经典数据分析方法（经典数据分析方法的5个过程）

大家好！今天让创意岭的小编来大家介绍下关于经典数据分析方法的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com

创意岭作为行业内优秀企业，服务客户遍布全国，网络营销相关业务请拨打175-8598-2043，或微信：1454722008

本文目录:

• 1、数据分析的几种经典的理论

• 2、大数据分析中，有哪些常见的大数据分析模型

• 3、数据分析方法3—RFM分析模型

• 4、数据分析师常用的思维分析方式是什么?

一、数据分析的几种经典的理论

数据分析理论导航页收录已经发布的工作生活用到的数据分析思路及理论方法。例如数据分析师基本技能、时间序列分析、分析软件功能介绍等。

1  大数据时代：数据分析能力重要性

2  大数据时代：数据分析基础

3  正态性检验方法介绍

4  数据分析技术：数据差异的显著性检验

5  数据分析方法：非正态数据转化成正态数据

6  均值差异性检验：Z检验和T检验综述

7  均值差异性检验：方差分析综述

8  数据分析方法：非参数检验

9  数据分析技术：拟合优度检验

10 数据分析技术：数据关联性分析综述

11 数据分析技术：数据的归纳分析

12 数据分析技术：问卷（考卷）的信度与效度

13 数据分析技术：相关关系分析

14 数据分析技术：数据分类很重要

15 数据分析技术：回归分析

16 数据分析技术：非参数检验

二、大数据分析中，有哪些常见的大数据分析模型

对于互联网平台而言的产品，主要可以分为两大类：商品和服务。想要通过数据分析提高产品的销量，首先要了解哪些数据需要分析？

哪些数据需要分析？

一、运营模块

从用户的消费流程来看，可以划分为四个部分：引流，转化，消费，存留。

• 流量

流量主要体现在引流环节，按照流量结构可以分为渠道结构，业务结构以及地区结构等。渠道结构，可以追踪各个渠道的流量情况，通过渠道流量占比来分析各渠道的质量。业务结构，根据指定业务对活动的流量进行追踪，观察活动前，中，后流量的变化情况，对活动效果做出评估。

• 转化率

转化率=期望行为人数/作用总人数。提升转化率意味着更低的成本，更高的利润, 最经典的分析模型就是漏斗模型。

• 流失率和留存率

通过各个渠道或者活动把用户引流过来，但过一段时间就会有用户流失掉，这部分用户就是流失用户，而留下来的这部分用户就是留存用户。流失可以分为刚性流失，体验流失和竞争流失，虽然流失是不可避免的，但可以根据对流失的分析，做出相应的对策来挽留用户。关于留存，通过观察存留的规律，定位存留阶段，可以辅助市场活动、市场策略定位等，同时还可以对比不同用户、产品的功能存留情况，分析产品价值，及时对产品做出调整。

• 复购率

复购率可以分为“用户复购率”和“订单复购率”，通过分析复购率，可以进一步对用户粘性进行分析，辅助发现复购率问题，制定运营策略， 同事还可以进行横向（商品、用户、渠道）对比分析， 细化复购率，辅助问题定位。

二、销售模块

销售模块中有大量的指标，包括同环比、完成率、销售排行、重点商品占比、平台占比等等。

三、商品模块

重要指标分析：包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、畅滞销分析等， 用来评判商品价值，辅助调整商品策略

四、用户模块

重点指标分析：包括新增用户数、增长率、流失率、有效会员占比、存留情况等

用户价值分析：可以根据RFM模型，再融入其他个性化参数，对用户进行价值的划分，并针对各等级用户做出进一步分析。

用户画像：根据固有属性、行为属性、交易属性、兴趣爱好等维度，来为用户添加标签与权重，设计用户画像，提供精准营销参考依据。

根据需要分析的数据选择分析模型

一、用户模型

用户模型是一种在营销规划或商业设计上描绘目标用户的方法，经常有多种组合，方便规划者用来分析并设置其针对不同用户所展开的策略。传统的用户模型构建方法有两种：基于访谈和观察构建用户模型（严谨可靠但费时）、临时用户模型（基于行业专家或者市场调查数据构建，快速但不够可靠）。

