什么是大数据分析？

大数据分析是指对规模巨大的数据进行分析。大数据可以概括为4个V， 数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）。利用大数据分析的技术，将海量数据以多维数据分析的形式表示，从不同的维度对数据进行更深入的观察和分析

大数据分析的六个基本方面

大数据分析生命周期的三个阶段

获取：结合传统数据构架与新数据结合，更快更好管理

分析：注重分析数据并形成洞察力

行动：利用洞察力为企业创造价值

大数据分析的应用

随着大数据的发展，大数据分析广泛应用在各行各业，其中在金融与零售行业应用较为广泛

大数据只是一个空洞的商业术语，当然，这并不是说大数据没有具体意义，只是对于不同的人有不同的含义。

A、对于投资人和创业者而言，大数据是个热门的融资标签，如今每一家互联网公司都急于把自己标榜为大数据公司

B、对于大多数互联网公司或者工程师而言，大数据实际上只有一个意思，就是把一堆乱七八糟的数据扔到 HDFS 上面然后进行计算

C、对于消费者或者互联网所谓的“用户“来说，大数据的意思的就是尽可能地搜集跟终端消费者相关的隐私，然后进行营销

大数据分析的成功案例（以百度大数据为例）

百度大数据中心与峨眉山景区强强联合，从搜索行为、游客人群、景区定制数据和百度舆情进行全面合作，以适应对数据的需求、掌控旅游发展的趋势；大数据合作为做好未来旅游发展奠定了重要的基础，能够做到早发现、早分析、早应对，对及时的做好精准营销、社群营销和网络营销都有积极的帮助，无疑是以大数据支撑“互联网+旅游”落地的极佳案例。

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。

针对想要自学数据分析的小伙伴们，科多大数据给大家分享一位数据分析小白的自学之路。

作为数据分析的小白初学者，在开始正式学数据分析前，肯定都想先看看别人学习的经验。我的大概情况是，目前研二通信专业，本科专业测控，由于种种原因，对数据分析比较感兴趣，于是开始了独自摸索过程，这里总结我自学数据分析2个多月的经历。希望能给后面的初学者带来一些启发。

一、数据分析师的方向

先选择了正确的方向，再朝着这个方向努力是学习一个新领域的正确姿势，因此开始正式学习前，我首先查阅了大量资料，了解数据分析分为哪些方向，并明确自己想往哪个方向走。

1.数据分析的方向分类

数据分析可分为两类：一种偏向产品和运营，更加注重业务，主要工作包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等；另一种则更注重数据挖掘技术，门槛较高，需要扎实的算法能力和代码能力。（总结了@路人甲大神的说法）

2.数据分析的行业分类

1）互联网行业是数据分析应用最广的行业，是数据分析师理想的成长平台。

2）其次是咨询公司。相对来说，数据分析师在咨询公司成长的速度更快，专业也会更全面。3）再次是

3）金融行业，比如银行和证券等行业，该行业对数据分析的依赖需求，越来越大。4）最后是

4）电信行业，（移动、联通和电信），它们拥有海量的数据，在严峻的竞争下，也越来越重视数据分析，但进入这些公司的门槛比较高。

3.确定自己的方向 由上可知数据分析大致分为两类：偏重业务和偏技术路线的，明显偏技术路线是很难速成的，鉴于我今年9月份要开始校招找工作，且自己对产品向很感兴趣，因而我选择了更偏向业务的数据分析。此外，自己最感兴趣的行业是互联网。

基于以上确定了我的最理想职位：互联网公司的偏向业务的数据分析。

此外，为了了解公司对该职位的最新要求，招聘数据分析实习生的互联网公司我都进行了网申，我知道以自己两个月所学还不能满足职位要求，只是为了做了一下笔试题，从而了解公司的数据分析到底偏重哪些技能，并进行有针对性的了解相应的知识。（目前我做过了阿里、京东、美团的数据分析实习生的笔试题，觉得这是个了解公司数据分析岗位最新要求的有效方法）

