身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。

来源：CPDA 数据分析师

1. 《数据之美：一本书学会数据可视化设计》

这是一本教大家如何制作一张精美的可视化图表、挖掘大数据背后意义、足够系统的数据可视化入门书。书中，作者提供了丰富的可视化信息及探索数据的多元视角，他避开了一些技术性细节，从宏观和感性的角度介绍如何将数据转变为直观可视的图形，并且深入浅出地介绍了数据可视化的步骤和思想，丰富了读者对数据及可视化的认知。

2. 《数据之魅：基于开源工具的数据分析》

作者在书中详细分享了他从事数据分享工作的丰富经验，阐述了数据分析所涉及的概念和方法。包括如何用图形及表格来观察数据、如何建模分析数据等。书中的主题部分介绍了该如何进行数据挖掘，并包含了大量的模拟过程及结果分析。

3. 《社交网站的数据挖掘与分析》

目前，各类社交网站已经渗入大家日常生活中的各个角落，它们无时无刻不在产生着大量宝贵的社交数据，而这本书中便告诉了大家如何利用这些社交网络数据并通过可视化技术来挖掘出数据背后更深层次的价值。

书中分章节系统地介绍了如何在不同社交网络中应用数据挖掘技术。需要特别指出的是，阅读并学习这本书需要一定的编程知识及学习基本 Python 工具的意愿。

4.《数据挖掘技术》

这本书是数据挖掘领域的经典著作之一，自 1997 年第一版出版以来便经久不衰。书中从技术、应用两个方面系统、全面地介绍了数据挖掘的商业环境、及其在商业环境中的应用。本书的包含了数据挖掘技术的核心内容，包括：

决策树、神经网络、协同过滤、关联规则、链接分析、聚类和生存分析等，极具技术深度与广度。

5.《大数据时代》

《大数据时代》一书在大数据研究领域具有举足轻重的地位，作者维克托 迈尔 舍恩伯格认为大数据的核心就是预测，并前瞻性地指出，大数据带来的信息风暴正在颠覆我们的生活、工作和思维，大数据开启了一次重大的时代转型。

全书用三个部分讲述了大数据时代的思维、商业、管理变革。

6. 《集体智慧编程》

此书是 Web 开发者、构架师、应用工程师的绝好读物。书中以机器学习和计算机统计为背景，着重讲述如何挖掘和分析 Web 上的数据和资源。包括协作过滤技术、集群数据分析、所搜引擎核心技术、社交网络的信息匹配技术。

读书最好的时候是学生时期，其次是现在。有不少人求小编给推荐数据分析入门或者自我成长的书籍，今天刚好有空闲，小编就从入门级到高级的书籍循序渐进推荐给大家，大家根据自己的水平挑选，如果有更好的书，欢迎大家留言给小编！

以下为入门级书籍

适合对数据分析的入门者，对数据分析没有整体概念的人，常见于应届毕业生，经验尚浅的转行者。

Excel

《谁说菜鸟不会数据分析》

知名度比较高的一套书，适合新手，优点是它和数据分析结合，而不是单纯地学习函数。学会函数适用的场景和过程比它本身更重要。

这本书不仅讲解了一些常见的分析技巧，并附带 Excel 的一些知识以及数据分析在公司中所处的位置，对职场了解亦有一定帮助。这本是入门篇，还有一本是专门介绍工具篇的，有兴趣的同学可以看看。

数据分析

《深入浅出数据分析》

HeadFirst 类的书籍，一向浅显易懂形象生动，可以对分析概念有个全面的认知。

数据可视化

数据可视化的书不多。市面上多以编程为主，面向新手和设计的教程寥寥无几。 如果只是了解图表，看 Excel 的书籍也管用。

《鲜活的数据》

内容很丰富，涉及可视化的方方面面，也囊括更类编程语言和设计软件：Python+JS+R+Excel。作者还有另外一本书《数据之美》。

可视化是一门侧重灵感的学科，有一种入门技巧是从他人设计中学习，从模仿开始，了解他人是如何设计的，这个网络上有大量的信息图可以参考。当然数据分析师更需要的是如何发现，别只学习展示。