改进的用户模型构建方法：基于用户行为数据的用户模型

优势：对传统方式进行简化，降低数据分析的门槛；让数据分析更科学、高效、全面，可以更直接地应用于业务增长，指导运营策略。

方法：

1. 整理、收集对用户的初始认知

2. 对用户进行分群

3. 分析用户的行为数据

4. 推测目标动机

5. 对用户进行访谈调查验证

6. 用户模型建立修正

同时，还可以将收集到的用户信息映射成为用户的属性或用户的行为信息，并存储起来形成用户档案；实时关注自身数据的波动，及时做出战略性调整。

二、事件模型

事件模型是用户行为数据分析的第一步，也是分析的核心和基础，它背后的数据结构、采集时机以及对事件的管理是事件模型中的三大要素。

什么是事件？

事件就是用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行采集。举个例子：用户在页面上点击按钮就是一个事件。

事件的采集

事件-属性-值的结构：事件（用户在产品上的行为），属性（描述事件的维度），值（属性的内容）

在事件采集过程中，灵活运用事件-属性-值的结构，不仅可以最大化还原用户使用场景，还可以极大地节省事件量，提高工作效率。

采集的时机：用户点击、网页加载完成、服务器判断返回。在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心。

举个例子：电商销售网页的事件采集

事件的分析

对事件的分析通常有事件触发人数、次数、人均次数、活跃比四个维度的计算。

事件的管理

当事件很多时，对事件进行分组，重要事件进行标注，从而分门别类地管理。同时，可以从产品业务角度将重要的用户行为标注出来，以便在分析时方便、快捷地查找使用常用、重要的事件。

三、漏斗模型

漏斗模型最早起源是从传统行业的营销商业活动中演变而来的，它是一套流程式数据分析方法。

主要模型框架：通过检测目标流程中起点（用户进入）到最后完成目标动作。这其中经历过的每个节点的用户量与留存量，来考核每个节点的好坏，来找到最需要优化的节点。漏斗模型是用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

四、热图分析 —— 画出用户行为

热图，是记录用户与产品界面交互最直观的工具。热图分析，就是通过记录用户的鼠标行为，并以直观的效果呈现，从而帮助使用者优化网站布局。无论是Web还是App的分析，热图分析都是非常重要的模型。

在实际的使用过程中，常常用几种对比热图的方法，对多个热图进行对比分析，解决问题：

• 多种热图的对比分析，尤其是点击热图（触摸热图）、阅读热图、停屏热图的对比分析；

• 细分人群的热图对比分析，例如不同渠道、新老用户、不同时段、AB测试的热图分析等；

• 深度不同的互动，所反映的热图也是不同的。例如点击热图和转化热图的对比分析；

五、自定义留存分析

关于留存率的概念，在前文中的已经有所介绍。对于产品而言，留存率越高，说明产品的活跃用户越多，转化为忠实用户的比例会越大，越有利于产品变现能力的提升。

自定义留存：基于自己业务场景下用户的留存情况，也即对留存的行为进行自定义。可以通过对初始行为和回访行为进行设定来对留存行为进行自定义。

举个例子：抢到券的用户使用哈罗共享单车的5日留存率

初始行为：抢到券

回访行为：使用哈罗共享单车

六、粘性分析

粘性：以用户视角，科学评估产品的留存能力

通过用户粘性分析，可以了解到一周内或一个月内用户到底有多少天在使用你的产品甚至是某个功能，进一步分析出用户使用产品的习惯。

粘性分析是诸葛io的特色功能之一，其中包括产品整体粘性、功能粘性、粘性趋势以及用户群对比，具体可以参考https://docs.zhugeio.com/advanced/stickiness.html

