我们便可以将这些核心指标分解给对应业务负责人，例如销售总监负责提升公司销售业绩，运营总监负责降低成本花费。

二、核心目标拆解

确定好分析目标之后，通常来说我们需要再对核心目标进行子目标分解，这也符合企业各团队分工协作的特性。

核心目标拆解的过程中需要遵循MECE原则，也就是“完全穷举，相互独立”。例如下图所示的电子商务数据分析指标体系，就分别从网站运营指标、经营环境指标、销售指标、营销活动指标、客户价值指标几个方面进行了详尽的拆解，然后交由各个团队进行分工达成。

三、数据清洗和业务建模

确立和分解好数据分析目标之后，下一步就可以进入到数据清洗和业务建模环节了。

数据清洗方面，很多人可能会想到国外传统的一些ETL工具，但是这类工具过于庞大和复杂，国内真正成功落地的案例很少。FineBI商业智能工具其实就提供了轻量级的ETL功能可供用户对数据进行计算和处理，鼠标点击和拖拽操作即可完成轻量的ETL数据处理过程。

业务建模方面，FineBI也是提供了根据不同业务主题分类建立业务包的功能，一般来说按照维度表和事实表建立好关联关系即可，这样一来就为前端的数据差异分析准备好了数据模型。

四、数据差异分析

终于到了数据差异分析这一步，这也是离发现问题原因和业务决策最近的一步。

所谓数据差异分析，自然是需要有差异，才能有分析。

例如今年某某企业7月份的销售额是600万，那么大家会觉得对于这个企业来说是好还是坏？如果只有这一个数据，自然是无所谓数据差异分析的。

如果这家企业的6月份的历史销售额是400万，那么7月份600万的销售额自然是非常好的了，可是如果这家企业的6月份历史销售额是800万，7月份600万的销售额明显是有问题的。

a.纵向对比

按照这个基础的数据差异分析逻辑，我们借助FineBI来初步分析一下某家企业今年各月度的销售额统计走势图：

如上图所示，通过纵向对比不难看出该企业在7月份销售额下降严重，环比6月份的企业销售额下降了22.47%，不是个好现象。老板看到这个数据自然会前来问责，说为什么7月份公司销售业绩下滑这么厉害。那么会是什么原因导致企业7月的销售业绩相对6月下滑这么多呢？我们需要更新一步地进行数据分析，以排查出导致产生问题的”真凶“。

b.横向对比

一般来说销售型企业都会在全国划分各个销售区域，那么这样一来我们除了对时间进行纵向对比之外，还可以结合销售大区维度进行横向比较，分析探索看看能不能发现一些问题。

果不其然，如上图所示，通过时间维度结合销售大区进行横向对比发现，企业的东南大区7月份的销售额相对6月份反而是增长的，看来问题主要出在北方区和中西区，特别是北方区7月份的销售业绩下滑更为严重，最终导致企业7月份总的销售额比6月份严重下滑。

数据分析的丰富度一定程度上依赖于分析工具的功能，比如Excel可能需要写VBA，R和Python需要写代码。

由于FineBI是一款商业智能工具，故而这边可以轻松通过其提供的OLAP联动分析功能，以更进一步的观察各个区域7月份的表现情况，直接点击饼图区域即可联动到月度销售额统计，非常方便。这边我们可以看出，中西区7月份销售额环比轻微下降17.86%，北方区下降严重到50.07%，而东南区则提高了6.06%，综合三个大区的总体销售状况，导致最终表现为7月份销售额环比下降了22.47%。

c.综合对比

上面分析了时间、区域维度相关的销售额结果统计，为了避免结论片面，我们尽量采用多维度的综合对比方式来观察数据，甚至可以是友商的销售情况对比进行差异分析（此处不单独举例说明）。

如上图所示，我们通过时间维度结合产品类型来进行销售额分析，观察7月份各个产品线的数据发现各个产品线在7月份销售额环比都是有所下降的，这说明企业7月份销售额下降和产品种类本身是没有关系的。

五、发现问题原因

综合北方区域和中西区域导致7月份销售额环比下降的各种影响因素，最终发现是由于6、7月份北方区域降雨严重，导致物流周转严重滞后，库存商品无法及时供应，最终导致北方区域7月份销售业绩严重下滑了50.07%。而中西区域本身仓库比较小，按照之前各区域商品物流周转的设计，中西区域的本土供应的差额商品主要是由北方区域供应，但是北方区域由于严重的降雨导致物流周转严重滞后，进而导致中西区域7月份销售业绩也同比下滑了17.86%。

六、制定业务决策

通过结合FineBI工具的OLAP多维数据综合分析方法成功定位到问题原因之后，企业及时调整仓库商品物流周转策略，北方区域物流模式调整为水运，同时将东南区域的部分商品通过物流周转到中西区域。

