在数据分析方面，人们通常会想到一些密集的数据形式，高级数据建模技术或华丽的数据报告。事实上，“分析”本就是每个人都有的能力;例如，根据库存的趋势，是否购买或投掷，根据每日时间行程和过去的经验选择行车路线;在购买机票，预订酒店，比较价格后做出最终选择。

这些小决定实际上是基于我们头脑中的数据点。这是简单分析的过程。对于业务决策者，您需要掌握系统，科学和面向业务的数据分析知识。

1.数据分析的战略思维

无论是产品，市场，运营还是经理，您都必须反思：数据的本质价值是什么？根据这些数据，您和您的团队可以学到什么？

1.1数据分析的目标

对于企业而言，数据分析可以帮助公司优化流程，降低成本并增加营业额。我们经常将此类数据分析定义为业务数据分析。业务数据分析的目标是使用大数据为所有工作场所制定快速，高质量和高效的决策，从而提供可扩展的解决方案。业务数据分析的本质是创造业务价值并推动业务增长。

1.2数据分析的作用

在我们经常谈到的企业成长模式中，我们经常关注某个业务平台。其中，数据和数据分析是不可或缺的环节。

通过企业或平台向目标用户组提供产品或服务，并且可以将用户在使用产品或服务的过程中产生的交互和交易作为数据收集。基于这些数据洞察力，通过分析，客户的需求得到扭转，创造出满足需求的更多增值产品和服务，并重新引入用户的使用，从而形成完整的业务闭环。这种完整的业务逻辑可以真正推动业务的增长。

1.3数据分析演变

我们经常针对业务收益率来定位数据分析的不同阶段，因此我们将它们分为四个阶段。

第1阶段：观察数据发生了什么？

首先，基本数据显示可以告诉我们发生了什么。例如，该公司上周推出了一个新的搜索引擎A广告，并希望将新频道A与一周内现有频道B进行比较，A，B每个流量带来多少流量，转换效果是什么？例如，有多少用户喜欢新的在线产品，以及在新注册流中注册了多少人。这些都需要根据数据本身提供的“发生的事情”通过数据显示结果。

第二阶段：了解它为什么会发生？

如果我们看到渠道A带来的流量多于渠道B，那么我们必须结合业务来进一步确定这种现象的原因。这时，我们可以通过数据信息进一步深入分离。也许某个关键字带来的流量可能是该频道获得移动终端的更多用户。这种深入的数据分析已成为业务分析的第二步，同时它可以提供更多的商业价值。

第3阶段：将来会发生什么？

当我们了解到上半年A和B渠道的销量不到100万时，苹果会放弃印度市场吗？低，根据过去的知识来预测将来会发生什么。当部署了通道C和D时，猜测通道C优于通道D.当新注册流和新优化在线时，您可以知道哪个节点更有可能出现问题;我们还可以通过数据挖掘自动预测和判断。 C和D通道之间的差异，这是数据分析的第三步，预测未来会发生什么。

第四阶段：商业决策

所有工作中最重要的是业务决策，使用数据来确定要做什么。业务数据分析的目的是业务成果。当数据分析的输出可以直接转化为决策，或直接使用数据做出决策时，这可以直接反映数据分析的价值。

1.4 EOI数据分析框架

EOI架构是定义许多分析项目（包括LinkedIn和Google）目标的基本方法，也是首席增长官考虑业务数据分析项目的基本和必要工具。

其中，我们首先将公司的业务项目分为三类：核心任务，战略任务和风险任务。以Google为例。谷歌的核心使命是搜索，搜索引擎优化，广告，这是一种经过验证的商业模式，并继续赚取大量利润。谷歌的战略使命（2010年）大约一年）是Android平台。为了避免占用Apple或其他制造商，需要花费时间和精力来完成，但可能不会形成商业模式。风险任务对于创新非常重要，例如Google Glass，自动驾驶汽车等。

数据分析项目对这三类任务有不同的目标。对于核心任务，数据分析是帮助（E），帮助公司获得更好的利润并提高盈利能力。对于战略任务，它是优化（O），如何协助战略任务找到方向和利润点;对于风险任务，它是共同启动（I），并努力验证创新项目的重要性。首席增长官需要清楚地了解公司的业务和发展趋势，合理分配数据分析资源，并制定数据分析目标。