七、全行为路径分析

全行为路径分析是互联网产品特有的一类数据分析方法，它主要根据每位用户在App或网站中的行为事件，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或浏览模式，进而实现一些特定的业务用途，如对App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化等。

在可视化过程中常用的全行为路径模型有两种：

• 树形图：以树形结构体现用户的行为路径

• 太阳图：以环形图体现用户的行为路径

上图中，每一环代表用户的一步，不同的颜色代表不同的行为，同一环颜色占比越大代表在当前步骤中用户行为越统一，环越长说明用户的行为路径越长。

八、用户分群模型

用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。

基于用户行为数据的分群模型：当回归到行为数据本身，会发现对用户的洞察可以更精细更溯源，用历史行为记录的方式可以更快地找到想要的人群。

四个用户分群的维度：

• 用户属性：年龄、性别、城市、浏览器版本、系统版本、操作版本、渠道来源等；

• 活跃于：通过设置活跃时间，找到指定之间段内的活跃用户；

• 做过/没做过：通过用户是否进行某行为，分析用户与产品交互的“亲密度”；

• 新增于：通过设置时间段，精确筛选出新增用户的时间范围；

如何提高产品销量是一个综合性的问题，需要结合多种模型进行数据分析，以上内容是对一些知识的归纳，希望能够对您有所帮助。

三、数据分析方法3—RFM分析模型

        对于一个新上线产品的前期运营，我们一般的做法都是做活动、上新品、蹭热点、做营销、不断地去拓展新的客户。但是这种做法收效却不容乐观，真正获取的用户没有几个，最终都便宜了羊毛党。其实客户在不同阶段的需求是不一样的，有的客户图便宜，有的客户看新品，有的客户重服务。所以我们想要运营好一个产品，就需要对客户精细化运营。

     精细化运营最经典的用户分群工具就是RFM模型，RFM模型是衡量用户价值和用户创新能力的经典工具，主要是由用户最近一次购买时间、消费频次、消费金额组成。

        RFM模型是衡量客户价值和客户潜在价值的重要工具和手段，RFM是Rencency（最近一次消费），Frequency（消费频率），Monetary（消费金额）组合而成，此模型对于运营、销售、财务、市场来说都比较重要。

R值（Recency）： 最近一次消费

        表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大，1年前消费过的用户肯定没有1月前消费过的用户价值大，是衡量用户价值的一个指标。

        基于R值的大小，可以看出上表中的客户2是最有价值的，客户3是最没有价值的，但是如果就此说明客户2是最有价值，而客户3是没有价值的是不成立的，对于客户价值我们不能仅看R值，还需要考虑F值和M值。这里我们只举出4个客户为例，但在真实的客户场景中，我们可以把客户按照周、月、季、年等维度的占比详细来观察出R的趋势变化。

F值（Frequency）： 消费频率

        消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，其价值比偶尔来一次的客户价值大

        基于F值的大小，可以看出客户4的价值最大，客户1的价值最小，但是如果考虑R值和M值就不能这样认为。其实客户对于产品的复购的核心因素是类目。有的类目产品复购率高（食品类）主要是食品属于易耗品，消耗周期短，购买的频率高，相对容易产生重复性购买。而有的类目产品复购率低（家电类），消耗周期长，购买频次低。建议在对F值进行统计时对于不同的类目要有相应的统计周期。

M值（Monetary）： 消费金额

消费金额是指用户在统计周期内消费的总金额，体现了消费者对于企业的价值。

        基于M值的大小，可以看出客户4的价值最高，客户1的价值最低，M值同上面的R值、F值类似，单一的值并不能说明客户的好坏，三者结合才能更好地精细化用户，对购买产品的用户合理的分隔，采用不同的机制去运营。

RFM模型的主观细分

        根据RFM模型值得大小对客户进行细分，如下表所示，将客户分为了8部分去运营，对于不同的细分人群采取不同的运营策略，在实际的应用场景中，店铺可以根据自己店铺的实际情况来细分人群，购买人群多的就分多个人群，购买人群少的就少分几个人群，具体的情况根据店铺来定。

