對于具體的業(yè)務(wù)場景問題該怎么辦呢?本文以一個電子商務(wù)網(wǎng)站為例，用數(shù)據(jù)分析對該網(wǎng)站進(jìn)行快速地數(shù)據(jù)采集、清晰和可視化展示，總結(jié)出以下 8 種常見的數(shù)據(jù)分析方法。

對于具體的業(yè)務(wù)場景問題，我們該怎么辦呢?我們以一個電子商務(wù)網(wǎng)站為例，用數(shù)據(jù)分析對該網(wǎng)站進(jìn)行快速地數(shù)據(jù)采集、清晰和可視化展示，然后給大家分享這 8 種常見的數(shù)據(jù)分析方法。

01 數(shù)字和趨勢

看數(shù)字、看趨勢是最基礎(chǔ)展示數(shù)據(jù)信息的方式。

在數(shù)據(jù)分析中，我們可以通過直觀的數(shù)字或趨勢圖表，迅速了解例如市場的走勢、訂單的數(shù)量、業(yè)績完成的情況等等，從而直觀的吸收數(shù)據(jù)信息，有助于決策的準(zhǔn)確性和實時性。

對于電子商務(wù)網(wǎng)站，流量是非常重要的指標(biāo)。

上圖中，我們將網(wǎng)站的訪問用戶量(UV)和頁面瀏覽量(PV)等指標(biāo)匯匯聚到統(tǒng)一的數(shù)據(jù)看板(Dashboard)，并且實時更新。這樣的一個數(shù)據(jù)看板，核心數(shù)字和趨勢一目了然，對于首席增長官來說一目了然。

02 維度分解

當(dāng)單一的數(shù)字或趨勢過于宏觀時，我們需要通過不同的維度對于數(shù)據(jù)進(jìn)行分解，以獲取更加精細(xì)的數(shù)據(jù)洞察。在選擇維度時，需要仔細(xì)思考其對于分析結(jié)果的影響。

舉個例子，當(dāng)監(jiān)測到網(wǎng)站流量異常時，可以通過拆分地區(qū)、訪問來源、設(shè)備、瀏覽器等等維度，發(fā)現(xiàn)問題所在。

03 用戶分群

針對符合某種特定行為或背景信息的用戶，進(jìn)行歸類處理，是我們常常講到的用戶分群(segmentation )的手段。

我們也可以通過提煉某一群用戶的特定信息，創(chuàng)建該群體用戶的畫像。 例如訪問購物網(wǎng)站、寄送地址在北京的用戶，可以被歸類為“北京”用戶群體。

而針對“北京”用戶群體，我們可以進(jìn)一步觀察他們購買產(chǎn)品的頻度、類別、時間，這樣我們就創(chuàng)建出該用戶群體的畫像。

在數(shù)據(jù)分析中，我們往往針對特定行為、特定背景的用戶進(jìn)行有針對性的用戶運營和產(chǎn)品優(yōu)化，效果會更加明顯。

04 轉(zhuǎn)化漏斗

絕大部分商業(yè)變現(xiàn)的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數(shù)據(jù)分析手段之一，無論是注冊轉(zhuǎn)化漏斗，還是電商下單的漏斗。

通過漏斗分析可以從先到后還原用戶轉(zhuǎn)化的路徑，分析每一個轉(zhuǎn)化節(jié)點的效率。其中，我們往往關(guān)注三個要點：第一，從開始到結(jié)尾，整體的轉(zhuǎn)化效率是多少?第二，每一步的轉(zhuǎn)化率是多少?第三，哪一步流失最多，原因在什么地方?流失的用戶符合哪些特征?