二．我是如何学习的？

结合公司的招聘要求，我是按照以下几个部分进行学习的：

1.统计学学习。

统计学是数据分析的基础，因而我选择从这个开始学习。

已有基础：大学我学过概率论统计学这门课，学的还不错。

看完书籍：《深入浅出统计学》、《从零进阶！数据分析的统计基础》

花费时间：共计11天每天上午3个小时，一共33个小时。

推荐书籍：《从零进阶！数据分析的统计基础》

推荐理由：

前面很多高赞答案推荐《深入浅出统计学》，因而开始的时候我选用的这本，已将整本书看完，感觉重点不够突出，太过啰嗦以至于浪费时间，逻辑不是很连贯，尤其是假设检验那一章写的太绕了，后来又入手看完了《从零进阶！数据分析的统计基础》这本书，这本书每一节有相应的少量习题和配套答案可巩固，逻辑和重点都非常清晰，有了对比之后，强烈建议和我一样的小白初学者使用《从零进阶！数据分析的统计基础》这本书！

知识巩固：每看完一章，我都会进行总结梳理一章的内容，这样可以让知识结构化；此外，由于统计学有很多概念，都很生涩，为了加深印象，我列出了很多诸如置信水平、区间估计、假设检验、P值等概念，做成了几张图片，偶尔就给同学发过去，让她随机挑选一个，然后我再用通俗的语言给她解释下这个是什么东西。（这样做的好处既能加深自己的印象，又能模拟面试官的提问。一举两得。）

2. EXEL看完书籍：《谁说菜鸟不会数据分析》

共计时间：这个相对来说不怎么耗费脑子，而且鼓捣图表比较好玩，很有成就感。因而我是每天吃完下午饭后进行学习Excel，因为这个时候我的学习效率相对较低（比较高效的时间段，我用来学习Python）。EXcel学习共计13天，每天晚上7点到9点2个小时，共计26个小时。

读完感受：这本书不错，内容比较详细，且书中介绍了数据分析的一些常见方法，并重点介绍了EXEL的数据透视表，函数，各类图表适用场景及如何制作的内容，自己感觉比较适合我们初学者，可以先根据这本书学习EXEL。

巩固提升：由于菜鸟这本书对函数部分设计的比较少，所以我又跟着大神的专栏进行了学习，感觉这几篇文章整理的很好，所以在此列出。

第一篇数据分析—函数篇。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。第二篇数据分析—技巧篇。主要简单讲解很有新价比的功能，提高工作效率。第三篇数据分析—实战篇。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。

碎片化学习

3.数据库

数据库基础

学习网站：基础知识我是跟着最多人推荐的这个网站学习的：SQL教程_w3cschool

个人感觉：这个教程条理清晰，比较适合我们小白初学者。

共计时间：查看了我的时间表，算了一下数据库基础知识部分，我一共花了30个小时

左右，感觉数据库还是比较容易上手的，不是很难，所以你们不要怕哈~

刷题：基础教程学完后，我用了这两套题刷题：

SQL练习题及答案（连接写法）

SQL练习题及答案（多次子查询）

因为基础知识跟着网站学习的时候，我学的比较粗糙，刷题才发现有很多知识漏点，所以又返回去查缺补漏，因而刷题时间耗费的时间很长，用了大概20多个小时。

强烈建议：学完数据库基础知识后一定要刷至少一套题，刷完后你会发现对数据库的理解深入了很多，然后那几天我睡觉的时候满脑子都是select......

4.业务学习

推荐书籍：《精益数据分析》、《增长黑客》、《数据挖掘与数据化运营实战，思路、方法、技巧与应用》

个人感觉：学习一样新东西，不断感受它的有趣性才是持久性动力。所以我一般是看Python代码看烦了的时候，就会看一下这三本书，感受一下数据对运营和用户的作用，真的很有趣。由于都是利用这些碎时间看的，所以这三本书目前还没看完，但就目前所看，我觉得都很好，尤其是增长黑客附录里给了一些数据常用指标，很有用。至于《深入浅出数据分析》这本书，我看了两章之后放弃了，还是觉得太啰嗦了（仅是个人见解），因而没有读下去，可能我不太适合这种从大量言语中找重点的书籍。