《赤裸裸的统计学》

本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。

进阶版

具有一定的行业针对性，要求具备一定的分析常识，适合网站分析师，商业分析师以及数据产品经理。

《数据化管理：洞悉零售及电子商务运营》

本书讲述了两个年轻人在大公司销售、商品、电商、数据等部门工作的故事，通过大量案例深入浅出地讲解了数据意识和零售思维。作者将各种数据分析方法融入到具体的业务场景中，最终形成数据化管理模型，从而帮助企业提高运营管理能力。书内全部案例均基于 Excel，每个人都能快速上手应用并落地。

统计学

统计学是比较大的范围，分析师往后还需要学线性代数和矩阵、关系代数等。初学者不需要掌握所有公式定理的数学推导，懂得如何应用就行用。

《深入浅出统计学》

大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。

SQL

数据库有很多种，常见有 Oracle，MySQL，SQL Server 等。我推荐学习 MySQL，这是互联网公司的主流数据库。以后学习 Hadoop 生态时，MySQL 也是最接近 Hive 语法的语言。

MySQL 不需要专门看书学习，因为数据分析师以查询为主，不需要考虑数据性能、数据安全和架构的问题。

《MySQL 必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品 / 运营 / 分析师 同学，都建议点亮 这个技能点。

《网站分析实战》

互联网不再是网站的天下，但是移动端依旧有 Web，我们在朋友圈看到的所有 H5 活动、第三方内容等，都是依托网页实现。网站的数据分析依旧有存在空间，网站的数据指标还是能够指导我们运营。

Python/R

欢迎来到数据分析的最后殿堂，Python 和 R 都是大分支，基本是前面所有内容的实现。Python 的学习以 PY3 为前提，毕竟 2017 年了，我实在想不出不用 Python3 的理由。

除了书籍，Python/R 更多依靠博客和文档学习。Python 的学习路径不陡峭，新手水平取决于查询能力，所以也请学会如何高效搜索。

《深入浅出 Python》

还是深入浅出系列，完全适合零基础的新人。需要注意的是，编程学习不同于其他知识，如果计算机基础不稳固，在使用中会遇到各类问题。知其然不知其所以然，这是本书缺点：能掌握，但是 Bug 比较多。

《Python 学习手册》

对于拥有编程基础的人，这本书系无巨细的有些啰嗦，不过对新人，可以避免不必要的坑。把它当作一本工具文档吧，当遇到不理解的内容随时翻阅。这是纸质书比电子书好的优势之一。

《Python Cookbook》

Python 的进阶书，如果想要掌握更好的编程能力，这是一本经典，值得时时翻阅。注意，它更偏向程序员。

《R 语言实战》

R 语言的入门书籍，从数据读取到各类统计函数的使用。虽然没有涉及机器学习，依靠这本书入门 R 是绰绰有余了。

《统计学：从数据到结论》

这本书是将 R 语言和统计学结合的教材，可以利用这本书再复习一遍统计知识。缺点是书本后面的内容质量不如前部分。

到这里，入门到进阶级别的书籍推荐完毕，当然好书不嫌多，例如《数学之美》、《集体智慧编程》、《统计学习方法》等，有兴趣不妨阅读。上面的内容都吃透，不论是成为一名数据分析师，还是往后向机器学习、数据科学家、数据产品发展、都有了良好的基础。

希望小伙伴们都能沉下心阅读。

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。

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。

一、方案背景

客户至上，我们都希望服务好我们的客户群，同时能够最大程度地发挥客户价值。

所以当你上线了新的产品，当你希望二次推广，当你准备结合政策或热点做营销驱动业务增长，你都希望能让你的客户能够进行消费。

所以你准备了完美的产品或营销发布计划，内容、设计、主题、号召性用语、各方面渠道运营都很完美，消息覆盖面多达3W个客户。你美滋滋地期待能够有”10%“的转化，一天内至少3000个客户产生感兴趣或者直接购买的行为。