上圖中注冊流程分為 3 個步驟，總體轉(zhuǎn)化率為45.5%;也就是說有 1000 個用戶來到注冊頁面，其中 455 個成功完成了注冊。

但是我們不難發(fā)現(xiàn)第二步的轉(zhuǎn)化率是 56.8% ，顯著低于第一步 89.3% 和第三步轉(zhuǎn)化率 89.7%，可以推測第二步注冊流程存在問題。

顯而易見第二步的提升空間是最大的，投入回報比肯定不低;如果要提高注冊轉(zhuǎn)化率，我們應(yīng)該優(yōu)先解決第二步。

05 行為軌跡

關(guān)注行為軌跡，是為了真實了解用戶行為。

數(shù)據(jù)指標(biāo)本身往往只是真實情況的抽象，例如，網(wǎng)站分析如果只看訪問用戶量(UV)和頁面訪問量(PV)這類指標(biāo)，斷然是無法全面理解用戶如何使用你的產(chǎn)品。通過大數(shù)據(jù)手段，還原用戶的行為軌跡，有助于增長團(tuán)隊關(guān)注用戶的實際體驗、發(fā)現(xiàn)具體問題，根據(jù)用戶使用習(xí)慣設(shè)計產(chǎn)品、投放內(nèi)容。

網(wǎng)站購買轉(zhuǎn)化率低，以往的業(yè)務(wù)數(shù)據(jù)無法告訴你具體的原因;通過分析用戶行為軌跡，可以發(fā)現(xiàn)一些產(chǎn)品和運營的問題(比如是不是商品不匹配等等)，從而為決策提供依據(jù)。

06 留存分析

在人口紅利逐漸消褪的時代，留住一個老用戶的成本要遠(yuǎn)遠(yuǎn)低于獲取一個新用戶。每一款產(chǎn)品，每一項服務(wù)，都應(yīng)該核心關(guān)注用戶的留存，確保做實每一個客戶。

我們可以通過數(shù)據(jù)分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關(guān)聯(lián)，找到提升留存的方法。

在 LinkedIn，增長團(tuán)隊通過數(shù)據(jù)發(fā)現(xiàn)，如果新用戶進(jìn)來后添加 5 個以上的聯(lián)系人(上圖紅色線條)，那么他/她在 LinkedIn 上留存要遠(yuǎn)遠(yuǎn)高于那些沒有添加聯(lián)系人(上圖綠色和紫色的線條)的留存。

這樣，添加聯(lián)系人稱為 LinkedIn 留存新用戶的最核心手段之一。除了需要關(guān)注整體用戶的留存情況之外，市場團(tuán)隊可以關(guān)注各個渠道獲取用戶的留存度，或各類內(nèi)容吸引來的注冊用戶回訪率，產(chǎn)品團(tuán)隊關(guān)注每一個新功能對于用戶的回訪的影響等等，這些都是常見的留存分析場景。

07 A/B 測試

A/B 測試用來對比不同產(chǎn)品設(shè)計/算法對結(jié)果的影響。產(chǎn)品在上線過程中經(jīng)常會使用 A/B 測試來測試不同產(chǎn)品或者功能設(shè)計的效果，市場和運營可以通過 A/B 測試來完成不同渠道、內(nèi)容、廣告創(chuàng)意的效果評估。

08 數(shù)學(xué)建模

當(dāng)一個商業(yè)目標(biāo)與多種行為、畫像等信息有關(guān)聯(lián)性時，我們通常會使用數(shù)學(xué)建模、數(shù)據(jù)挖掘的手段進(jìn)行建模，預(yù)測該商業(yè)結(jié)果的產(chǎn)生。

我們常常說，不能度量，就無法增長，數(shù)據(jù)分析對于企業(yè)商業(yè)價值的提升有著至關(guān)重要的作用。當(dāng)然，僅僅掌握單純的理論還遠(yuǎn)遠(yuǎn)不夠，實踐出真知。數(shù)據(jù)分析的方法大家不妨在自己日常工作中，有分析相關(guān)項目里嘗試使用，相信可以事半功倍，創(chuàng)造更多商業(yè)價值。

更多關(guān)于大數(shù)據(jù)和數(shù)據(jù)分析系統(tǒng)的話題，歡迎登陸慧都科技網(wǎng)站//fc6vip.cn/zt/qlik/index.html與我們溝通交流。