碎片化学习：要了解公司是如何运营，产品是如何开发的，这些需要不断地积累和广泛的阅读。所以我利用自己玩手机的时间来训练这些思维，我关注了“互联网周刊”、“人人都是产品经理”、“逻辑思维”

这几个微信公众号（我认为这几个都很不错） ，偶尔在不想学习，玩手机的时候会看一下这几个的推送文章，但不是看完就算了，比如“人人都是产品经理”前一段时间推了一篇文章《美团和滴滴的战争，饿了么如何选择？》，我会先尝试着思考一下自己的答案，然后再看下文章里传达的看法，看完之后我会再试着从多角度去思考这个问题，并在去食堂吃饭的路上和同学讨论下这个问题，阐述下自己的看法。（真的觉得向别人讲述才是成长的最大利器！）

此外，我关注了喜马拉雅FM听书电台APP的PMCAFF产品社区专辑，这里面是每天解答一个围绕关于产品和运营的小问题，我列几个我有印象的：“微信消息为什么没有已读未读的提示？”、“微信和支付宝为什么一直没有加入启动页广告呢？”、“继短视频后，下一个流量风口会是什么？”，每个都很简短，只有3分钟到4分钟左右，非常简短又有趣，每天晚上睡觉前，趟床上睡不着的时候，我会选择听一个，感觉对我关于产品和运营的认识有很大提高。

5.Python学习

使用工具：Anaconda+Pycharm（或者Spyder也很好用）

如果还没有开始Python工具下载的初学者，切记不要直接装Python,推荐直接装Anaconda搭建起来的科学环境要方便很多。建议安装Anaconda+Pycharm来学习Python，尤其是对于学习数据分析的同学。（多次入坑的血泪之谈，避免很多麻烦啊！）

安装教程：和大多初学者一样，我在纠结于安装什么样的IDE，以及怎样安装上浪费了很长时间，终于安装成功。这其中差点在安装过程的繁琐中就放弃了学习，因而我写下了我的安装过程,非常详细，细致到了每一步安装过程的截图，希望能让后面的初学者不在安装上面浪费时间。

Python学习之工具准备——Anaconda+Pycharm的安装过程

学习网站：廖雪峰的Python3教程

学完感受：觉得整体都很好，比较适合我们小白学习，但是个别知识不够结构化，比如列表、元祖、字典、集合这几个知识点太分散了，我觉得放在一起学习讲述它们的联系与区别比较好。刚学完这几个，我全都混淆了，所以立马搜索了一下这几个相关知识，发现有人网上有博主总结的很好，立马清晰了很多。所以，这里我想说，不要单一靠一个学习资源（但前提是只以一个为主），遇到没搞懂的，立马百度补充。

进阶补充：由于数据分析需要熟悉Numpy、Pandas、Scrip、Matplotlib等常用的包，而廖老师的网站中缺乏这部分的内容，所以学完基础Python后，包的学习我是跟着一个视频学习的，目前刚进入这阶段的学习，所以无法提供什么有效信息，待我学完这部分，我再来评价吧。

6.基础算法和图表可视化

这两部分目前也还没开始学习，所以也无法提供有效信息。

三．最后的建议

1.时间管理

为了敦促自己的学习，我做了一个Excel时间管理表，其中包含了周计划和月计划，并记录了每天的进程，我觉得这个方法对我来说很有效，所以推荐给你们。

2. 碎片化学习

Python、统计学之类的还是要系统化学习，毕竟让我在等公交的时间看一个Python代码或者算一个概率题，我可能想打人！！。 但运营和产品等业务知识，还是可以利用我们的零碎时间来不断积累，其实只要将平时刷娱乐新闻的时间换成互联网消息就可以了，习惯了之后会发现，这些知识真的更有趣!