RFM模型的量化细分

        上面的模型细分主要是根据RFM值的大小进行模糊的细分，而如果想要更细地对人群进行划分，就需要对RFM进行量化处理，一般采用的方式有

1、根据经验定义权重

RFM值=a*R值+b*F值+c*M值

对于其中的权重a,b,c则需要经验丰富的业务人员来判断

2、归一化处理

将RFM的值进行归一化处理，公式为

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是归一化处理过后的值

3、AHP层次分析得出权重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP层次分析得出的权向量值

具体参考链接

最终按照得出值的大小进行人群细分，得出不同的人群

四、数据分析师常用的思维分析方式是什么?

1. 对比思维

对比这两个字大家肯定都不陌生，比如买东西我们会货比三家，其实生活中处处有对比。

比如说，小芳一直成绩优异，但是末次考试发挥失常，数学只考了40分，班主任找到小芳谈话，问她说：“你最近怎么回事，上次你数学考了80分，全班前十，这次怎么考的这么差？你看看你的同桌，这次都考了73分。”

从这个小故事中可以看出，对比一般有两种方式，横向对比和纵向对比。横向对比也就是与同类对比，比如班主任拿小芳的成绩跟她同桌的成绩做对比。纵向对比是指同一类型不同时间的对比，比如班主任拿小芳这次的成绩和上次的成绩做对比。

2. 细分思维

细分思维很多人可能乍一听不太明白，其实生活中很多小事都体现了细分思维。就比如我们人体是由九大系统构成的，系统又是由器官构成的，器官是由组织构成的、细胞又构成了组织，层层细分。

再拿刚刚的例子来说，还是我们的小芳同学，还是刚刚那场考试，班主任让小芳对自己这考试的总成绩做一个总结，小芳拿着成绩单仔细研究，发现这次总成绩不是很好，但是仔细一看，发现除了数学成绩只考了40分以外，其他科目的成绩都名列前茅，数学成绩拉低了小芳的整体成绩。

在这里我们就是把整体考试成绩细分为具体的科目来总结归因。在数据分析的工作中，细分的纬度主要包括时间、地区、渠道、产品、员工、客户等。杜邦分析法、麦肯锡的 MECE 分析法本质上都属于细分思维。

3. 溯源思维

前两个思维能够对应一部分数据分析工作要求，但是如果有一些数据不能用前两种思维来处理怎么办呢？

那我们就可以用到另一种溯源思维。俗话说追根溯源，很多时候我们要想知道事物背后的逻辑原因，最好的方法可能是去探究事物发生的原因，来帮助我们分析。

继续拿小芳举例，她放学回家把成绩单交给妈妈，妈妈通过对比、细分的思维方法知道了小芳这次考试的大概情况，也知道是数学失利了。但是小芳的数学一向是强项，妈妈还是无法理解为什么会在这里出问题，于是妈妈找来小芳谈心，详细了解了考试时的情况，才发现是因为小芳考数学的那天中午吃坏了肚子，下午的数学考试刚好发作，疼痛难忍，以至于很多本来会做的题目都做错了。妈妈也理解了小芳，并且向小芳表达了歉意，也会更注重小芳的饮食问题。

上面的例子里，小芳的妈妈无法从表面的数据上分析出事情发生的原因，于是采用了溯源思维，找到了真正的原因。如果数据分析师在工作中也能利用好溯源思维，那么对数据的敏感和业务的理解也能逐步加深。

4. 相关思维

上面几种思维是比较常用的思维方式，下面我们就来说说相关思维，这也是数据分析的核心思维能力。

很多人可能都知道著名的啤酒与尿布的故事，在业界是一个相关分析的经典案例。故事背景是20世纪90年代的美国沃尔玛超市，当时沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。

沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒。

经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的妻子们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