七、评估决策效果

企业领导决策层8月份通过及时调整北方区域和中西区域的物流策略，北方区域物流模式调整为水运，东南区域的部分商品通过物流周转到中西区域，补充了北方区域和中西区域的库存商品周转。最终8月份企业的总体销售额达到了943万，环比7月销售额提高到了37.32%。

后记

随着信息化的飞速发展，大数据产业呈指数式增长。在我们不断地积累着企业的历史数据的同时，如何利用和分析好这些数据，真正利用大数据分析驱动企业的业务增长也成为了一个很重要的难题。希望本文给大家分享的数据分析方法，结合FineBI商业智能分析工具的OLAP多维分析能力，能够让大家下次在面对企业业务数据分析时不再迷惑，做到步步为营，让数据分析真正释放出潜能，驱动业务快速增长，形成数据和业务之间的闭环

　　大数据这个词已经被炒的满天飞，还有的人说它是泡沫，现在什么东西即使没用大数据技术也要加个大数据概念，要不都觉得落伍了，当然这是迎合宣传的手段，不过搞虚假宣传还是不太好的。那真正使用大数据技术的地方且比较有代表性的产品有那些：

　　·云存储：中国比较好的有百度云，国外比较好的有AWS等。正是因为有这些产品的出现，数据在云端的概念才终于变成现实了，大家都不用踹着U盘到处跑了。

　　·内容推荐：最具代表性的有今日头条，它正是运用了大数据技术来找到你喜欢的内容并且推荐给你。自从这个产品出现以后已经有很多人抛弃以前的新闻阅读方式。它让网易新闻、新浪新闻、腾讯新闻等产品上了不少火。现在大家都开始纷纷的学习它。

　　·物品推荐：电影网站、音乐网站、电商网站这些网站都会把根据你的浏览行为进行分析，根据你的兴趣推荐给你相应的物品，比如爱奇艺、QQ音乐、京东等。

　　·广告计算：应用比较好的有百度、谷歌、淘宝、腾讯，他们要根据广告主的价格和广告的效果计算广告的排序，好在流量中达到最好的变现效果，这时数据的处理速度与数据的量级直接影响了他们的收入。

　　·金融：银行正使用大数据分析用户的消费行为、购买能力以及还款能力，用来降低提供给用户的贷款风险，减少环帐率。

　　·信用：支付宝的芝麻信用加入了更多的维度，比如你的人际关系、学历、车等等元素来评估你的信用值，给信用值高的人提供更好的服务，比如信用度高住酒店就不用交押金。

　　·数据分析：这个具有代表性的产品不多，但确是大数据应用非常主要的场景，一般都是公司内部定制性的，所以一般不公开，但确实各种公司都在用，比如网站的流量分析、相关产品的用户特性分析、微博的语义分析。可以根据这些分析为自己的业务或者产品发展方向提供决策依据。

　　·智慧城市：这个现在比较有代表性的功能就是可以根据人流控制路灯的亮度，可以达到省电的效果。通过车流控制红绿灯的变化，减少道路拥堵。

　　正是有了大数据处理技术的应用才使以上这些方面有了更好的发展，如果没有大数据处理技术的出现那可能就会因为数据太多处理不过来或者根本就无法处理。那自然就会导致一些业务的发展落后或者根本无法进行的。当然未来大数据的应用场景将会越来越多，比如物联网、人工智能等等。前景十分看好。

　　如果以上这些你都不了解那我就再举个更俗的例子，就是”你一撅屁股我就知道你要拉什么屎“。这是因为你对某个人或物接触时间长了，知道了对方足够多的信息，促进了你对事物的认知，从而就能更了解这个事物并预测到它下一步动作。大数据处理技术也就是这么个过程，它的过程可以分为收集，处理，分析识别、预测这四个步骤。其实就是模拟人类对事物认知这个过程并把这个过程程序化、海量化。

　　还觉得大数据是泡沫的您还这么想吗？可别再继续无知下去了。

为什么数据分析思维重要

如果我们在分析一个问题前，思维缺失就像下面图中所表达的一样，往往不知道问题从哪里下手，在这个时候就轮到平时锻炼的数据分析思维了。

核心数据分析思维

结构化

可以看作金字塔思维，把待分析问题按不同方向去分类，然后不断拆分细化，能全方位的思考问题，一般是先把所有能想到的一些论点先写出来，然后在进行整理归纳成金字塔模型。主要通过前面介绍的思维导图来写我们的分析思维。