作为一个小白，讲述了自己这两个多月的学习历程，可能会有错误，仅供参考，非常感谢！

说到数据分析，其实很简单，就是找到问题、来解决问题。在做SEM数据分析之前，首先要了解数据，为什么要分析数据？通过数据分析可以获得什么？

因此，正常的数据分析过程应该是：确定分析的目的→收集所需的数据→组织数据→分析数据→获得优化意见。

数据是我们调整账户的基础。对于刚入门的竞价员来说，数据分析很难理解。由于关键字报告、创意报告、搜索词报告、对话词报告、转化词报告中的出价数据太多，新手常常不知道怎么开始，此时你需要冷静下来，整理每个报告，过滤并查找有效数据以进行比较。

管理过这么多账户，凭借我们团队的经验，今天以快速掌握SEM数据分析进行讲解。

首先，您需要了解SEM数据名词的含义。点击率是多少？转化率是多少？跳出率是多少？等一系列技术术语，例如帐户点击率下降，您需要清楚地知道哪些因素会导致点击率下降，接下来应该做什么;调整帐户后，您必须清楚地知道哪些数据会发生变化，否则一切都是浪费时间。以下是两个月教育行业的数据案例。

整理后，复杂的数据将变得清晰。经验丰富的SEMer将知道对上图所示账户进行了哪些调整：这组数据是典型的流量不精准分析图，根据公司政策调整减少消费，平移展现下降、点击下降、对话下降、这些都是正常的数据范围，但是我们消费的下降，应该降低我们的转化成本，这组数据中我们的转化成本并没有降低，反而高出了1块钱，这就说明我们在降低消费时，没有控制我们的精准流量进来，还是以泛流量的方式进行优化账户，（当然这组数据的转化成本是指精准客户转化不是所有的转化成本）这就造成我们降低消费的同时没有一个合理的优化方案去优化账户。

作者：吴彬彬

我们在生活中，会经常听说两种推理模式，一种是归纳 一种是演绎，这两种思维模式能够帮助数据分析师完成原始的业务逻辑积累，在此基础上快速定位业务问题，提升分析效率，但是对于刚入门的数据分析师，在项目经验不足的前提下，如何快速完成项目的分析报告？ 这里引进一种外展推理的思维模式，方便入门分析师的完成日常的工作。

那什么是外展推理模式呢？

在麦肯锡思维模式中它将人的推理过程涉及的实体分为三个部分：规则，情况以及结果。

规则: 通常是对这个世界的看法；情况：就是这个世界存在的已知事实；结果：将规则用于情况，预期要发生的事儿。

这三个任何一个实体都可以作为推理的起点，然而起点不同意味着，推理的方法也有所差异。

以规则为起点的推理方法可以称之为演绎推理。

举个例子，如果平时不努力，考试成绩将不及格(规则)；现实中a平时不努力(情况)；所以a考试不及格(结果)。

以情况为起点的推理方法就是归纳推理。

a平时不努力(情况)；a考试不及格(结果)；所以a考试不及格的原因可能是平时不努力。

以结果为起点的推理方法就是外展型思维方法。

a考试不及格(结果)，考试不及格通常是由于平时不努力(规则)，检查是否平时不努力(情况)。

从日常工作中，我们可以发现，外展推理的思维模式十分切合日常数据分析师的多维分析定位原因的工作模式，是数据分析师尤其是入门数据分析师最应该具备的一种思维逻辑，那如何进行外展推理呢？外展推理用大白话来说就是强迫自己思考产生问题的各种可能原因，之后的重点就是收集资料，以证明是这些原因或不是这些原因。在工作过程中MECE结构化分解是主要手段，按日常的工作可以简化如下三个流程：

将所思考的问题的相关因素全部罗列出来。对所有相关的因素进行层级和相关性比较，分离不同层级的因素，合并同一层级中相同的因素，确保各因素的独立性。按照正确的逻辑关系，把各因素进行排列组合。

如下图：我们可以将问题进行分解，分解的原则为

各部分之间相互独立 （Mutually Exclusive）所有部分完全穷尽 （Collectively Exhaustive）

在此基础上按层级进行数据分析定位，找到最细的原因。

在工作中，我们主要会用到的分解方法有这两种，

按业务职能结构划分，比如渠道，运营，功能等相关模块，将相关指标映射到主要模块，通过简单快速的沟通，能快速的定位问题原因，但是缺点是分析结果不够直接，依赖外部资源信息搜集。按因果结构划分（指标分解）营收=日活*付费率*arpu等指标因果关系进行划分，通过定位指标波动，定位最细指标，辅助维度下转，能够清楚的问题原因，该方式是较为稳妥的方式，是日常工作中的主要方式，但是缺点是需要构建相对完整的指标逻辑体系。

