在我们日常工作中经常需要用到数据分析，但一些如回归，聚类、概率分析方法比较复杂，学习成本高，也不一定能用得上。实际分析的时候，有四种很简单的分析方法非常实用，这四种就是：对比、细分、转化和分类。只要掌握了这四种思想，基本上已经可以应付日常的分析工作了。

一、对比

对比又可以分为纵向对比和横向对比，指标间的横向对比帮助我们认识数据的合理性和分析是否有问题，而指标纵向的对比，如在时间维度上的对比，既可以做趋势分析也可以判断是否达到预期值。

如店铺的订单量，可以把最近30天的订单显示在坐标轴上，这样就可以很明显的看到最近的订单数量是否达到了预期，当然我们也可以以周或者月（或者季度，年等等）为单位。做对比一定要考虑实际的场景，因为今天和昨天的性质可能未必一样，例如今天可能是周六，或者恰好是节假日等等。所以我们在做纵向对比的时候，两个对比的数据是否合理，是否是同一性质。比如看最近30天的趋势数据，我们还可以考虑环比和同比，今天和上个月的今天，今年的双11和去年的双11进行对比。横向的对比，比如一个地区这周的成交额上涨了10%，那当地的子公司是不是应该高兴呢？但是例如其它子公司的店铺这周的成交额都上涨了20%！那这个子公司可能已经被其它子司拉大了距离。也就是说，我们对一个数据结果判断好不好，这是需要一个参照物的。

二、拆解

通过拆解方法我们对分析对象进行逐步拆分，最终定位到问题点。拆解的角度可以有很多，越细分越能准确描述问题。比如零售中的人货场分析，就是将零售中的问题，逐步定位某一个或几个细节上的问题，最终找出成本最低的解决方式。举个栗子，通过报表知道了这个月成交额下降了这个问题后，现在我们用拆解来找出问题的所在：

成交额 = 客单价 X 客户数。对比客单价和客户数的趋势，就可以判断出影响成交额变化的主要因素是什么，如果是客户数问题，我们则对客户数进行细分，如果是客单价问题，则对客单价进行细分。

客户数 = 新客户 + 老客户。老客户 = 二次成交客户 + 多次成交客户

一段时间内的新客户反映的是电商的引流效果，而老客户反馈的是电商的产品质量，服务质量和客户维护营销等。

客单价 = 成交价 X 人均成交数。 均成交数这是电商中一个非常值得关注的指标，它能最直接地反馈出电商的服务质量和客户维护营销等方面的效果，如果该值过小表明电商的客户流失率很大，应该重点关注。

成交价 = 件单价 X 连带率。 成交价反馈的通常是导购的能力，促销活动的效果等，成交价的上升或者下跌，反映的问题可能很多，对其进行分解后就很明确了。件单价的变化通常是有促销的力度，商品结构和消费结构（例如季节因素等）变化引起的。带率这个反馈的是店铺内导购的能力，或者促销手段（例如买一送一等）的效果，也是店铺管理人员重点要关注的指标。

拆解的方法其实就是不断用更小的量化指标去细分一个大的指标，从而达到定位问题的目的。

三、转化

拆解的方法可以从纵向定位问题，但是单单细分是不够的。这些指标是从哪里来的，每一个步骤的转化率怎么样，哪一个步骤的转化不好，可以改善？这些通过转化都可以分析出来。

例如我们要分析本周的活跃客户数（有成交的客户数），那么我们就要分析这些活跃的客户数是从哪里来的，梳理一下可以简单分为以下4个步骤：进入平台的客户数 ==》浏览过商品的客户数 ==》下单的客户数 ==》支付成功的客户数。这里4个步骤就会有3个转化率，哪些步骤转化率比较高，哪些步骤转化率比较低，历史趋势怎么样，是否合理，是否有改进的空间等等。通过应用转化的思想，能够有效的指导和优化实际的运营工作。转化的思想就是一种漏斗，每一步其实都会有转化率，通过改善我们的转化率来提高我们的运营业绩。