如果数据分析师能够熟练灵活的将相关分析运用到工作中，就能从仅仅知道数据分析的结果是什么进阶到知道呈现这个结果的原因是为什么。

5. 假设思维

之前的思维模式都是建立在我们有大量的已知数据可以进行分析论证的时候，那么如果我们还没有足够的数据量或者证据来验证这件事，我们应该怎么办呢？这种时候就可以用到我们的假设思维。先对大胆进行假设，然后再小心求证，最后去想办法验证假设是否成立。

比如，小芳想吃荔枝，于是下楼去买，跟卖荔枝的阿姨之间有这样一段对话：

小芳：“阿姨，你这荔枝甜不甜？”

阿姨：“甜啊，我这有切好的，你先尝一尝试试。”

小芳：“好，那我尝一个。”

小芳拿来一个荔枝，尝了一口：“嗯，不错，确实挺甜的，给我称两斤吧。”

上面这个看似简单的小故事，其实就隐藏了简单的假设检验。首先，小芳提出假设：荔枝是甜的；其次，随机抽取一个样本；然后，检验是否是甜的；最后，作出判断，确认荔枝真的是甜的，所以就购买了。

在数据分析中，假设思维的专业术语叫假设检验，一般包括四个步骤，即：提出假设、抽取样本、检验假设、作出判断。数据分析师可以充分利用这一思维模式。

6. 逆向思维

逆向思维这个词大家一定都不陌生，很多著名企业家的演讲中就常常提到这个词，他们都提倡打破常规的思维模式，从相反的方向来思考问题。

下面我们邀请小芳同学再次登场。

有一次，小芳去买辣椒，跟阿姨之间又有一段对话。

小芳：“阿姨，你这辣椒多少钱一斤？”

阿姨：“一块五。”

小芳挑了 3 个放到秤盘：“阿姨，帮我称一下。”

阿姨：“一斤半，两 块 2 毛。”

小芳去掉其中最大的辣椒：“做汤不用那么多。”

摊主：“一斤二两，一块6毛。”

小芳拿起刚刚去掉的那个最大的辣椒，付了 6毛钱，笑着跟阿姨说了再见。

你看，运用逆向思维，有时可能会起到意想不到的效果。

7. 演绎思维

演绎思维相对于前面的几种思维方式可能不是那么好理解。

演绎思维的方向是由一般到个别，大家要记住这一点，后面我们还会提到。也就是说，演绎的前提是一般性的抽象知识，而结论是个别性的具体知识。演绎的主要形式是由大前提、小前提、结论三部分组成的三段论。

以物理学上一个常识为例。

大前提：金属能导电。

小前提：银铁是金属。

结论：银能导电。

从这个例子中可以看出，大前提是已知的一般原理（金属能导电），小前提是研究的特殊场合（铁是金属），结论是将特殊场合归到一般原理之下得出的新知识（银能导电）。

8. 归纳思维

归纳思维的方向与演绎正好相反，归纳的过程是从个别到一般。

还是以金属能导电为例。

前提：金能导电，银能导电，铜能导电，铝能导电。

结论：金属能导电。

数据分析的过程，往往是先接触到个别事物，而后进行归纳总结，推及一般，再进行演绎推理，从一般推及个别，如此循环往复，不断积累经验。

总结

本文总结了数据分析的 8 种思维，分别是对比、细分、溯源、相关、假设、逆向、演绎、归纳。作为一名数据分析师，如果在工作中能充分运用好这些思维，是对个人能力极大地提升，就能够在工作中创造更多的个人价值。

以上就是关于经典数据分析方法相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

经典公园设计案例分析（经典公园设计案例分析论文）

描写面条美味诱人的句子（人生如面条的经典句子）

黄岩宋韵拍摄宣传片（经典传奇之黄岩宋墓）

杭州圆行文化创意有限公司（杭州圆行文化创意有限公司怎么样）

密闭空间施工需要什么资质（密闭空间施工需要什么资质要求）