如上两种分解方法针对不同的项目要求进行组合应用，但是外部资源搜集及完整的指标逻辑体系训练是入门数据分析师到资深分析师最难跨越的两道门槛，在经过阶段训练后，逐步利用归纳和演绎的思维，提升业务熟悉程度，完成业务的初始积累后，后续的分析过程中就可以逐步减少拓展推理的层级及组合，逐步提升问题原因定位的效率。

网易有数：企业级大数据可视化分析平台。面向业务人员的自助式敏捷分析平台，采用PPT模式的报告制作，更加易学易用，具备强大的探索分析功能，真正帮助用户洞察数据发现价值。可免费试用。

微信公众号发展至今，整体的产业已趋向成熟，市场对其运营框架也有了大致的共识，基本上可分为：内容运营、活动运营、用户运营，以及渠道运营和数据运营等几大模块。每个不同的运营模块，它们各自独立，同时又相互地影响。

本文侧重于对运营初学者来说，提供一套简易、有效的数据运营方法论。在开展数据运营工作之前，我们首先得了解数据在整个公众号运营工作中，究竟充当着什么样的角色？

我认为：“数据是运营的基础，就像一条绳索，贯穿整个运营工作。它既是运营KPI考核的直接呈现方式，同时也是运营方向的理论支撑点”

在新媒体的数据运营中，数据分析是至关重要的步骤，而数据分析有大概九类方法，你们知道吗？今天小天就来带大家了解一下这些干货吧！

数据分析的九类方法：直接评判法 — 对比分析法 — 结构分析法 — 分组分析法 — 平均分析法 — 矩阵分析法 — 漏斗图分析法 — 雷达图分析法 — 回归分析法

1.直接评判法

直接评判法即根据经验直接判断数据的好坏并给予评判，通常用于内部过往运营状况评估，如评估近期阅读量是否过低，评判近期销售量是否异常，评估当日文章推送量是否正常。

直接评判法有两个必要的条件：一是运营者有一定的新媒体运营经验，能够对跳出率，阅读量等有正确的评估；二是经过加工处理的数据足够直观，可以直接代表某项数据的优缺点。

2.对比分析法

对比分析法，是将两个或两个以上的数据进行对比，分析差异进而揭示这些数据所代表的规律。

对比分析法包括横向比较及纵向比较。横向比较即同一时间下不同总体指标的对比，如今日头条同领域作者文章阅读量对比，粉丝数对比等；纵向比较不同时间条件下同一总体指标的对比，如本月文章阅读量与上月阅读量进行对比，本月粉丝增长数与上月增长数进行对比等。

通过对比分析，可以直接观察到目前的运营水平，一方面找到当前已经处于优秀水平的方面，后续予以保持；另一方面及时发现当前的薄弱环节，重点突破。

3.分组分析法

分组分析法是指通过一定的指标，将对象统计分组并计算和分析，以便于深入了解所要分析对象的不同特征，性质及相互关系的方法。

分组分析法遵循相互独立，完全穷尽的枚举分析法原则。所谓相互独立，即分组之间不能有交叉，组别之间具有明显的差异性，每个数据只能归属于某一组；所谓完全穷尽，即分组中不要遗漏任何数据，保持完整性，各组的空间足以容纳总体的所有数据。

4.结构分析法

结构分析法是在统计分组的基础上，将组内数据与总体数据之间进行对比的分析方法。结构分析法分析各组部分占总体的比例，属于相对指标。

例如，新媒体运营团队可以统计粉丝所在的地域分布，统计出各个地方粉丝的占比情况，此情景便属于结构分析法。

5.平均分析法

例如，在分析今日头条的文章阅读量时，借助Excel导出的数据可以快速找到阅读量大于平均值的文章，接下来可以继续挖掘这些文章的标题，排版，配图等规律，便于后续内容质量的提升。