四、分类

分类就是把一些对象，按照某种规则，划分为若干个类别，然后分析各个类别的特征，并以此来指导我们的行动。分类思想的应用很多，例如对客户的分类，我们可以用RFM分析模型，也可以用简单的利用某个指标的值（例如渠道标识，这样我们就可以分析到各个渠道客户的质量等）。基于这些客户的分类，我们就可以进行精准的客户营销了。在电商或者零售业上，我们经常做的分类还有商品分类，经典的有按照品类分类，或者ABC分类，这些对于我们做商品运营都是非常重要的。

总结：

以上四种其实都是很简单的数据分析思想，而且在日常的运营中也非常实用，但需要注意的是一定要了解自己的业务，只有深入了解业务，才能很好的运用数据分析，并不是自己知道几种统计学的算法，就能做好业务数据分析了。

大数据分析，是互联网从业者必须具备的一项基础技能，只有掌握数据分析，做项目才能更科学化、对于项目的预判，能够更准确的把握。今天分享的这些数据分析工具，是我们分析项目经常用的工具，毫无保留的分享给大家，希望大家在操作项目的过程中熟练的使用这些工具。 定能够让你在网赚道路上无往不胜。1、百度指数第一款必备工具。百度指数，我们在查询某一些关键词的时候，首要考虑的就是百度的数据如何，因为百度这个搜索引擎在互联网搜索引擎中占据的份额最大，数据精准度高。检索的很多关键词以及一些热点词的数据对比，都能直观展现出来，通过人群、年龄、性别、兴趣爱好、地域等更为详细的信息，方便我们做出更理智的判断。

2、微指数我们在查询一些关键词的时候，要分析社交数据。对于产品传播非常重要，通过调查数据，我们知道如何把握住当今热点，让产品蹭热度飞一会，是很多商家考虑的问题。新浪微博旗下产品微指数，可以很容易帮我们把控热点关键词。让我们清楚地看到近七天趋势如何，及时对产品做出调整。

3、阿里指数我们在操作某宝店铺项目的时候，需要分析更多的数据，来确定标题内容如何定位优化，用户检索更为简单，如何蹭热点关键词飞上那么一会儿，如何引爆流量做核心爆款。这个跟成交量有非常大的关键，哪类行业有哪些关键词在搜索时上升幅度比较快，很有潜力，知道这些信息后，我们都需要提早的布局。等相关的关键词上升到一定幅度时，我们恰好出现在热点上，在用户检索时很容易爆单。这个数据分析工具是中小卖家逆袭的机会。一定要好好研究。

4、腾讯指数BAT三大巨头，柒点哥介绍两家了，怎么可能缺少 TX 指数，TX 旗下的各类产品琳琅满目，自然对数据掌握的精准程度不是一般企业可以比拟的。算得上行业顶尖了。但是目前为止使用腾讯指数分析的用户实在少之又少，大部分人不知道这个功能，今天柒点哥告诉大家，腾讯确实有指数分析的功能。而且可以从九大品类开始分析数据，可以说是一款很强大的运营工具。

5、爱站网爱站网：是一个综合性的数据分析平台。我平常都在用这个网站分析一些网站相关的信息，比如，网站收录状况，PR值，域名信息，友情链接等一些数据。但是最长用的一个功能就是长尾关键词发掘。这项功能有助于我们通过主关键词，发掘带流量的附属关键词的状况，类似于百度推广后台的数据分析。非常不错的免费工具，大家以后可以常用。

6、QQ指数QQ指数是一款基于QQ平台用户数据分析的移动端指数类产品，定位于洞察QQ平台上年轻人最新、最热、最关注的社交内容，通过分析QQ平台上用户公开发表的说说、评论及搜索、浏览等行为数据，发现年轻人的热点趋势及舆论风向，透过QQ指数可以快速掌握年轻人的兴趣喜好和行为习惯等信息。作为T讯旗下最为核心的产品，对于我们互联网人士来讲，把它称为流量的天堂，只要随便找一个平台来操作产品，坚持一段时间都能暴富的。所以研究T讯系的核心产品，离不开QQ指数这个工具，对于我们把控QQ流量热点的趋势有很好的帮助，是非常重要的营销利器。