一小时、两小时、一天、两天、三天过去了，只有300多个客户好像感兴趣来联系了公司。

非常让人失望，不是吗？更何况我们不管是电商、零售、直销或B2B，我们不是都有专门的营销团队去做市场营销，去设计专业的文案。

为什么？因为不同的客户对消息会有不同的反应，有些客户对价格敏感，有些客户对新品感到兴奋，有些客户只有基本需求。

我们不需要向所有客户群体进行邀请，只需要对其中可能不到20%的目标优质客户下手就能事半功倍。

很明显，这就是我们要进行客户管理数据分析的原因，我们希望了解我们的客户，以便我们投放的资源是合理的。

因此我们提供了一个客户管理数据分析的解决方案便于参考，让您通过鼠标点击和拖拽就能够轻松地掌握客户管理的基础数据信息，同时识别最佳客户，学习客户管理里最通用的RFM客户价值管理模型，掌握客户流失、客户行为分析等综合分析，进一步体会到客户管理数据分析的妙用。你也可以再利用我们提供的数据自己再尝试性做一些客户管理数据分析的模板。

二、方案内容

本方案将给大家着重分享以下企业客户管理数据分析方面的内容干货：

1.如何快速搭建客户管理数据分析平台？

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

5.如何让企业客户管理数据分析成果实现团队协作共享？

三、方案效果及实现说明

1.如何快速搭建客户管理数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加客户管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些客户管理数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在客户管理业务包中添加好客户基础信息表、消费记录表、消费产品信息表、客户登记表（会员等级），以及进步处理得到的交易RFM交易明细表，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的客户管理业务包的权限分配给业务部门相关人员，并且在管理系统-用户管理中将对应授权人员加入到BI编辑用户的已授权列表中。

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

数据底层搭建完，就可以使用分配好数据权限的账号登录平台，快速新建仪表板做基础数据分析了。

以客户基础信息为例，这里的客户是to C的零售客户信息，其它行业的客户基础数据信息同理。右下角的明细表是我们通常在做基础信息分析时最传统和熟悉的报表展现，可以通过一张明细表先把客户的基础属性拖拉出来，然后再针对其中的年龄、性别、职业、籍贯等我们更关心的一些客户具体属性做进一步分布、组成和对比分析，可以得到客户群体的基础属性全貌。

我们还希望研究当前我们客户当前的客户关系，如重要/不重要客户的分布及组成占比。一般重要/不重要的客户定义可以通过我们对客户打标签，比如对于金融机构而言，认为贡献金额大于1000万的为重要客户，我们更为关心。

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

a.客户行为分析

我们从客户日常的购物行为数据中，可以去对客户偏好的店面风格、偏好时间、偏好品类、偏好品牌、偏好地点去做进一步探究，以便于我们在采购或者营销时可以采取最佳的资源配置。其它企业同理，对于频繁发生商务行为的顾客，可以对该顾客的偏好进行分析，以对该类顾客针对性采取营销或者运营措施。

b.客户价值分析（RFM客户价值模型）

FineBI支持接洽各种的业务分析模型。这里是客户管理中最经典的RFM客户价值模型，是客户留存分析、客户流失分析、重点价值分析、客户行为分析的综合应用。利用RFM模型对客户进行细分的结果，可以开发出许多可视化数据分析模板，来通过一张相当经典的DashBoard来简要分析下RFM模型的具体应用。

1.矩形树图-客户价值分类：是整个RFM模型的核心，直观显示了8个客户群的人数及占比，可以联动到其它组件来查看具体某客户群下的情况。

2.试管型仪表盘-客户类型人数：显示各客户类型的具体人数

3.饼图-交易金额组成：由于我们最关心的是各客户群的价值贡献，所以研究不同人群的交易金额占比，可以得到哪个人群的贡献值较大，对于我们的价值更大。

4.点图-MF-R分布：横坐标为F交易频率，纵坐标为M交易金额，点大小为R上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。

5.点图-RF-M分布：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。

6.点图-MR-F分布：横坐标为M交易金额，纵坐标为R上次交易间隔，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。

7.分组表-交易明细：显示各客户类型下的客户交易明细。

这个DashBoard可以快速锁定我们关心的客户群体，确定他们的具体特征及名单。最后只要根据这个分析的结果来采取针对性的业务决策。

具体关于RFM模型的详细介绍可以参见这篇文章：《手把手教你搭建，RFM客户价值分析模型》

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的客户管理数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析统计结果。

可以看到轻松拖拽就可以马上完成可视化，实现快速分析。

5.如何让企业客户管理数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将客户管理数据分析成果实现团队协作共享的呢？