6.矩阵分析法

矩阵分析法是一种定量分析问题的方法，它是指以数据两个重要指标作为分析依据，并将这两个指标作为横，纵坐标轴，构成四个象限，从而找出解决问题的办法，为运营者提供数据参考。

例如，某餐饮企业的大众点评评价分析，可以借助四个象限“紧急且重要，重要但不紧急，紧急但不重要，不紧急也不重要”进行矩阵分析，并重点处理“紧急且重要”的事项。

7.漏斗图分析法

漏斗图分析法因展现形式如漏斗，故而得名。漏斗图可以对文章阅读量，产品购买量等情况进行逐层分析，展示整个关键路径中每步的转化情况。

重要强调的是，单一的漏斗图难以衡量各个环节的好坏，运营者可以结合本节介绍的“对比分析法”，对同一环节不同时间对比，评估运营效果。

8.雷达图分析法

雷达图常用于指数分析，即通过对新媒体账号的内容质量，领域专注等不同维度的计算而得出的客观评分结果。分数越高，代表账号的质量越好。可以利用雷达图进行分析的指数，包括今日头条指数，大鱼号星级指数，百家号指数等。

9.回归分析法

回归分析法是通过研究事物发展变化的因果关系来预测事物发展走向，它是研究变量间相互关系的一种定量预测方法，又称回归模型预测法或因果法。

例如，将今日头条粉丝数据导出到Excel表格，对累计粉丝数进行一元线性分析，就可以尝试预测某个时间的粉丝量。

大学课堂上学习了spss，老师也讲了很多知识，但是现在准备毕业了，我做的实习工作就是用业内的数据进行最新的行业研究。现在真正需要用到spss进行分析了，我却看不懂老板给的数据和分析要求，难道这就是理论与实际的脱节吗？

不敢去问我的上司，具体要怎么操作，我怕给他留下一个不靠谱的印象，我只好去问一个办公室的师姐。她比我早两年入职，俨然已经是办公室里的熟练工，幸好还有同校同专业的她在。

中午吃过饭，我找到师姐，想她帮帮我，熟悉一下怎么入手进行数据分析。师姐看了看周围，发现老板和经理都不在，她打开spssau网站，跟我说：“学校教我们的spss软件的使用方法是很详细，但是我们实际需要用的功能其实只有其中的几个，你用spss其实增加了很多工作量。”

她点开spssau，我惊讶的发现里面竟然有好几个我正需要的操作。师姐说，“这个平台很好用，你可以拿来适应我们的工作，其实里面的操作和spss差不了多少，但是简便了非常多。”

我疑惑了，这个有这么好用吗？

师姐见我不信，笑着摇摇头，打开早上老板给的数据，导入后进行了一番操作，真的很快就做出结果了……

我按照师姐教的，加上在spssau上下载的教程，对照着进行学习，很快写好了需要的研究报告……我才不会告诉你，很多分析图表和文字是直接复制过来的呢，哈哈~

看来，仅仅是学会spss，做数据分析是远远不够的，还需要有分析的思路和文字，以及一个便捷的分析平台呀~

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。

在打开一个店铺后台的时候首先要看的就是以上这些数据，对店铺近况有一个大概的了解，然后再去发现问题。比如这个店铺，淘宝上做化妆品的皇冠店， 通过这 6 张截图，我们可以大概知道：

店铺动态评分

在线宝贝数量

前一天的经营数据

同层级同行的访客

客户构成等等。

然而这些数据只是对这个店铺有了一个基本的了解。诊断并没有开始，因为我们还没有发现哪里有问题。接下来，我们来具体看看如何利用这些数据，看清背后的问题，以及如何优化解决，突破瓶颈。

问题一：30 天退款率 2.5%

唠叨一句： 30 天的平均退款率是2.5%，是一个什么概念呢？也就是说每成交 100 单就会有 2.5 个人因为各种问题退款。全店日销 100 单左右，转化率不到 2%，每天都有退款，店铺做起来会很累。确切的讲，这个问题现在还不能开始解决，因为我们还不知道他店铺的具体情况，找出真正的原因，对症下药，才能完美解决问题。