QQ指数官方账号：qq搜索框搜索 QQ指数，关注公众号即可查询，主要是带认证图标的那个。7、微信指数微信指数是微信官方提供的基于微信大数据分析的移动端指数。2017年3月23日晚，微信官方推出了“微信指数”功能。作为T讯旗下，第二个核心产品，微信可以说是后来者居上，各种苗头都表明要赶超QQ的趋势，对于我们互联网人士来讲，这是最好的变现渠道。因为很多网赚项目，最后结款的地方都是在微信端成交的。所以我们非常有必要来分析他的数据，基于微信推出了这一功能，让我们省了很多分析微信数据的时间。

微信指数官方渠道：小程序搜索微信指数8、安卓权重榜我们操作的一些项目，免不了在APP上操作，但是这个平台流量如何，以及人群属性，都很难预估。但是我们又必须了解数据才能够伸缩有度，所以我常用的这款APP数据软件，就能够给我带来客观的数据。

9、新榜以榜单为切口，新榜向众多500强企业、政府机构提供线上、线下数据产品服务，“号内搜”、“新榜认证”、“分钟级监测”获得广泛应用。在协同内容创业者商业化方面，新榜依托数据挖掘分析能力，建立用户画像和效果监测系统，连接品牌广告主和品牌自媒体。作为公众号的运营者，我特别注重公众号的分析，以及项目渠道的发掘。新榜作为专业的内容数据提供商，我是经常会使用他来分析数据，查看某些公众号潜力，随时观察它的盈利模式以及动向。

10、梅花网作为互联网人士，写文章投放广告，是我经常要做的事情，但是如何让广告的每一分钱都花到潜在客户身上，是我经常要考虑的。如何知道同行在哪里投放广告，也是我所关心的，梅花网是广告监测比较专业的网站，我经常用来分析广告数据，在这里推荐给大家。

总结：以上的十个工具呢，就是我经常用到的数据分析工具。我认为这是每一个互联网从业者都具备的基本功，用好数据分析，操作项目更加的事半功倍。但是用的时候不能太死板，可以结合起来相互用。实干派动手做，花架子空叹息，让技术为你工作。赚钱的玩法很多，只有思路够宽，你才能走的更远。没赚到钱，并不是文章干货不够，而是你懂得太少了。 保持空杯心态，永远在进步。

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。

来自：纽约数据科学 id：NYCDataScience

原文作者：Helen Mayhew, TamimSaleh, and Simon Williams

翻译：Peiwen Lin , Youjun Zhai

校对/编辑：Youjun Zhai

你的数据有目的吗？如果没有，那么你正在原地踏步。下面是一个如何发现目标，并将其转换为行动的方法。

数据分析革命

目前正在进行的数据分析革命具有可以改变公司如何去组织、经营、管理人才和创造价值的潜力。一些公司之中,特别是那些从数据中获得主要回报的企业,正在发生这种变革，但尚未成为主流。

原因很简单：作为唯一能够推动更广泛的业务变革、充分利用高级数据分析的关键人物，CEO和其他高层管理人员，对于数据分析这种他们看来深奥又有很多门道的新事物，保持着敬而远之的心态。

在某个层面上考虑，这是可以理解的。数据分析方法的复杂性、机器学习的日益重要性以及数据集的庞大规模，使得管理层更倾向于“把它留给专家们”。

同时这也是错误的。高级数据分析是一个重要的业务问题。这就意味着CEO和其他高管必须能够清楚地明白这些数据的目的，并将其转化为行动。他们必须要明白，数据分析不单单是数据分析部门的工作，其结果更是能为整个公司都带来洞察力和灵感。