以上文所述的RFM模型分析为例，那么通过FineBI可以非常便捷地将它分享给相关部门或者指定人员的。

例如这边想把它分享给销售的leader，那么可以在FineBI的仪表板中将做好的RFM模型分析模板点击分享给对应销售部的saleLeader，然后点击确定即可。这样一来，对应的Lisa登录之后就完全能够使用该模板。

关于客户管理的分析以上只是举了一个案例，告诉大家怎样去通过BI工具分析，具体的实操，大家可以尝试下。

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。

作者：CDA数据分析师

大数据分析与数据分析这几年一直都是个高频词，很多人都开始纷纷转行到这个领域，也有不少人开始跃跃欲试，想找准时机进到大数据或数据分析领域。如今大数据分析和数据分析火爆，要说时机，可谓处处都是时机，关键要明了的一点是，大数据分析和数据分析两者的根本区别在哪里，只有真正了解了，才会知晓更加适合自己的领域是大数据分析师还是数据分析师。毕竟职场如战场，时间就是生活，不容儿戏，更不容怠慢。下面我来好好告诉大家两者的本质区别到底是什么！

大数据分析：指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据分析指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，因此不用考虑数据的分布状态（抽样数据是需要考虑样本分布是否有偏，是否与总体一致）也不用考虑假设检验，这点也是大数据分析与一般数据分析的一个区别。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

大数据分析与数据分析最核心的区别是处理的数据规模不同，由此导致两个方向从业者的技能也是不同的。在CDA人才能力标准中从理论基础、软件工具、分析方法、业务分析、可视化五个方面对数据分析师与大数据分析师进行了定义。

【数据分析师的要求】

数据分析师的理论要求：统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘。

工具要求：必要：Excel、SQL可选：SPSS MODELER、R、Python、SAS等

分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法，贝叶斯，神经网络，决策树，聚类分析法，关联规则，时间序列，支持向量机，集成学习等）和可视化技术。

业务分析能力：可以将业务目标转化为数据分析目标；熟悉常用算法和数据结构，熟悉企业数据库构架建设；针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息；通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析。

结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。

【大数据分析师的要求】

理论要求：统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础。

工具要求：必要： SQL、Hadoop、HDFS、Mapreduce、Mahout、Hive、Spark可选：RHadoop、Hbase、ZooKeeper等

分析方法要求：熟练掌握hadoop集群搭建；熟悉nosql数据库的原理及特征，并会运用在相关的场景；熟练运用mahout、spark提供的进行大数据分析的数据挖掘算法，包括聚类（kmeans算法、canopy算法）、分类（贝叶斯算法、随机森林算法）、主题推荐（基于物品的推荐、基于用户的推荐）等算法的原理和使用范围。

业务分析能力：熟悉hadoop+hive+spark进行大数据分析的架构设计，并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景，根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。

结果展现能力：报告能体现大数据分析的优势，能清楚地阐述数据采集、大数据处理过程及最终结果的解读，同时提出模型的优化和改进之处，以利于提升大数据分析的商业价值。

综上大数据分析与数据分析的根本区别就是分析的思维与分析所用的工具不同。大家在求职或转行过程认清自己对两者的偏好和自己的兴趣所在，以及自己的能力更适合在哪个领域发挥，还有自己所在城市对两者的职业需求，综合天时地利人和三个条件，我们才能做出更理智更客观更科学的抉择。

一般情况下，我们所说的分析是指，使用大量数据、统计和定量分析、解释和预测以及基于事实的管理来推动决策过程与实现价值增生。

根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。描述性分析包括数据收集、整理、制表、制图以及描述正要研究的食物的特征，这类分析以往被称为“报告”。描述性分析可能非常有用，但它不能解释某种结果出现的原因或者未来可能会发生的事情。

预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性，比如在看到某个广告后，一位消费者可能会去买产品的可能性。虽然预测性分析中的预测是基于变量之间的关系做出来的，但这不代表预测性分析中都需要明确因果关系。事实上，准确的预测并不一定与需要基于因果关系。

规范性分析是更高层次的分析，如实验设计和优化等。就像医生会在出处方建议患者采取什么行动一样，实验设计试图通过做实验给出某些事情发生的原因。为了能够在因果关系研究中信心饱满地做出推断，研究人员必须妥善处理一个或多个独立的变量，并有效控制其他的变量。如果处于试验环境下的测试组的表现大大优于照相，决策制定者就应该立即推广这种实验环境。