问题透视：造成这种问题的原因一定和产品质量有关，和服务有关。

解决方案：一般退款情况，如果是因为产品本身质量有问题，任何技术都没办法解决。技术也许可以掩盖一时，但是治标不治本。因为我们服务的就是顾客，欺骗顾客的行为不可取。最好的解决办法就是升级产品，所以产品利润低、质量又不是很好的产品，宁愿舍弃不做。如果顾客因为对服务不满或是对物流不满而退款退货的，就很好解决，用心做服务，让客户满意应该是做生意的根本。客户提交的问题不要逃避，应该及时有耐心的客观解决。多一个客户还是少一个客户，就看自己怎么做了。

问题二：付费流量过高

唠叨一句：这是一个失败的店铺，这店铺过去是交给其他代运营公司经营，把付费流量硬是做到了 70% 以上的占比。如果是高利润产品，直通车投入产出高的店铺倒不失为是一个赚钱的办法，但是，现实是残酷的。

问题透视：之所以付费流量占比会高，一方面是在大力烧直通车，另一方面也表现了自然搜索权重的无能，他的标题组合一定有很严重的问题。稍候我们会验证。

解决方案： 一、调整直通车方案，控制出价。二、优化标题，保证标题的每个关键词都是有精准流量的有效关键词。

问题三：店铺的跳出率和跳失率过高

唠叨一句：很多人分不清跳出率与跳失率的区别。跳出率是指仅仅访问了单个页面的顾客占全部访问顾客的百分比，或者说从首页离开网站的顾客占多有访问顾客的百分比。而跳失率是指访客不管通过什么渠道进来，没有继续访问其他页面就离开，就称之为一次跳失，跳失率是 100%，又浏览了其他一个页面再离开，跳失率就是 50%。而这位店铺的跳出率是 80% 以上，PC 端的跳失率达到75% 以上，拉低了全店的跳失率。可想而知这个店铺装修有多可怕。

问题透视：跳出率和跳失率问题和宝贝的详情页、首页装修有直接的关系，也可能是引入的流量不精准导致。详情页没有做好宝贝关联营销也会导致跳失率增高。买家进店后发现店铺装修很不靠谱，没有购买欲望，甚至是没有浏览兴趣。或者发现不是自己想要的宝贝，于是掉头就走。

解决方案：对症下药，一、检查店铺是否在做或是刚结束活动。正常情况下，直通车、钻展、活动、还有手淘首页展位等引来的流量，转化都很低，因为流量不精准而导致跳失 ( 出 ) 率增高。二、看店铺的装修是不是有问题，是不是迎合顾客喜好，如果是装修效果不好，建议重新提炼卖点，重做装修。

问题四：同行优秀相比，30 天转化率最高时低于同行最低值

唠叨一句：看到这里，有心的同学会发现，以上问题都还没有一个准确的判断答案。只是说出了有可能出现的问题，针对相应问题给出不同的解决方案。这个店铺究竟是什么原因导致以上问题？不要着急，因为我们只是发现了问题，店铺还没有诊断完成，还得继续看。

问题透视：导致转化率偏低的因素有很多，店铺的中差评、价格、销量和零销量占比、店铺装修、客户定位等都是影响因素。需要一一排查，做全店的诊断，才能得出准确判断。

解决方案：根据以上可能做相应处理。如果是因为中差评过多，要及时做回评解释，甚至找出中差评过多的原因。价格方面建议不要去做低价竞争，因为利润是服务的保障，不赚钱是可耻的，但“君子爱财，取之有道”。赚了钱又不觉亏心，就说明你还是一个良心卖家。销量是一个必经之路，都是从低到高的积累。滞销宝贝数过多的话，建议下架一部分，做好流量引导，尽量都有销量。客户定位，流量不精准，是一个基础问题，检查关键词相关性和流量入口。店铺装修就不用多说了，非常重要。