案例现在有一个线下销售的产品。我们发现8月的销售额度下降，和去年同比下降了20%。我想先观察时间趋势下的波动，看是突然暴跌还是逐渐下降。再按照不同地区的数据看一下差异，有没有地区性的因素影响。我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，是不是这个原因。客户访谈也要做，但是往常一直找不出原因，这次我也不抱希望，姑且试试吧。要是还找不出原因，那我也很绝望啊。

公式化

在结构化的基础上，这些论点往往会存在一些数量关系，使其能进行＋、－、×、÷的计算，将这些论点进行量化分析，从而验证论点。

业务化

业务化即是深入了解业务情况，结合该项目的具体业务进行分析，并且能让分析结果进行落地执行。用结构化思考＋公式化拆解得出的最终分析论点再很多时候表示的是一种现象，不能体现产生结果的原因。所以需要继续去用业务思维去思考，站在业务人员或分析对象的角度思考问题，深究出现这种现象的原因或者通过数据推动业务。

增加业务思维方法：贴近业务，换位思考，积累经验

数据分析的思维技巧

在数据分析中，三种核心数据分析思维是框架型的指引，实际应用中还是需要很多技巧工具的。7种数据分析技巧，它们分别是象限法，多维法，假设法，指数法，二八法，对比法，漏斗法。

象限法

通过对两种维度的划分，运用坐标的方式表达出想要的价值，由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，广泛应用于战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等。

下图是RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

菜品销售增长率和销售利润

多维法

多维法是指对分析对象从多个维度去分析，这里一般是三个维度，每个维度有不同数据分类，这样代表总数据的大正方体就被分割成一个个小方块，落在同一个小方块的数据拥有同样的属性，这样可以通过对比小方块内的数据进行分析。如图，这是一个快餐店的外卖订单多维表：

虽然只有下单时间、菜品名称、平台三个维度。但根据这个立方体，已经能解决很多掌柜急需了解的问题了。

我们可以通过切片实现每个平台每种菜品的销量，每个月每种菜品的销量，某个月某平台菜品销售情况等等操作。

假设法

在一些情况下，如进入新市场的销量、商品提价后销量的变化情况，可能没有明细数据进行分析，那么就需要用到假设法。假设法也就是假设一个变量或者比率成立，然后根据部分数据进行反推，这是一种启发思维的技巧，一般过程是先假设后验证然后判断出分析结果。

例题：你是自营电商分析师，现在想将商品提价，你分析下销售额会有怎样的变化？解答思路：首先可以确定销量会下降，那么下降多少？这里就要假设商品流量情况，提价后转化率的变化情况，然后根据历史数据汇总出销量下降百分百，从而得出销售额的变化情况。

指数法

指数法是把某个数据多个指标按一定的计算转化为同度量的一个值，这个度量值称为指数。例如在一场游戏竞技比赛中要确定该场的MVP，则是需要根据击杀数、死亡数、助攻数、经济、补兵等指标进行综合计算出一个得分，得分高的为MVP。

指数法常用的有线性加权、反比例、log三种。线性加权即是把每个指标乘以一个系数后相加，反比例即是用数学上的反比例函数y=k/x变化后在计算，log即是数学中所说的对数一般以2为底数或者10为底数。指数法使用没有统一标准，一般是根据经验来做，将无法利用的数据加工成可以可利用的。例如，NBA计算最有价值球员的指数参考：

二八法

二八法即是二八法则也可以叫做帕累托法则，比如在个人财富上可以说世界上20%的人掌握80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

对比法

对比法就是用两组或两组以上的数据进行比较，常见的是用于在时间维度上的同比和环比、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用非常频繁，多与前面的技巧结合使用。

漏斗法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。不过，单一的漏斗分析是没有用的，不能得出什么结果，要与其它相结合，如与历史数据的对比等。

下图我用BI商业智能工具FineBI连接了CRM系统的数据，对客户的行为数据做了漏斗图形式的展现。

数据其实是非常的客观的，但是数据本身并不会告诉你多少有价值的东西，其中蕴涵的内容才是我们应该去发掘的。

我们通过数据分析将现实中的问题简化成数字问题，从而得到解决问题的建议。

需要注意的是，数据分析只是工具，不是目的。我们进行数据分析是为了让分析结果能反映现阶段的情况，并对下一步计划产生指导意义，所以千万不要为了分析而分析。

1、明确目标

一切分析的基础都是需要明确目标，在此之前，不要开始任何分析，因为那很可能是无用功。

一般来说，目的主要有以下三种。

（1）分析现状，反映目前的状况，并且帮助我们制定下一步计划。

（2）分析问题，针对出现的问题，分析其中的原因并找到解决办法。

（3）分析变化，当产品的情况出现变化时反映变化的情况，并找出原因，有针对性的进行下一步行动。

2、明确分析范围

因为数据的量和维度都非常的多，我们在明确目标后，就必须选定我们分析的范围，明确的分析范围能避免分析报告内容太多，而且不深入。

需要注意的是，确定范围后我们就需要进行数据采集了，但是具体要采集什么样的数据，不是我们平常的“自然语言”描述就可以实现的，需要抽象成“数学语言”表达出来。

3、数据采集

确定了范围后，我们就可以采集数据了，需要采集哪些数据也是有讲究的，它也是需要我们用“数学语言”来表达的。一般来说，需要采集的数据分为以下3类，这是最基础的：名称、数量和转化率。