优化是规范性分析采用的一种方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。例如，我们可以能会对识别最有可能让产品实现高收益的价格感兴趣。同样地，优化这种方法能够识别出使了零售企业最大限制避免缺货情况的库存水平。

根据分析采用的方法以及收集和分析的数据类型，我们可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。定性分析的目的是深入了解某种现象的根本原因和诱因。非结构化数据通常是从少数非代表性案例中收集而来，并进行了非统计性分析。定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指通过统计、数学或者计算的方式对现象进行系统的实证研究。通常情况下，结构化数据是从大量典型案例中收集而来，并进行统计分析。

为了服务于研究者的不同研究目的，存在以下几种类型的分析：

*统计学：收集、整理、分析、说明和呈现数据的学科；

*预测：根据已有数据，预测一下一些感兴趣的变量在未来某个特定的时间点的情况；

*数据挖掘：通常使用算法和统计技术，自动或半自动地提取大量数据中未知的有趣模式；

*文字挖掘：用类似数据挖掘的方式从文本中得模式和趋势的过程；

*优化：在同时满足约束条件的情况下，按照某些标准利用数学方法来寻找最优的解决方案；

*实验设计：给各组随机分配被试。然后使用测试组和对照组来推导出特定结果中存在的因果关系。

虽然此处给出了一些列常用的分析方法，但在使用过程中会不可避免地出现相当大的重叠。例如，回归分析（regression analysis）是预测分析中最常用的方法，与此同时，他也是统计学、预测和数据挖掘中常用的方法。此外，时间序列分析（time seties analysis）是用于分析数据随时间变化的一种具体统计方法、在统计学和预测中经常被用到。

当今时代信息化产业飞速发展，各类底层大数据平台百花齐放，亿级数据、秒级响应已经不再是当年的遥不可及的神话。然而对于企业来说，数据计算快仅仅是满足企业进行业务数据分析的硬件基础，如何发掘这些海量的数据产生应用价值，走好数据分析这最后一公里，引导企业进行战略决策却是至关重要的一步。

本文以互联网行业为数据业务分析背景，希望能跟大家交流一些数据分析方面的心得和体验。

——本文使用数据分析工具为FineBI 商业智能工具

数据分析的本质其实是做数据对比分析，没有数据对比，单一的指标统计往往难以发挥数据价值。像我们常见的数据对比分析方法有同比、环比、占比等一系列分析指标，那是不是所有的数据业务场景都可以直接进行套用分析呢？比如我们统计企业2018年1月29日的同比流量，是不是可以直接对比2017年1月29日？表面上看好像2017年1月29日确实就是2018年1月29日时间层面上的同比日期，但是我们仔细对比查看这两个日期会发现2018年1月29日是周一，2017年1月29日确是周日。对于很多行业的企业来说，非工作日和工作日的数据往往是有很大差异的，这个时候单纯从日期层面来进行对比其实是没有什么意义的，选择对比同是周一的2017年1月30日的流量数据进行同比计算可能会更加有价值。

目前互联网行业做搜索引擎的有Google、百度，做综合门户的雅虎、新浪，做即时通讯的主要是腾讯，电子商务方面的主要是阿里、京东、亚马逊等。不论是以上的哪家互联网企业，往往都需要有一套引流、转化、消费、留存方面的运营策略，平台的流量数据分析往往都是非常重要的。

互联网流量数据分析方面，总结主要有如下四种数据常用分析方法：

1.对比分析流量规律，针对时段进行企业服务以及推广活动调整；

2.对比分析结构占比，指导进行定向群体营销推广

3.对比分析异常情况，及时追责并且进行调整；

4.对比追踪活动流量变化，总结活动效果经验以便后续有针对性调整。

如上图所示，我们通过FineBI工具制作出以上的流量数据分析模板，接下来尝试着对数据做一些对比分析。

一、用户浏览量周分布

对于互联网企业来说，流量数据往往都会呈工作周相关。对此，我们可以先宏观地统计出周一到周日中的总的平台流量柱状图数据对比情况。首先我们可以仔细观察工作日和非工作日的数据，发现周末的平台流量较工作日流量要高，这在互联网行业来说都是一个比较普遍的现象。