问题五：无线端详情页基本没有单独设计，但是流量来源基本是无线端

唠叨一句：这就好比去打仗，给了你一把枪，你非扛着大刀上。16 年开始到18年淘宝进入无线端时代，人们已经习惯了手机平台消费，未来无线端的走向是直播时代，你还能不重视无线端吗？

问题透视：从左侧红框可以看到，很多宝贝没有做手机端详情，竟然还有店里的爆款，但店铺明显没有重视无线端权重。

解决方案： 建议无线端详情页单独设计发布，越快越好。

问题六：标题没重组，全网一样的标题几十页

唠叨一句：为什么直通车的流量占比那么高，自然搜索流量占比那么低。但是还不能完全确定，还要等分析完直通车数据之后才能最终确定是什么原因。

问题透视：复制一款宝贝的全标题，粘贴到淘宝搜索框搜索，竟然有几十页的宝贝出现。无法突出自家产品的明显优势。

解决方案：利用好生意参谋的搜词工具，筛选黄金词重新组合标题。监控关键词的数据持续优化。

首先说下，找网络上的行业报告的用途是什么？

如果是for公司的战略决策，或者产品方向，市场策略，产品设计，广告定价，投资，任何方向，不同的部分不同的人对行业报告的深浅度需求不一致。所以会需要不同层次的行业报告。

另外，行业报告良莠不齐，需要有一定的经验和对行业的理解来判断，而且不同行业报告的口径不一致，可能导致结论对接不上，所以在行业报告的选择和使用，解读和判断上也需要一定的经验和专业技能，否则引用臆断的行业报告结论来做出判断，危害巨大。

最后，行业报告的材料都是偏行业性质的，比较大范围和大规模，不一定适用本公司的具体情况。在获得大概的了解后，最好结合案头研究（行业报告），定性和定量的的研究来辅助定位问题和寻找解决方案。

好了，大概说下互联网行业报告大部分在哪里看

一，国内咨询机构网站数据报告列表

艾瑞研究（互联网行业报告，包含移动端和PC端的月度活跃和日活跃）199IT互联网数据中心（所有行业报告，内容很多，支持搜索）中国互联网络信息中心（CNNIC数据可以当作互联网人口普查基础表来看）友盟+（参考）DCCI（参考）北京赛诺市场研究有限责任公司（智能机出货量专业统计）中国信通院（国家智能机出货量的官方统计）TalkingData（行业报告可看）爱媒网（行业报告可看）dataeye（手游报告）ASO100（APP数据ASO优化IOS榜单查询）艺恩网（提供娱乐行业报告）旅游圈（旅游行业报告）

二，国内互联网公司数据报告网站列表

讲座PPT（腾讯大讲堂）

腾讯大数据（腾讯云数据分析出来的行业报告）百度开放服务平台（百度云数据分析出来的行业报告）阿里研究院（阿里行业研究报告）

腾讯MXD（移动互联网设计中心）网易UED（用户研究报告）优酷网络视频数据报告PPTV指数行业报告（PP指数 PPTV聚力）91手机资讯行业报告（提供安卓苹果等智能机行业报告）

360研究报告（360应用商店等产品出品报告）企鹅智酷（腾讯出品行业报告）

三，企业信息报告

新三板在线（各行各业的新三板上市公司财务数据，高管数据等）

企查查（查询企业产品，品牌和法人信息）天眼查（同企查查）SEC（美国上市公司年度财务报告）巨潮资讯（中国上市公司季度年度财务报告）

四，投资机构的统计网站（创业方向选择，投融资选择的时候用）

IT桔子（中国创业公司投融资数据和报告)

天天投（创业公司数据库）Fellow plus（投资人列表和支持数据库查询）CBI insights（旗下一系列产品，包括公司的估值，独角兽公司列表也包括公司估值下降趋势）PrivCo（美国金融数据公司，主要关注未上市公司的所有投融资资料，包括全世界）东方财富网（国内卷商的行业报告，策略报告，可以筛选行业，筛选报告类型）慧博投研咨讯（投资研究报告数据平台证券，股票，卷商，行业，公司，投资分析等研究报告）