（1）名称：某些数据的结果不是以数字形式展现的，比如某某功能

（2）数量：这个比较简单，比如：某某功能的点击次数

（3）转化率：有些数据单独的看，是不能说明问题的，例如：光看一个功能的点击次数，我们不能得出这个功能是否吸引人，是否需要改进，我们还需要看完成这个功能的人数。然后将两个数据相除后得到这个功能的转化率。

以上都是一个分析中最基础的指标，在实际数据分析中，还会有更多更细致的维度。比如：用户点击这个功能后，停留时间，退出的数量，在中途放弃的数量等等。

4、数据清洗

采集数据后，这些数据并不是直接就可以用的。因为可能会有一部分“脏数据”会污染我们的数据，进而影响我们的分析结果。这就需要进行数据清洗，将不符合要的“脏数据”清洗掉。

比如，某个用户一直在点击某个功能，每秒固定点击1次，然后退出，那么这个“用户”很可能是个机器，而不是人。这些数据是不能用的。

一般“脏数据”有以下几个类型。

（1）频率异常：正常用户的使用一个功能的频率一般会保持在一定范围内，不会太频繁。

（2）总数异常：比如某一个用户一个人就拉高了整个数据的水平，让某个功能点击率陡然上升。

（3）行为异常：这个就比较复杂了，对应不同的业务有不同的理解。比如：比如一个购物APP，一个用户的多次的下单，然后退货，这类数据就是应该排除的。

5、数据整理

收集完成后，我们需要对收集到的原始数据进行整理。因为收集出来的数据必然是比较乱的，不能直接拿来分析。整理分析分为汇总和拆分两种。

（1）汇总

有些数据比较杂乱无章，我们要按照某个维度汇总才能进行效果的观察。比如：我们需要观察某个功能上线后用户行为的变化，就可以按照上线前和上线后的用户行为数据进行分类汇总，然后通过两份数据的对比来得到结论。

（2）拆分

有些原始数据并不足够细致，需要我们依据数据的关系进行数据拆分。例如，一个功能的入口可能有多个，我们就需要确认每个入口的量，甚至完成整个功能的量，这些数据会让我们更加了解我们的用户行为。

6、数据对比

整理完数据后，我们要进行数据对比。这也是数据分析中非常重要的步骤，因为数据分析的结果绝大多数都来自于对数据的对比。比如：一个功能改进前和改进后的转化率，肯定要经过对比才能知道我们的改进是不是有效的，有效多少。通常对比方法有以下几种。

（1）时间对比。通过时间节点前后进行对比数据。例如：某个营销活动，促进注册、活跃等，我们就可以得出这个营销活动能够带动日活的结论。

（2）空间对比。在我们生活的世界中，因为人们所存在的空间不同，会有不同的行为。比如：通过数据分析，我们会发现，东北的羽绒服效率比海南高，于是我们就可以判断羽绒服在东北更加畅销。

（3）人群属性对比。在用户画像中也提高过。不同的年龄层对于不同事物的看法不同，会导致某个功能在不同人群中的差异性。

依据分析目的灵活地选定对比范围，能让我们从数据中挖掘到我们想要的东西。

7、原因探寻

数据，通过对比呈现出来，能够反映一定的现象，但是造成这些现象的原因还需要我们来寻找。

原因的分析方法有很多，可以正推导、反推导。我们可以结果，那假设原因，再去求证。或者通过某个功能的整个流程进行梳理和复盘，结合数据来分析每一步发生这种情况的原因。

或者通过数据来复盘某一个活动，来分析活动输出的这种数据或好的或坏的原因是什么。

8、展现结果

完成上面的7步，我们的数据分析报告也就差不多了，当然我们必须形成一个比较完整的文档来反馈给相关人员。

我们可以把报告分成以下3部分。

（1）数据分析背景：向大家交代分析的背景与原因。

（2）主要结论：给出主要结论，方便不需要了解细节的人阅读，或领导。

（3）具体分析过程：向大家说明分析的步骤并展示具体数据。

这样就完成了一篇还比较靠谱的数据分析报告。

数据分析对于运营来说非常重要，它就像航海中的指南针，越精确的数据细度能反映不同运营手段对应的不同效果。

那么，到底该如何利用数据分析显著提升运营效果呢？本文将从4个维度给你一些建议

随着运营种类的增多，针对不同的运营模块，对应的数据分析方法也不相同。那么，怎么通过精细化的数据分析使流量运营、用户运营、产品运营、内容运营的运营效果实现指数级增长呢？

