工作中，经常会遇到产品、运营等各方人员对某个数据的疑问，或者各种各样的数据需求和数据问题。对于数据从业者，我越来越意识到我们不仅仅需要掌握必要的编程基础和专业知识，也需要掌握一些常见的数据分析思路，进而提高自己的数据敏感度。以下内容是自己在工作中总结出来的一些数据分析思路。
解决数据问题的通用框架
通常，解决数据问题可以分为以下五步进行：
1、明确目标
1.1明确分析对象：确定分析对象，定义该对象，确定该对象的衡量标准；
1.2明确分析目的：为什么分析它？是否有更本质的问题？它的目标受众是什么？它的最终受益人又是谁？
1.3明确分析目标：解决该问题，是为了原因定位？还是为了方案调整？
2、界定问题
2.1准确描述问题
2.2结构化梳理问题：结构化梳理问题，可以采用5w2h的方法，具体内容如下：
| 5w2h | 现状如何 | 为什么 | 能否改善 | 如何改善 |
|---|---|---|---|---|
| 对象 | 研究什么 | 为什么是这种产品 | 能否是别的产品 | 到底是何种产品 |
| 目的 | 什么目的 | 为什么是这个目的 | 有无其他目的 | 应该是什么目的 |
| 场景 | 什么场景？在哪里 | 为什么是这个场景 | 能否是别的场景 | 应该是什么场景 |
| 时间 | 什么时候？ | 为什么是这个时间？ | 能否是其他时间 | 应该什么时候做 |
| 谁 | 目标用户是谁？ | 为什么是这类人？ | 能否是其他人群 | 应该是什么用户群 |
| 方式方法 | 怎么做？ | 为什么这么做？ | 有无其他方法 | 应该用什么方法 |
| 程度 | 做到什么程度 | 为什么做到这个程度 | 能否更高或更低 | 应该做到什么程度 |
3、提出假设
3.1将问题拆至最小：将问题拆到最小后，最小问题之间，应该符合‘相互独立，完全穷尽’的原则。将问题拆分的方法，常见的有逻辑树分析法和公式拆解法。
| 逻辑树分析法（以次日留存率下降分析为例） | ||
|---|---|---|
| 时间 | 某日表现？还是某个时间段表现？ | |
| 渠道 | 全部渠道？还是某个渠道表现？ | |
| 转化漏斗 | 哪个环节下降影响？ | |
| 用户质量 | 具体是哪类用户变差？ | |
| …… |
| 公式拆解法法（以GMV为例） | ||
|---|---|---|
| GMV=下单数*客单价 | 下单数 | 下单数又可以分为：DAU=sum(新用户+各日留存率）、用户下单转化率 |
| GMV=下单数*客单价 | 客单价 | 客单价又可以分为：人均单量*复购率、笔单价 |
3.2确定主要问题：即将问题判定优先级，将主要精力投放到主要问题上。
4、验证假设
4.1收集信息数据
4.2构建分析框架
4.3选择分析方法：常见的分析方法包括象限法、二八法、漏斗法、对比法、SWOT法等。
| 对比分析 | 时间、空间、特定标准（经验）、计划标准 |
|---|---|
| 数值 | GMV、平均数、众数、最大值、最小值、绝对值 |
| 比例值 | 活跃度、注册转化率 |
| 环比 | 与当前时间范围相邻的上一个时间范围对比 |
| 同比 | 与历史同时期相比较 |
| 统计模型 | |
|---|---|
| 回归分析 | 一段时间内，某一个维度的信息 |
| 分类分析 | 分析影响活动的因素 |
| 聚类分析 | 细分用户 |
| 关联分析 | 哪个产品同时购买概率最大 |
5、输出结论
5.1背景说明：这一部分，可遵循“背景-冲突-疑问-回答”的顺序展开；
5.2结论输出：结论输出时，可遵循的原则包括：结论先行、上下对应、分析清晰、逻辑递进；
5.3执行方案：也就是输出科学数据报告（可视化）的过程。
常用的分析指标
1、用户数据
| 用户数据 | ||
|---|---|---|
| 存量用户规模 | DAU、MAU | |
| 增量 | 新用户 | |
| 健康程度 | 留存率、复购率 | |
| 来源渠道 |
2、行为数据
| 行为数据 | ||
|---|---|---|
| 频率 | pv、uv、访问深度 | |
| 路径走通流程 | 转化率 | |
| 时间 | 时长 | |
| 质量 | 跳出率 |
3、业务数据
| 业务数据 | ||
|---|---|---|
| 总量 | GMV、访问时长 | |
| 人均 | 人均GMV、人均访问时长 | |
| 人数 | 下单人数 |