什麼是數據分析？
數據分析是指用適當的統計分析對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。
數據分析的目的是什麼?
數據分析的目的是把隱沒在一大批看來雜亂無章的數據中的信息集中、萃取和提煉出來，以找出所研究對象的內在規律。
在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。數據分析是組織有目的地收集數據、分析數據，使之成為信息的過程。在產品的整個壽命週期，包括從市場調研到售後服務和最終處置的各個過程都需要適當運用數據分析過程，以提升有效性。
在企業裡面，數據分析可以幫助我們掌握企業的運營狀況，商品的出售情況，用戶的特徵、產品的粘性、等等。
數據分析的步驟？
數據分析的步驟
1.首先明確分析的思路和目的：
數據分析一定的帶著某種業務目的的。它可能是要追蹤一個新產品上線之後的用戶使用情況；也可能是觀察用戶在某段時間的留存情況，還有可能是運營某種優惠券是否有效。帶著一定的目的，確定要從哪幾個角度進行分析。然後找到能夠說明目的的指標。
比如想要驗證運營最近的一批優惠券是否有效。我們可以從優惠券的領取情況和優惠券的使用情況兩個方面分析，而優惠券的領取情況的指標可以細化為領取率；使用情況可細化為：使用率、客單價等。
2.數據的收集：
在確定了此次數據分析的核心指標後，就要針對數據指標做數據收集。
有些企業的數據準備非常充分，數據倉庫、數據集市等早早就建設好。有一些企業在數據分析上比較落後，那就需要我們自己做前期大量的數據收集工作。比如使用一些自己公司的或者第三方的數據分析工具進行埋點，拿到日誌。或者使用數據庫中的現有數據，比如訂單數據、基礎的用戶信息等等。
3.數據處理：
數據提取出來之後，要剔除髒數據（清洗），然後數據轉化。在進行最基本的數據彙總、聚合之後，我們就可以拿到比較簡單的字段相對豐富的數據寬表。
4.數據分析：
數據分析是用適當的分析方法及工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論的過程。
一般公司所需要觀察的數據大致分為如下幾類：
- 商業數據：付費金額，付費用戶數，付費率客單價
- 運營數據：新增用戶數，日活、周活、月活（AARRR模型）
- 產品數據：關鍵頁面的pv、uv（漏斗模型）
- 用戶數據： 用戶生命週期、用戶留存、用戶客單價、用戶類型（RFM模型…)
- 商品數據：商品售賣情況，毛利分析….
隨著數據的重要性的凸顯，越來越多的公司已經認識到數據對於公司的經營是十分重要的。所以絕大部分企業都有專門的BI部門進行初步的數據加工、分析，以週報表的形式彙總給管理層做為日常數據所需以及企業決策使用。
在這裡主要介紹兩個簡單的數據分析模型：
AARRR模型：
Acquisition(獲取)、Activation(活躍)、Retention(留存)、Revenue(收益)、Refer(傳播)
AARRR模型
1.獲取用戶(Acquisition)
如何獲取用戶？線上通過網站通過SEO,SEM，app通過市場首發、ASO等方式獲取。還有運營活動的H5頁面，自媒體等方式。線下通過地推和傳單進行獲取用戶。
2.提高活躍度(Activation)
產品策略上，除了提供運營模塊和內容深化。進行產品會員激勵機制成長體制進行活躍用戶。不僅商品優惠的，VIP等標示的ICON，對於長業務流程，進行流程激勵體制，產品策略更具多元化。
3.提高留存率(Retention)
提高活躍度的，有了忠實的用戶，就開始慢慢沉澱下來了。運營上，採用內容，相互留言等社區用戶共建UCG，擺脫初期的PCG模式。電商通過商品質量，O2O通過優質服務提高留存。這些都是業務層面的提高留存。
產品模式上，通過會員機制的簽到和獎勵的機制去提高留存。包括app推送和短信激活方式都是激活用戶，提高留存的產品方式。
通過日留存率、周留存率、月留存率等指標監控應用的用戶流失情況，並採取相應的手段在用戶流失之前，激勵這些用戶繼續使用應用。
4.獲取收入(Revenue)
獲取收入其實是應用運營最核心的一塊。即使是免費應用，也應該有其盈利的模式。
收入來源主要有三種：付費應用、應用內付費、以及廣告。付費應用在國內的接受程度很低，包括Google Play Store在中國也只推免費應用。在國內，廣告是大部分開發者的收入來源，而應用內付費目前在遊戲行業應用比較多。
前面所提的提高活躍度、提高留存率，對獲取收入來說，是必需的基礎。用戶基數大了，收入才有可能上量。
5.自傳播(Refer)
以前的運營模型到第四個層次就結束了，但是社交網絡的興起，使得運營增加了一個方面，就是基於社交網絡的病毒式傳播，這已經成為獲取用戶的一個新途徑。這個方式的成本很低，而且效果有可能非常好;唯一的前提是產品自身要足夠好，有很好的口碑。