流量运营更多的解决的是用户从哪来的问题。

在目前硅谷流行的增长框架中，拉新是最重要的一个环节，和过去粗放式的流量运营中，关注PV、UV等数据指标相比。在如今流量红利逐渐退去的市场环境下，竞争更加激烈，仅仅从PV、UV等方面作为流量的KPI是远远不够的，还应当从更多的方面进行评价，才能更有效率地进行流量的管理。

1、流量概览

通过多维指标判断基本的流量情况。

在判断流量的基本情况时，除了访问量、UV、PV等这样的量级指标。我们同时还应该多维地关注平均访问时长，平均一次会话浏览页数，也就是我们讲的访问深度，跳出率等基本质量的指标。通过几个指标的基础组合，我们能了解用户使用产品的最基本概况。

例如平均一个访客，一天内访问几次产品。其中百分之多少，仅浏览一页，就直接跳出，丧失了转化机会。用户一次使用大概使用多长时间等等。

产品生命周期的概念，过去最多地应用在商业模型中，而目前也有很多的互联网产品在使用相关的概念。

产品生命周期中，最直观的指标就是访客的构成。访问用户中，包括新访的用户和访问用户。登陆用户，包括新登陆用户和登陆用户。新访客比上全体访客，登陆用户比上访问用户，新登陆比上登陆用户的比例，等等，也可以判断流量的基本质量。

举例来说，一个处在成长期的产品，来访的流量中，新用户的比例很低，说明增长的空间就相对较低。这个时候，我们就应当及时调整运营方向。

2、流量分析

在了解流量的基本情况之后，我们需要对流量进行细分分析，一旦探索和暴露流量方面的问题，制定下一步可执行的策略。

按访问来源分析流量表现

那么在网站的流量分析中，一般分析维度包括访问来源、落地页、搜索词、广告等等。我们主要讲一下访问来源以及流量具体从哪里来。

从访问来源来讲，那么基本的访问来源，我们也可以叫一级访问来源，包括有直接访问、外链、搜索引擎和社交媒体。在每一类访问来源下，又存在多种形式和多种渠道。比如说社交平台和搜索引擎，就会有多个不同的平台。在这个框架下，我们需要去一层一层地进行拆解，从大类到具体的类别，再到具体的渠道来查看流量的表现。

举例子来讲GrowingIO的博客是一个以运营干货为主的网站，有部分用户会直接访问来查看我们博客内容更新。很多文章会进行外部的推广，在媒体进行转载引用。我们自己也会分享在不同的社交媒体中。就如图所示，我们拿社交媒体推广为例，其中访问量、访问用户、平均访问时长、跳出率等指标，我们可以直观地发现，相比较于微信和知乎、微博推广平台的流量质量是相对来说比较低的。

这个时候，当运营资源有限的情况下，我们的运营人员，就需要针对流量的基本表现，来进一步规划社交媒体推广的策略。

从流量入口分析流量表现

我们刚才讲的访问来源的分析中，讨论的更多是流量的来源。但仅仅考虑来源，我们就忽略了流量的另外的一个方面，也就是流量的入口。

所以对一般的网站来说，流量的入口，就是第一个到达我们网站的页面，也就是我们一般所讲的落地页。因此落地页的分析，对于流量质量的判断来说，也是十分重要的。用户到达网站的第一个网页，大部分是哪一个网页，是不是大部分流量被导入或者引流到了无效或者是不重要的页面，从而使用户丧失了进一步了解的兴趣，直接跳出了我们的网站。

通过访问量、跳出率等这些指标我们就可以对我们导流的落地页，有一个基本的判断。

分发渠道和版本

对于APP来讲，流量分析中主要的维度，应该包括的是分发渠道，还有APP的版本等。那么对于分发渠道来讲，我们需要监测用户下载的主要分发渠道。比如说小米应用市场、腾讯应用宝等等。

各个渠道中，除了活跃用户数，也就是我们讲的DAU或者访问用户量这样的指标外，新访问用户量也是一个很重要的指标。对于下载量较大的分发渠道，我们需要进一步去做分发渠道的这种ASO的优化。争取较好的推荐位等。

当然同时，如果当某个分发包出现问题，导致不能下载的时候，我们也可以及时地去发现问题。

在APP产品中，产品会经常去进行一些功能的优化调整，来进行新版本的发布。所以一段时间之内，会存在新版本和老版本APP被同时使用的情况。这个时候我们就需要在时间维度下，去监测不同版本的APP使用用户量占比的一个情况。也就是图中的这种APP版本更迭情况图，进一步地去了解我们的APP版本的更迭速度，以及目前大部分用户使用的是否是我们进行新版本优化的这样的一些情况等等。