本文介绍了8个理清数据分析目标和提升行动能力的关键要素。我们确信，充分意识到这两个其重要性的领导者们，不仅能借助数据分析解决一些基本问题，还能够更好地解决他们所面临的许多关键和重要的高级管理方面的挑战：传统商业原则下将分析愿景转化为切实结果的需求，部署一系列生产工具和雇用适当人员的重要性，以及应用严格指标和提出难题的必要性。从而提升使用数据分析提高企业绩效的可能性。

第一部分 | “目的导向”的数据

对于不同的公司，“更好的性能”意味着不同的东西。这也意味着应该根据具体案例情况来分离，聚合和分析不同类型的数据。有时，数据点(data point)很难找到，当然，并非所有数据点都是一样的。但是，正是这些能助你达到特定目的的数据点，才是最具价值的。

1. 提出正确的问题 | Ask the right questions

你的机构应该问的确切问题取决于你的最优先事项。问题清晰是至关重要的。例如，好的提问包括“我们如何减少开销？”或者“我们如何增加收入？”，甚至更好的是进一步挖掘问题：“我们如何提高团队中每个成员的生产力？”、“我们如何为患者带来高质量的服务？”、“我们如何从根本上加快产品从研发到上市的时间？”

我们需要考虑如何将重要的功能和领域与最重要的版块结合起来，通过实际的业务示例来，指向真正价值之所在。在对资金和时间有着严格限制的现实世界中，数据分析很难为含糊不清的问题给出答案，例如“数据点显示了什么样的模式？”

一家大型金融公司也因这种开放性的尝试而遭遇了失败：它试图收集尽可能多的数据，想看看大量的数据背后显示了什么。当公司发行这种开放性的尝试结果，有趣但却对提升企业利益没有任何帮助的时候，他们才重新调整了团队。

有了来自管理层的强大支持，这家公司首先清晰了自己使用数据分析想要达到的目标：减少产品开发时间，然后使用客户采纳度，作为衡量此目的的指标。提高数据分析的针对性帮助公司为两个细分市场推出成功的产品。

无独有偶，我们知道的另一个组织也是通过首先创建“数据湖”（data lake）而陷入漫无目的的数据分析中。它花费了过多的时间（实际上是数年的时间）收集和处理原始数据，但几乎没有投入任何精力来思考数据分析的目的以及想要解决的问题到底是什么。管理层之后才意识到那些是急待解决的问题，却已经失去了先机。

如果这些企业先明确了想要解决的问题，再以此为引导来收集数据，那么他们肯定会更快地取得成效，哪怕只有一部分数据可用作分析。

例如，一家著名的汽车公司在一开始就着眼于如何提高利润这一基本问题。随后认识到解决此问题最大的机会是减少在匹配产品设计和工程功能时耗费的开发时间（以及成本）。

一旦公司意识到关键所在，即结合其十年的研发经验教训进行改革，并显著的缩短了开发周期，提升了公司利润。

2. 看起来微不足道的事物，作用却很大 | Think really small... and very big

细节可能决定成败。让我们关注下面这张拍摄于1896年奥运会，100米决赛起跑线上的照片。照片中，参赛运动员们的起跑姿势可谓千姿百态，有直立的，有弯着腰的，也有双手摊开的，只有美国田径运动员ThomasBurke一人采用了现在的标准蹲踞式起跑方法。也正是这种蹲踞式起跑，帮助Burke节省了加速时间从而助他在那一届奥运会上，以12秒的成绩夺得100米跑的金牌。Burke的成功使田径界在短跑比赛中开始普及蹲踞式起跑方式，如今，短跑运动员在比赛中都采用了这种准备姿势。