從自傳播到再次獲取新用戶，應用運營形成了一個螺旋式上升的軌道。而那些優秀的應用就很好地利用了這個軌道，不斷擴大自己的用戶群體。
漏斗模型：
用戶訪問的路徑
漏斗模型
漏斗模型廣泛應用於流量監控、產品目標轉化等日常數據運營工作中。之所以稱為漏斗，就是因為用戶（或者流量）集中從某個功能點進入（這是可以根據業務需求來自行設定的），可能會通過產品本身設定的流程完成操作。
按照流程操作的用戶進行各個轉化層級上的監控，尋找每個層級的可優化點；對沒有按照流程操作的用戶繪製他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間。
運用漏斗模型比較典型的案例就是電商網站的轉化，用戶在選購商品的時候必然會按照預先設計好的購買流程進行下單，最終完成支付。
需要注意的是：單一的漏斗模型對於分析來說沒有任何意義，我們不能單從一個漏斗模型中評價網站某個關鍵流程中各步驟的轉化率的好壞，所以必須通過趨勢、比較和細分的方法對流程中各步驟的轉化率進行分析：
趨勢(Trend)：從時間軸的變化情況進行分析，適用於對某一流程或其中某個步驟進行改進或優化的效果監控；
比較(Compare)：通過比較類似產品或服務間購買或使用流程的轉化率，發現某些產品或應用中存在的問題；
細分(Segment)：細分來源或不同的客戶類型在轉化率上的表現，發現一些高質量的來源或客戶，通常用於分析網站的廣告或推廣的效果及ROI。
5.數據展現：
數據可視化-基本的圖表
數據可視化是關於數據視覺表現形式的科學技術研究。其中，這種數據的視覺表現形式被定義為，一種以某種概要形式抽提出來的信息，包括相應信息單位的各種屬性和變量。
圖表是”數據可視化”的常用手段，其中又以基本圖表—-柱狀圖、折線圖、餅圖等等—-最為常用。
數據可視化-圖表
有人覺得，基本圖表太簡單、太原始，不高端，不大氣，因此追求更復雜的圖表。但是，越簡單的圖表，越容易理解，而快速易懂地理解數據，不正是”數據可視化”的最重要目的和最高追求嗎？
所以，請不要小看這些基本圖表。因為用戶最熟悉它們，所以只要是適用的場合，就應該考慮優先使用。
一、柱狀圖（Bar Chart）
柱狀圖是最常見的圖表，也最容易解讀。
柱狀圖
它的適用場合是二維數據集（每個數據點包括兩個值x和y），但只有一個維度需要比較。年銷售額就是二維數據，”年份”和”銷售額”就是它的兩個維度，但只需要比較”銷售額”這一個維度。
柱狀圖利用柱子的高度，反映數據的差異。肉眼對高度差異很敏感，辨識效果非常好。柱狀圖的侷限在於只適用中小規模的數據集。
通常來說，柱狀圖的X軸是時間維，用戶習慣性認為存在時間趨勢。如果遇到X軸不是時間維的情況，建議用顏色區分每根柱子，改變用戶對時間趨勢的關注。
柱狀圖
上圖是英國足球聯賽某個年度各隊的贏球場數，X軸代表不同球隊，Y軸代表贏球數。
二、折線圖（Line Chart）數據
折線圖適合二維的大數據集，尤其是那些趨勢比單個數據點更重要的場合。
折線圖
它還適合多個二維數據集的比較。
折線圖
上圖是兩個二維數據集（大氣中二氧化碳濃度，地表平均氣溫）的折線圖。
三、餅圖（Pie Chart）
餅圖是一種應該避免使用的圖表，因為肉眼對面積大小不敏感。
餅圖
柱狀圖
上圖中，左側餅圖的五個色塊的面積排序，不容易看出來。換成柱狀圖，就容易多了。
一般情況下，總是應該用柱狀圖替代餅圖。但是有一個例外，就是反映某個部分佔整體的比重，比如貧窮人口占總人口的百分比。
餅圖
四、散點圖（Scatter Chart）
散點圖適用於三維數據集，但其中只有兩維需要比較。
散點圖
上圖是各國的醫療支出與預期壽命，三個維度分別為國家、醫療支出、預期壽命，只有後兩個維度需要比較。
為了識別第三維，可以為每個點加上文字標示，或者不同顏色。
散點圖
五、氣泡圖（Bubble Chart）
氣泡圖是散點圖的一種變體，通過每個點的面積大小，反映第三維。
氣泡圖
上圖是卡特里娜颶風的路徑，三個維度分別為經度、緯度、強度。點的面積越大，就代表強度越大。因為用戶不善於判斷面積大小，所以氣泡圖只適用不要求精確辨識第三維的場合。
如果為氣泡加上不同顏色（或文字標籤），氣泡圖就可用來表達四維數據。比如下圖就是通過顏色，表示每個點的風力等級。
氣泡圖
六、雷達圖（Radar Chart）
雷達圖適用於多維數據（四維以上），且每個維度必須可以排序（國籍就不可以排序）。但是，它有一個侷限，就是數據點最多6個，否則無法辨別，因此適用場合有限。
下面是邁阿密熱火隊首發的五名籃球選手的數據。除了姓名，每個數據點有五個維度，分別是得分、籃板、助攻、搶斷、封蓋。
雷達圖
畫成雷達圖，就是下面這樣。
雷達圖
面積越大的數據點，就表示越重要。很顯然，勒布朗·詹姆斯（紅色區域）是熱火隊最重要的選手。
需要注意的時候，用戶不熟悉雷達圖，解讀有困難。使用時儘量加上說明，減輕解讀負擔。
七、總結
本文作者@hooly 由(青瓜傳媒)整理發佈
文末福利
閱讀更多 媒介匣日記 的文章