在正常分发渠道之外，一般我们还会做一些比如说外部的推广活动，利用H5或者是外部链接等等，去进行APP的推广。对于这些外部链接，以及相应活动推广的这些渠道包，我们也要进一步甚至去重点关注他们的流量的基本表现。

3、流量激活及转化分析

流量的基本的分析，除了访问量、跳出率等指标以外，我们还应该和产品的具体目标结合起来。做流量或者渠道运营的童鞋，在拉新的基础上，更重要的是要找到对产品目标具有正向促进作用的渠道。所以还需要进一步激活。

在下图中，我们以激活来举例，当然激活在每个产品中的定义也是不一样的，有的和注册有关，有的会更深一步。比如说像做支付类产品，可能是做到实名认证等等。不管是什么样子的定义，激活一般是需要一定的流程和步骤的。我们可以按照激活的流程和步骤做一个漏斗分析，得到激活流程的整体转化率，以及每一步的流失情况。

4、综合流量大小、激活、转化等进行渠道的优化配置

接下来，我们就可以按照访问来源来分析每个渠道的激活转化率了。在上图的这个例子中，我们可以看到，对于不同渠道引流的用户，注册激活转化率有较大的差异。

通过这样的分析，我们就能够进一步深入了解不同渠道的差距。比如下图，这几个渠道中，除了好123以外，在转化的第二步之后的转化率的量级，其实是相差不多的。在第一步和第二步之间的这个转化率，有较大的差异。

转化的第一步，一般来讲是一个转化开始的意愿判断。所以我们可以大概地去定位客群特征，并去做推广话术和方法的差异化。对于比如说像好123这个渠道，是一个访问量很大，但是基本上没有转化的渠道。这个时候，我们就需要进一步去对比投放的目标，是想去增加大部分的曝光，还是希望能够精准触达目标的客群，来进一步进行渠道投放的评估。

除此之外，有时候不同渠道整体转化率的差异并不是很大，但是在每一步的转化率上面存在一些差异。尤其是一些垂直行业，特定的推广渠道，目标客群的需求和特征是不一样的。在一定程度上，这些目标客群的区别，就会影响这个核心的转化行为。

所以对转化漏斗分渠道进行分析，我们也可以进一步看到，不同的导流渠道来访的用户，中间的行为是否存在差异，甚至以此来推断客群的特征，并判断是否可以去做一些差异化的运营。

之前在我的文章

《学数据分析之前，你必须要懂这2个概念》

中有提到GA，这是Google公司旗下的一款免费的数据分析软件，功能十分强大。

它能为你提供实时数据监测、受众群体分析、流量来源获取、用户行为等一系列的数据统计和展示。

当你需要查看网站的用户访问情况的时候，GA就可以帮到你。

尤其是当你们公司刚做完活动，需要查看活动效果的时候，就可以设置相应的监测链接。

即时访问情况

当然，在实时数据监测方面还有比GA更好用的工具，这里可以作为一个辅助。

利用GA，还可以获取用户画像。

谷歌号称他的dispaly network有好几百万个，现在网络爬虫技术日益强大，利用爬虫分析工具，用户曾浏览过的cookie信息就能慢慢勾勒出这个用户的画像。

例如以下的特征和兴趣报告。除了年龄，可能还会有偏好、特长等。

这其实不难理解，比如我们某天在网上搜索了一件商品，此后相当长的一段时间里，我们打开的网页都会带有相似商品的推荐窗口。这就是商家利用cookie抓取了我们的浏览记录。

当一个用户留下的足迹足够多，是基本可以拼凑出这个用户的画像的。

利用这个画像，你可以将用户进行分类，针对不同人群采取不同的营销文案和策略，投其所好。

GA还有一大功能是能分析出网站的流量来源，这个流量到底是来自外部链接，还是直接从网站主页点击进去，抑或是从活动页面导入，很多时候能帮你发现意外惊喜，比如某些你还未发觉的外部渠道来源。