当然，这个案例可以很好地类比到商业界，那就是当竞争对手迅速采取了同样的最佳方案之后，你的竞争优势就难以维持。

好消息是，聪明的一方仍然可以不断的提升他们的表现，取得突破并回到领先位置。轻松地保持优势是不可能的，但是公司可以找出微小的差异，然后放大并利用它。

“大数据”分析的成果通常表现为数千甚至更多的细微改进。如果一个组织可以将单个任务细化为数个细小的组成部分，并在可能的情况下一一对其进行提升改进，那么由此带来的回报是相当可观的。如果一个组织能够将这些小的改进，系统化的合并到整个连续的流程之中，其带来的回报更是呈指数增长的。

企业所做的一切事情几乎都可以被分解成小的组成模块。

GE（通用电气）公司在飞机发动机中嵌入传感器，以实时跟踪其各部分的性能，从而实现更快的调整，大大减少停机维护的时间。

如果这听起来像是最前沿的高科技（实际上确实如此），那么我们可以看一看更接地气的消费品是怎么做的。一家领先的CPG公司试图增加旗下某知名早餐品牌的利润率。它将整个产品制造过程分解为几个大的步骤，然后通过高级分析，仔细检查每个制造过程，以寻求其中是否有可以提高利润的机会。在这个案例中，公司在烤箱里发现了答案：稍微的调整了烘烤温度之后，不仅产品的味道更好，而且还减少了生产成本。证据就是，优秀的试吃的结果，以及同样优秀的财务报表。

当一系列的流程可以在比原子结构更为复杂的系统中被分解，分析，又被重新组合在一起时，产生的结果可以比原子弹更具威力。一家大型钢铁制造商使用各种分析技术来研究其商业模式的关键阶段，包括需求规划，预测，采购和库存管理。它单独对每个阶段中关键的价值驱动版块进行研究，并缩减或消除效率缺陷，从而节约5％至10％成本。

当制造商将改进后的流程再重组在一起，并将实时信息在每个阶段之间传送时，这些数据分析所带来的，数以百计的微小改进及其所节约的成本，带来了前所未有的收益激增。

通过合理化的端到端系统，将需求计划，预测，采购和库存管理连在一起，制造商实现了近50%的成本节约，节约了相当于几亿美元的成本。

3. 拥抱禁忌 | Embrace the taboo

谨防废进废出（garbage in, garbage out：要保证数据可靠有用，才能保证分析结果的可靠有用）,这个咒语已深入到了商业思维中，有时会阻碍我们的思维和洞察力。

实际上，有用的数据点在不同的案例中有着不同的形式和规模，通常以自由文本维护报告或者PPT演示文档等形式隐藏在企业之中。然而，不少团队经常会忽视这些数据，因为这些数据质量不一、缺乏一致性、过时或者因为看起来并不像是我们定义中的“数据”而被过滤等。

但是如果我们能“废物再利用”，正确的使用这些隐藏着的信息，也许将能得到更清晰有力的结论。在日常生活中，在跳出Excel表格进行信息创建，读取或回应的非二进制世界里，即使是最精英的“金融工程师”（“quant”）处理大量定性的信息，其中大部分都是无法量化信息并且不适合用做数据分析。我们知道，生活中很少有确定的事情，通常我们去衡量概率，考虑各方优势并且记录细微的提示信息。

想一想去超市购物的时候，你总是去4号台结账吗？或者你有没有注意到，今天某个柜台的员工似乎工作效率更高，某个柜台有个顾客拿着现金买单而不是信用卡，某个柜台的收银员没有助手去帮助他打包商品，而在某条队伍排队的顾客的购物车里面有些货物还未称重并且需要分开装？所有这些都是无法量化却可以处理的信息，并且有些数据比其他数据更有价值。但你可能会逐个地去考虑他们，而且当你决定购物车将往哪儿推时会考虑地更多。只是因为4号结账台在你最近几次购物经历中结账速度最快，但这并不意味着在今天也会是最快的。