2.数据分析的3个思路

面对海量数据，许多人不知道如何准备，如何执行，以及如何得出结论。以下是进行数据分析的三个经典思路。我希望我能帮助您进行数据分析的实际应用。

2.1数据分析的基本步骤

上面我们提到了数据分析和业务结果之间关系的重要性。所有业务数据分析应从业务场景开始，并以业务决策为终点。数据分析首先做什么然后做什么？在此基础上，我们提出了业务数据分析过程中的五个基本步骤。

第一步是首先挖掘业务含义，了解数据分析的背景，前提以及要关联的业务场景结果。

第二步是制定分析计划，如何分割场景以及如何推断。

第三步是从分析计划中分离出所需的数据，并真正分析分析本身。

第四步是从数据结果中判断和提取业务见解。

第五步，基于数据结果，最终导致业务决策。

例如：

在国内互联网金融管理网站上，营销部门在百度和hao123上持续广告，吸引网络流量。最近，内部同事建议尝试启动神马移动搜索频道以获取流量。此外，还有必要评估是否加入金山网络联盟深度广告。

如何在这种多渠道交付方案中做出深入的决策？我们根据上面业务数据分析过程的五个基本步骤来反汇编这个问题。

第一步：挖掘业务影响。第一步是了解营销部门想要优化的内容，并将其用作Polaris指标的衡量标准。对于渠道绩效评估，重要的是业务转型：对于P2P网站，是否启动“投资管理”远比“访问用户数量”重要得多。因此，无论是神马移动搜索还是金山频道，重点是如何通过数据手段来衡量转换效果;还可以根据转换效果进一步优化不同渠道的运营策略。

第二步是制定分析计划。

以“投资与财富管理”为核心转型点，为交通检测分配一定的预算，并观察比较注册数量和最终转换的效果。请记住，您可以继续关注这些人反复购买理财产品的次数，并进一步判断渠道质量。

第三步是拆分查询数据。

由于分析计划需要比较渠道流量，因此我们需要各种渠道来跟踪流量，着陆页停留时间，着陆页跳出率，网站访问深度以及用于深入分析和着陆的订单类型数据。

第四步是完善商业见解。

根据数据结果，比较神马移动搜索和金山网络联盟的影响，基于两个核心关键绩效指标的流量和转换，观察结果并推测业务影响。如果神马移动搜索不好，您可以考虑该产品是否适合移动客户群;或仔细观察着陆页性能是否具有优化内容等，并需要找到商业见解。

第五步是制定业务决策。

基于数据见解，指导渠道决策。例如，停止推出神马通道，继续跟进金山网络联盟进行评估;或优化移动登陆页面，更改用户操作策略等。

这些是业务数据分析反汇编和完成推理的基本步骤。在以下内容中，我们将进行此分析。

2.2内外因素分解方法

在数据分析过程中，有很多因素会影响我们的Polaris指标，那么如何找到这些因素呢？这里我们推荐内部和外部因子分解方法。内外因素分解方法是将问题分为四个部分，包括内部因素，外部因素，可控和不可控，然后逐步解决每个问题。

例如：

社交招聘网站分为求职者和企业。盈利模式一般是向企业收费，其中一个是购买该职位的广告空间。业务人员发现“发帖”GrowingIO可以快速收集数据，清除并可视化网站，然后共享这8种常见的数据分析方法。

 

3.1数字和趋势

查看数字和查看趋势是呈现数据信息的最基本方式。在数据分析中，我们可以通过直观的数字或趋势图快速了解市场趋势，订单数量，完成性能等，从而直观地吸收数据信息，从而提高准确性和实时的决策。 。

对于电子商务网站，流量是一个非常重要的指标。在上图中，我们将网站的访问用户数量（UV）和页面浏览量（PV）聚合到统一数据仪表板（仪表板）中并实时更新。这样的数据看板，核心数字和趋势一目了然，对于首席增长官一目了然。

3.2维度分解

当单个数字或趋势太宏观时，我们需要分解不同维度的数据以获得更细粒度的洞察力。选择维度时，需要仔细考虑其对分析结果的影响。

例如，当监控网站流量异常时，您可以通过拆分区域，访问源，设备，浏览器等来找到问题。在图7中，当天访问该网站的访问者数量明显高于上周。是什么原因？当我们根据访问来源确定流量的大小时（图9），不难发现直接访问源的访问次数有很大的增加，因此问题进一步集中。

3.3用户分群

对于匹配某些行为或背景信息的用户，分类是我们经常谈论的用户细分方式。我们还可以通过为一组用户优化特定信息来创建一组用户的肖像。例如，访问购物网站并在北京发送地址的用户可以被归类为“北京”用户组。对于“北京”用户组，我们可以进一步观察他们购买的产品的频率，类别和时间，以便我们创建用户组的肖像。