比如下图中就有direct（直接来源），这个直接来源，其实是“不知道来源”，所有不知道从哪里来的访问都会被归入此类维度中。其他的，就是几个比较常见的渠道。

大的层面看，可追溯这个流量的来源地区。

细分之下，还能看流量的来源设备。

以及用户所使用的浏览器类型。

后两项数据可以帮助网站技术人员划出工作的“重点”，网站对哪些浏览器和移动端设备的优化和适配可以先着手处理。

用户的访问流量会像一条河流一样，从一个页面蜿蜒至另一个页面，直至跳出或实现转化。

这些数据，都能通过GA监测直观看到。

数据分析能帮助你更全面把握你们做活动的效果，网站还存在的不足。

所谓“前事不忘，后事之师”，每一次活动之后对这些数据进行分析总结，优化改进，下一次，才能更出彩。

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。

产品运营三大核心指标：拉新、活跃、留存。相信每一个小伙伴都不陌生。

不同的产品阶段可能运营策略重心会有所不同，但肯定对于各种拉新活动并不陌生，例如H5活动、广告投放、软文扩散、渠道换量等。

每一轮的投放活动都需要衡量投入产出比ROI，每一次活动结束都需要进行复盘讨论，每一轮迭代投放都可能在验证一些猜想。

我们的目标是：用合理的投入成本，通过各类途径优化，最大化效果产出。

但实际的运营投放中，往往会遇到各式各样的投放方式：

这个渠道说，我们不能实现不了直接跳转下载；

那个渠道又说，我们是做品牌的，高曝光才是我们的优势，转化不关我事；

还有的时候，一个渠道上，就有3个不同的位置x3种素材x3种跳转方式，跳转应用市场之后到底下载了木有，打开APP了木有，效果怎么衡量，头有点晕……

但其实，我们关心的是以下几个方向：合理投入、优化路径、最大化产出。简而言之，我们关心的是：投入产出比。

（在不同的渠道进行拉新）

如何找到最大化的投入产出比，这是每一个负责拉新业务的小伙伴都曾经或者正在头疼的事情。

从上图的流程上看，我们可以优化的就是几个环节：产品是否吸引人、渠道是否优质、投放的方式是否高效、效果是否符合预期。

这里暂时不讨论产品定位，我们只讨论丰富多彩的渠道投放的效果优化。

我有100种投放姿势，就问你敢不敢试~

这里，我们虽然是以APP拉新为例，讨论的是一种多渠道效果数据分析体系，但其实适用于每一个就算不是APP产品，或者你的拉新不是以增加APP用户为核心，都可以复用这套数据分析框架。

设定预期目标

首先，对于任何一次投放活动，我们都必须界定它的目标产出。只有在清晰的效果衡量体系下，渠道数据的对比才有意义，多渠道的ROI才有可比性。

对于APP拉新的投放活动来说，常见的预期效果可能是：

提高对APP的认知（以传播广泛为目的）

成为APP用户（APP下载并激活）

在APP内完成特定行为（如购买、身份验证或者领取礼包）

我们以常见的拉新——“APP下载并激活”为例，先搭建一个数据漏斗，看看我们效果环节上需要观察哪些数据。

如果我们希望监控的是上述内容中③的效果数据，我们就在激活之后继续添加下一层级的漏斗，统计例如加入购物车、确认下单、付款这样的流程。

在这样的漏斗流程之上，我们可以搭建监控指标，有时候监控的数据可能无法实现理想的统计指标，我们可能会需要补充其他监控指标，有时候也无需如此精确的数据粒度。

我们最后监控的数据指标如下（表1）：

而效果数据部分，则可以通过MTA的新增报表——安装来源分析实现。

为什么这里增加了“下载所用网络占比”？

原因是在下载完成到安装，这两个事件属于APP应用市场的原生事件，开发者无法主动采集，但我们依然关心这其中的转化步骤，主要是担心用户如果处于较差网络环境下，下载行为可能会被终止，因此这里用了“所用网络占比”这样的辅助字段数据。