事实上，虽然原生数据点和历史数据点是有价值的，但它们有其局限性。有一家公司在建立强大的投资审批流程后遇到了这些问题。公司为减少资本资源的浪费，在没有历史数据，以及可靠的信息支持投资回报率预测的情况下，管理层将不予通过新产品。不幸的是，这种严格的制度导致了公司产品上市周期过长，从而使公司不断错过市场。只有放松数据约束，将诸如行业预测、产品专家预测和社交媒体评论等软数据也纳入考虑之中，公司才能更准确地了解当前市场环境和推出新产品的绝佳时机。

当然，Twitter信息与远程信息处理并不一样。但是不能仅因为数据不完整或基于设伦，或是存在偏差，就把这些数据当作“垃圾”来对待。软信息确实有它的价值。特别是当人们尝试将获取更精准的数据与更好的推测未来形势时，这些软数据甚至会起到关键作用。

为了以智能而细致的方式优化可用信息，公司应努力构建一个强大的数据世系模型（data provenance model），以识别信息来源源，并实时评估其可靠性（可能随时间而提升或降低）。记录数据的质量，以及确定数据之类的方法，这不仅是数据透明度问题，同时也是一种风险管理的形式。所有的公司都在一个不确定性下竞争，有时一个关键的决定性数据的确定性不一定能满足人们的期待。一个构架完善的世系模型可以使用负荷测试检查对行/不行决策的可行度，从而帮助管理者决定投资去改善关键数据集的合适的时机。

4. 连点成线 | Connect the dots

在边界上往往能产生新见解，就像考虑软数据一样能够带来新见解一样，结合信息来源来全盘考虑，可以使这些见解更加清晰。

一些企业往往在一项独立的数据集上进行深入挖掘，却没有考虑到各种不同数据集结合在一起时所传达的信息。例如，人力资源部可能有完整的员工绩效数据，营运部门有特定资产的综合信息，而财务部的投资回报率的备份财务报表。仔细审查每一份信息肯定是有用的，但是互相独立的信息数据集之间也许存在着更多尚待未开发的价值。

有家工业公司提供了一个具有启发性的实例。公司核心业务使用了最先进的机器，它可以同时负载多个任务。机器的每一个部件都价值上百万美元，而公司采购了数百个单元，总共投资了数十亿美元。这些机器可提供了优秀的运行性能数据，该公司据此评估了机器的每个部件一直以来的运行情况。毫不夸张地说，让机器保持持续运作是公司成功的关键。

尽管如此，这些机器实际上花费了比管理人员预期更长的维护时间和更昂贵的维护费用，停机维修的每一个小时都对公司有着极大的影响。虽然公司派出了强大的分析团队去仔细筛选分析机器的运行性能数据，但还是没有找出确切的故障原因。

然后，当公司将人力资源部提供的信息也纳入分析考虑中时，产生次级输出的原因变得很清楚：因为负责人在关键时刻未在场，导致机器缺少定期维护检查。

奖励机制，而非器械性能，才是这个问题的本质原因。最终，一个简单的政策调整就能解决这个问题，但只有当将不同的信息数据集结合起来审查时才能发现问题本质之所在。

第二部分 | 从分析结果到实际行动

在前面的工业公司的案例中，在视觉上就像Venn图一样(维恩图，用于显示元素集合重叠区域的图示。)：当将两个数据集放在一起观察研究时，数据集重叠的部分往往显示了问题所在。当你同时分析50个数据集时，其呈现信息的能力则更为强大-前提是繁杂的数据没有造成过度的复杂，从而减弱了数据分析的作用。为了避免这个问题，领导者应该鼓励他们的企业，从多方面入手，来分析数据。如果数据分析工作在孤立的环境中进行而不考虑全局的其他影响，如果数据分析结果在实际情况中没有起到作用，更糟糕的是，如果数据分析得到了正确的结论，可企业并未采纳和依次采取对应的实际行动；那么，这个分析工作就是失败的，没有成功的。

5. 采用迭代循环而不是单向流程 | Run loops, not line...

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。

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。

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。

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~

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。

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）