在数据分析中，我们倾向于针对具有特定行为和特定背景的用户定位用于目标用户操作和产品优化，并且效果将更加明显。在上图中，我们通过GrowingIO用户分组功能选择未能在促销中支付的用户，然后推送相应的优惠券。这种准确的营销推广可以大大增加用户的意愿和销售量。

3.4转化漏斗

大多数商业实现过程可以概括为漏斗。漏斗分析是我们最常用的数据分析工具之一，无论是注册转换漏斗还是电子商务订单的漏斗。通过漏斗分析，可以从头到尾恢复用户转换的路径，并且可以分析每个转换节点的效率。

其中，我们倾向于关注三个要点：

首先，从开始到结束的整体转换效率是多少？

其次，每一步的转换率是多少？

第三，哪一步最失落，原因在哪里？失去的用户会遇到什么特征？

上图中的注册过程分为3个步骤，总体转换率为45.5％;也就是说，已有1000名用户来到注册页面，其中455名已成功完成注册。但是，不难发现第二步的转化率为56.8％，显着低于第一步89.3％，第三步转化率为89.7％。可以推测在注册过程的第二步中存在问题。显然，第二步的改善空间是最大的，投资回报率绝对不低。如果我们想提高注册转换率，我们应该优先考虑第二步。

3.5行为轨迹

注意行为轨迹，以真正了解用户行为。数据指标通常只是实际情况的抽象。例如，如果网站分析仅查看用户量（UV）和页面访问（PV）等指标，则无法完全了解用户如何使用您的产品。

通过大数据，恢复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，设计产品并根据用户习惯提供内容。

上图显示了用户在电子商务网站上的详细行为，从官方网站到登陆页面，再到产品详细信息页面，最后回到官方网站。网站购买转化率低，过去的商家数据无法告诉你具体原因;通过分析上述用户行为跟踪，可以发现一些产品和操作问题（如产品是否不匹配等），从而为决策提供依据。

3.6留存分析

在人口红利逐渐消退的时代，保留旧用户的成本远低于获得新用户的成本。每个产品和每项服务都应关注用户的保留并确保每个客户都完成。我们可以通过数据分析了解保留情况，并且我们可以通过分析用户行为或行为组与回访之间的关系来找到提高保留率的方法。

在LinkedIn，增长团队通过数据发现，如果新用户进入并增加了超过5个联系人（上图中的红线），那么他/她将比未添加联系人的人高得多（以上）和紫色线条保留。这样，添加联系人被称为LinkedIn保留新用户的核心工具之一。

除了需要注意整体用户的保留外，营销团队还可以关注各种渠道中用户的留存率，或者各种内容所吸引的注册用户的回访率，产品团队注重每个新功能对用户回访等的影响。这些是常见的保留分析方案。

3.7 A / B测试

A / B测试用于比较不同产品设计/算法对结果的影响。产品在线过程中经常使用A / B测试来测试不同产品或功能设计的效果，市场和运营部门可以使用A / B测试来完成评估不同渠道，内容，广告创意的效果。

例如，我们设计了两种不同形式的产品交互，通过比较实验组（A组）和对照组（B组）来比较哪种交互形式和页面视图。好。

A / B测试有两个必要因素：第一，有足够的时间进行测试;第二，数据量和数据密度很高。因为当产品流量不够大时，很难得到A / B测试的统计结果。像LinkedIn这样的大公司每天可以在同一时间进行数千次A / B测试。因此，当公司的数据量更大时，A / B测试往往更准确，并且可以更快地获得统计结果。

3.8 数学建模

当业务目标与多种行为，肖像等相关时，我们通常使用数学建模和数据挖掘来建模和预测业务的结果。

作为一家SaaS公司，当我们需要预测和判断客户流失时，我们可以通过用户行为数据，公司信息和用户肖像等数据构建流失模型。统计地执行一些组合和权重计算，以便在了解用户满足哪些行为之后更可能丢失。

我们经常说，如果我们无法衡量它，我们就无法成长。数据分析在提高公司的商业价值方面发挥着至关重要的作用。当然，掌握简单理论并实践真理是不够的。数据分析方法可能希望在您自己的日常工作和分析相关项目中使用它。我相信您可以用更少的资源做更多的事情并创造更多的商业价值。请输入要清洗的文字