这里的辅助字段数据主要是为了优化转化效果所做的准备。确定了目标，我们第二步就可以做投放过程的数据记录了。

投放过程记录

做这一部分的数据记录，主要的目的，一是为了复盘的时候方便做分析对比，二是为了优化迭代的时候更有方向。

根据埃里克·莱斯的《精益创业》中的观点：每一次的实验迭代，其实都是为了得到一个经证实的认知。

应用在推广投放体系下，每一次投放策略的设计，都是为了验证一个投放策略的有效性，是为了提升效果产出。

这个环节是一个多路分支，我们需要做一些版本记录，以便更好的定位问题。过程图大致如下：

记录过程表2为：

（表2 广告投放策略记录）

*根据投放方式的不同，可能记录的方式也会略有不同

**具体的策略信息可以在详表中展开记录

然后把表1的效果数据映射在表2之后，得到一条投放活动的完整记录。然后就可以通过数据来验证具体的投放策略的有效性了。

验证目标是怎样的投放策略，这一点需要在投放开始前就规划好，这样数据分析的时候才能得到有效的结论。

分析与优化效果

对于搜集到的众多详细数据，我们接下来就可以做一些数据上的结果分析了。

首先，我们可能想验证的是投放素材对渠道1的banner-1的影响，那么，我们把表2中渠道1单独拿出来，可以得到如下表格：

（表3.投放素材对渠道1的banner-1的影响）

如果我们想比较渠道1上Banner和Feeds流的差别，我们可以得到：

我们也可以针对人群定向投放效果、不同的投放时间，乃至渠道效果质量对比等多个维度进行数据分析，通过数据来验证我们的策略，优化投入产出比。

所以，虽然说投放的姿势有千千万，但效果路径总是相似的。

如果你有丰富多彩的投放策略，不用急，不要慌，把路径理出来，控制策略的版本，采用A/B TEST等加快验证迭代速度，最终得到有效的投放策略与最大化的ROI效果。

以上是关于投放效果上的数据指标体系分享，相似的分析思路可以复用在不同需求的投放方案中，包括一些线上、线下的运营活动，其实也可以复用这个框架。

来源：pm28

在数据分析过程中，会遇到各种瓶颈，除去自身技能，分析的内容本身还有很多讲究，你的很多分析反映不出实质，解决不了问题，往往是缺少以下四种提升。

01

深度

深度是指数据分析对企业的支持程度，当企业面临决策难题时，数据分析要有深度，需要理清楚这三个问题：企业的现状和问题是什么？问题为什么会产生？该怎么解决？

比如某数据分析师做得满意度分析

这样的分析远远不够，虽然通过分析，利用“满意度”来衡量出了各关键指标的大小，但是这样的分析并没有暴露提出哪些指标需要改进，也没有分析和竞争对手相比，满意度水平处在什么地位。

于是，将这样的满意度分析通过象限图展示，增加了重要性维度，就能很明显看出需要改进的地方。

接下来与竞争对手相比，处于水平，可以再增加一系列，可得出结论A的整体表现优于B，但在品类和宣传方面需要改进。

之后可以再细化，从数据上寻找是哪个细化指标的表现使宣传满意度最低。宣传覆盖面和宣传频率，所以接下来就要着手这两方面的问题解决了。

02

信度

信度是指分析结果的可靠程度，需要满足对比要可比、差异要显著、描述要全面。

1、对比要可比

比如A国与B国交战时期，A国军员的死亡率是9%，居民死亡率是16%，后来征兵是就以这些数据来证明参军更安全，显然不可靠。因为这两个数字的计算基数是不同的，韩军死亡率的基数是身强力壮的军人，而居民死亡率的基数包括了老弱病残者。

2、差异要显著

尤其是企业在利用大数据做精细化分析时，往往要用数据来理解不同指标的差异。那么数据差异多大才能表明不同用户间崔在差异呢？

能否根据满意度的排序就断定低收入者对商场最满意，高收入者最不满意，显然不行，收入这一因素并没有做对照分析，应该列出同一收入水平，其他因素对满意度的影响。

3、描述要全面

最有代表性的例子就是全国平均水平，平均工资只能反映工资的平均水平，并不能刻画工资水平的差异，平均工资的增长并不能以为着每个人真是收入的增长。

03

效度

效度是指分析的效率，效率的衡量标准有两个：速度和成本，这方面，社交网络分析更效度。

传染病分析的传统方法是国家疾病控制中心从医生、实验室那里收集数据分析疾病的流行性和发病率。当不同的病人在不同地方被诊断时，所有数据经过一定的延迟后，都送到一个中心数据库。几个星期之后，你才会知道你身边的传染病还在什么地方发生了。

这样的分析显然是滞后和无效的。无法起到传染病的预警效果。社交网络分析则不同。社交网络分析思路是处在社交网络中心且连接数目较多的中心群体比随机人群更容易影响外界和受到外界的影响。按照这一思路，中心群体比随机人群更容易受到传染病的感染，因此，在同一段时间内中心群体的感染率更大。

04

通度

数据分析前要了解需求，后期要呈现分析结果。通度即沟通的通畅度，通度高低直接影响数据价值的发挥水平。

提高数据分析的通度有三个原则：

1、能用图表就不用数据

比如左右两边的数据对比

2、能用图片就不用文字

与文字相比，图片更色调化，图表数据图形化的创新，更能让人们产生视觉冲击。

3、能用动态呈现就不用静态

在表达失误随时间的变化而变化时，动态呈现能还原真实，比静态展示更能让人产生身临其境之感，如FineBI的气泡图展示，自然而然的重力下沉，让人的视角自然聚焦到下方。

除去动态的图表，在利用FineBI做可视化数据分析过程中，联动、钻取、螺旋式分析也是图表信息“再生”的主流方式。即在已经展示好的图表面前进一步做自助式的分析。

联动&钻取

数据分析没效果，是因为缺少这4种提升!

切片换维