用户流量的周分布规律之后，我们就大致有一个推广方向，周末休息时间用户群体较大，相较于工作日可以投入更多的和丰富有吸引力推广活动来进行新用户引流和老用户活跃。

接着我们可以进行下一步思考，那工作日和周末我们的活动推广时间如何制定？有的同学们可能会觉得全天活动都可以，不需要关注具体的活动时间。但是对于互联网行业来说，每个时间段的推广费用都是较为昂贵的，我们完全可以分析出工作日和周末的用户流量趋势，进行有针对性的时间段投入推广，通过更小的成本获取到更多的用户流入。

首先是工作日的时间段流量统计分布，我们通过BI工具分时间段作图得到如下所示的流量分布图。可以看出，工作日的流量主要集成在每日的9点（上班时间）、13点（午餐时间）、20点（晚间娱乐休息时间），那么在得到这样的一些用户流量规律之后，便可以在这些用户活跃高峰期时间段有针对性对白领群体多做一些相关商品推广活动，以实现最小时间成本和推广费用最大化用户引流效果。

再来看周末的各时间段流量分布走势，和工作日所不同的是，周末的流量早高峰期延后到了10点，这可能和各位小伙伴们周日作息较晚有关（同学们周末都是几点起床呢），除此之外，晚上的流量高峰退潮期也有延后。针对与周末用户流量分布的特性，互联网企业在周末时可以将活动开始时间和活动结束时间都适当进行延后，这个时候不能再套用工作日制定好的活动时间计划了，因为符合用户群体作息规律的推广促销活动才能达到更好的效果。

二、推广渠道流量分布

对于互联网行业的推广渠道分布主要分为三级渠道：线上渠道、线下渠道、新媒体营销等等。对比分析每个渠道对企业所带来的价值占比差异，以指导制定有针对性营销策略。

如上图所示，由于推广渠道是分多层级的，我们通过BI工具的多层饼图进行数据的分析统计再合适不过了。分析下图的数据我们可以看出，首先是一级渠道的主要战斗力来自于新媒体营销，当今的微信、今日头条等社交媒介社区时代受众广泛，用户群体非常庞大，是公司需要投入主要成本进行推广的。其次线上渠道的效果也不容忽视，对于互联网企业来说，做好百度、Google等SEO搜索引擎关键词推广也是很重要的一部分工作。相较于线上渠道和新媒体营销，线下渠道说所需要的经费和时间、人力成本较大，受众又相对较小，所以此类活动往往针对核心粉丝进行运营即可。

三、各月份指标对比走势

在分析各月份指标对比走势数据之前，先简单介绍下互联网营销常用的几个指标概念：

1.浏览量（pv）

2.访问次数（visits）

3.访客数（uv）

以上三个基础指标常用来衡量流量数据的多少。另外平均访问深度（总浏览量/访问次数）、平均停留时间（总停留时间/总浏览量）、跳失率（跳出次数/访问次数），这三个指标通常可用于衡量流量指标的优劣性。

我们仔细分析上图中的平台流量指标，可以发现10月份是2017全年的流量高峰期，应该跟企业在国庆黄金假期所做的促销引流活动有关。浏览量、跳失次数、访问次数分别为4941、1290、2182，对比计算可得到跳失率为59.12%，明显低于其他时间段的跳失率，说明10月份的活动效果还不错，其经验对以后的营销推广可以起到参考作用。

最后是访问深度用户群体分布分析（跳失率=跳出次数/访问次数），我们通过BI工具将企业的VIP用户、老用户、新用户分别进行分时间段的用户群体访问深度分析统计。总体来说可以发现平台的VIP用户访问深度较老用户以及新用户稍微高些，但是不是太明显，说明平台运营的VIP这部分群体的活跃度还有待提升。同时，平台老用户访问深度和新用户更是相差无几，公司对于用户这方面的活跃运营明显需要加油了，建议将平台的部分忠诚度较高的老用户以VIP用户组建起来，共建平台生态圈，增加整体的用户活跃度。同时可以向老用户以及VIP用户实施一些优惠政策，如定向商品折扣、根据用户画像进行喜好商品特惠推送等。

本次的数据分析经验心得分享暂时先写到这里，后续将继续给大家分享关于互联网数据运营方法的转化、消费、留存等方面的一些经验，欢迎大家一起共同交流探讨互联网运营之道。

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。