一个完整的数据工作流包括了：数据采集-->--指标建模-->观测数据>数据分析-->业务洞察
这是一个从业务中来到业务中去的过程，如何实现业务目标就是指标建模的依据，当拿到各种数据，需要对业务有深刻的认知，才能分析出对业务有价值的结论，以此回到业务目标的实现中去。
而数据分析就是透过工具观测数据后，发现异常数据或趋势规律，透过一系列分析方法和对业务的了解，从而解决业务问题和挖掘业务机会。
很多的数据分析报告只做到观测数据这一步，往往列出了一堆交易额下跌了40%留存剩下7%这样的数值，但是造成这些趋势变化的原因和主要构成是什么，针对下跌要对业务做怎样的调整，这才是数据分析的意义所在。
我们把分析方法总结为以下几种：
一、对比分析
在趋势中，我们经常拿特殊和常规对比，但特殊不代表异常，怎样对比才是真正的学问所在
问题1，比什么
绝对值：销售额、阅读数（缺点是不容易得知问题的严重程度）
比例值：活跃占比、注册转化率（缺点是受极端值影响）
问题2，怎么比
·环比：与当前时间范围相邻的上一个时间范围对比；例如，9月7的日环比是9月6的数据；日环比（今天vs昨天）月环比（本月vs上月）
主要对短期内具备连续性对数据分析对比，例如一个持续几天的活动，环比看活动是不是越做越好
·同比：与当前时间范围上层时间范围的前一范围中同样位置数据对比；例如，9月7的同比是8月7的数据；年同比（今天vs去年今日）周同比（今日vs上周同日）
主要用于观察长期的数据集，例如产品上线两年，同比看两年产品发展得怎样
问题3，和谁比
·和自己比：时间维度（和往期或平时比）、业务维度（和不同业务线比）
·和行业比：跌多少？涨多少？
最后，做对比分析有个细节点，就是注意消除特殊情况的干扰，例如节庆，节假日用户受出行影响而减少上网行为，这就是典型的全网存在的特殊情况。
二、多维度拆解分析
简单说，就是从不同的视角去理解同一个数据指标，来发现这个指标围绕的业务现象，例如启动数，可以从区域、人群、时间等各个维度观察启动数的变化对比，又例如订单转化，可以从渠道来源、地区、设备等维度观察，你可能会发现1000的启动数原来80%都来自一线城市20岁出头的小姐姐那，其中订单转化率高的都是苹果手机用户，这么一个有趣的现象。
运作原理：指标/业务流程按照多个维度拆分来观察变动
往往有以下几种适用场景：
·分析单一指标的构成和比例时：从这个指标的构成因素入手分析
·针对流程拆解分析：从流程各个入口和漏斗走向入手分析
·还原行为发生的场景：从发生行为的对象、发生过程和发生环境入手分析
此分析方法，最常在发现数据异动时使用，例如销量悬崖式下降，可利用对流程的整体拆解，从每个节点调查问题所在，到底是最源头的渠道推广那断交水费了？还是后方某条供应链断货而导致？
三、漏斗分析
关键1、漏斗路径的设计，因为漏斗是一系列行为的集合，需要清晰设计包含了该行为的各个路径及其顺序，例如多个推广入口，某活动的路径设计：活动首页--参加报名页--支付--结果页，结果运营某个线下推广却是直达参加报名页，导致漏斗数据对不上。
关键2、时间窗口的设计，某些极端情况是因为漏斗是整个行为流，会出现跨窗口完成的情况，需要根据业务情况补回去这部分缺口，或者决策时间很长等
关键3、面向对象的设计，是想分析人还是事？
四、分布分析
就是观察一个事件在不同维度的分布情况，从而分析该事件所启示的业务规律，挖掘针对性的业务策略。
例如视频的播放频率分布，每天播放0-5次的人数占比和6-10次的人数占比情况如何。
常见的划分有：
·次数分布
·时间分布
·金额分布
五、留存分析
除了做大盘留存的分析，我之前的文章“数据分析系列-常规指标”有做这部分的分享
我们有时候需要做精准留存的分析，也就是定位到特殊用户群体的留存分析，一般包括：
·分群体看，这根据业务需求对自身用户划分
·过滤掉指定行为的用户后，再看留存，例如过滤掉完全没消费过的用户后看其他用户的留存情况。
六、用户画像分析
简单来说，就是对用户拆行为、拆群体、打标签的分析
此分析一般是对阶段性业务发展或活动推广作前置依据作用，有时候需要配合用户调研一起完成。
高效的分析方式是，从核心用户群体下手，指高留存、核心行为完成率高的用户，透析出此类用户的核心特征，包括他们的行为属性、社会属性、营销属性等，那符合特征的类似用户，就可以作为业务发展潜在高质量用户的参考了。
七、路径分析
产品经理经常会用到的分析方法，需要配合特定的路径分析工具完成，如下图
分析思路紧抓住两点就好：
·往后看：有明确都起始场景，我们可以往后观察用户后面的流向。
·往前看：有明确的结果目标，希望了解用户是怎么来到目标场景的流向。
从路径分析可以了解各个事件的关联关系，从而制定产品优化方案或运营策略调整。
八、行为序列分析
分析单一用户的使用情况
这种分析方法适合用在以下场景
·2b业务中挖掘精准销售线索时，因为2b业务访问产品的用户不会很多，可以根据单独每个用户的使用时长、频率、是否达成了关键行为目标，以判断是否销售可能性比较高的客户，筛选出来后作为高质销售线索跟进
·产品设计决策时，有很多假设需要在真正投入完整开发前验证需求是否真实存在，透过观
察目标测试用户的使用行为序列，可验证需求真实性甚至有可能发现阻碍需求实现的真实情况。
·找作弊行为，例如刷量、蓐羊毛、spam，通过一个作弊行为的用户，观察其行为序列，找到作弊模式后，排除同类行为的用户。
还有很多的分析方法，但最主要的还是对业务和用户的深刻理解，通过实践逐步积累经验，锻炼数据分析的结构性思维，持续学习掌握新的技能。
希望分享对大家的运营和产品工作有帮助，欢迎各种补充和指正。
