對於具體的業務場景問題該怎麼辦呢?本文以一個電子商務網站為例，用數據分析對該網站進行快速地數據採集、清晰和可視化展示，總結出以下 8 種常見的數據分析方法。
對於具體的業務場景問題，我們該怎麼辦呢?我們以一個電子商務網站為例，用數據分析對該網站進行快速地數據採集、清晰和可視化展示，然後給大家分享這 8 種常見的數據分析方法。
01 數字和趨勢
看數字、看趨勢是最基礎展示數據信息的方式。
在數據分析中，我們可以通過直觀的數字或趨勢圖表，迅速瞭解例如市場的走勢、訂單的數量、業績完成的情況等等，從而直觀的吸收數據信息，有助於決策的準確性和實時性。
對於電子商務網站，流量是非常重要的指標。
上圖中，我們將網站的訪問用戶量(UV)和頁面瀏覽量(PV)等指標匯匯聚到統一的數據看板(Dashboard)，並且實時更新。這樣的一個數據看板，核心數字和趨勢一目瞭然，對於首席增長官來說一目瞭然。
02 維度分解
當單一的數字或趨勢過於宏觀時，我們需要通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。在選擇維度時，需要仔細思考其對於分析結果的影響。
舉個例子，當監測到網站流量異常時，可以通過拆分地區、訪問來源、設備、瀏覽器等等維度，發現問題所在。
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，創建該群體用戶的畫像。 例如訪問購物網站、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，我們可以進一步觀察他們購買產品的頻度、類別、時間，這樣我們就創建出該用戶群體的畫像。
在數據分析中，我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產品優化，效果會更加明顯。
上圖中，我們通過用戶分群將一次促銷活動中支付失敗的用戶挑選出來，然後推送相應的優惠券。這樣精準的營銷推廣，可以大幅度提高用戶支付的意願和銷售金額。
04 轉化漏斗
絕大部分商業變現的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一，無論是註冊轉化漏斗，還是電商下單的漏斗。
通過漏斗分析可以從先到後還原用戶轉化的路徑，分析每一個轉化節點的效率。其中，我們往往關注三個要點：第一，從開始到結尾，整體的轉化效率是多少?第二，每一步的轉化率是多少?第三，哪一步流失最多，原因在什麼地方?流失的用戶符合哪些特徵?
上圖中註冊流程分為 3 個步驟，總體轉化率為45.5%;也就是說有 1000 個用戶來到註冊頁面，其中 455 個成功完成了註冊。
但是我們不難發現第二步的轉化率是 56.8% ，顯著低於第一步 89.3% 和第三步轉化率 89.7%，可以推測第二步註冊流程存在問題。
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;如果要提高註冊轉化率，我們應該優先解決第二步。
05 行為軌跡
關注行為軌跡，是為了真實瞭解用戶行為。
數據指標本身往往只是真實情況的抽象，例如，網站分析如果只看訪問用戶量(UV)和頁面訪問量(PV)這類指標，斷然是無法全面理解用戶如何使用你的產品。通過大數據手段，還原用戶的行為軌跡，有助於增長團隊關注用戶的實際體驗、發現具體問題，根據用戶使用習慣設計產品、投放內容。
上圖中展示了一位用戶在某電商網站上的詳細行為軌跡，從官網到落地頁，再到商品詳情頁，最後又回到官網首頁。
網站購買轉化率低，以往的業務數據無法告訴你具體的原因;通過分析上面的用戶行為軌跡，可以發現一些產品和運營的問題(比如是不是商品不匹配等等)，從而為決策提供依據。
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遠低於獲取一個新用戶。每一款產品，每一項服務，都應該核心關注用戶的留存，確保做實每一個客戶。
我們可以通過數據分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關聯，找到提升留存的方法。
在 LinkedIn，增長團隊通過數據發現，如果新用戶進來後添加 5 個以上的聯繫人(上圖紅色線條)，那麼他/她在 LinkedIn 上留存要遠遠高於那些沒有添加聯繫人(上圖綠色和紫色的線條)的留存。
這樣，添加聯繫人稱為 LinkedIn 留存新用戶的最核心手段之一。除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的註冊用戶回訪率，產品團隊關注每一個新功能對於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品設計/算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產品或者功能設計的效果，市場和運營可以通過 A/B 測試來完成不同渠道、內容、廣告創意的效果評估。
舉個例子，我們設計了兩種不同的產品交互形式，通過比較實驗組(A 組)和對照組(B 組)的訪問時長和頁面瀏覽量兩個衡量指標，來評估哪一種交互形式更佳。要進行 A/B 測試有兩個必備因素：
第一：有足夠的時間進行測試;
第二：數據量和數據密度較高。
因為當產品流量不夠大的時候，做 A/B 測試得到統計結果是很難的。而像 LinkedIn 這樣大體量的公司，每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數據規模較大時使用會更加精準，更快得到統計的結果。
08 數學建模
當一個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數學建模、數據挖掘的手段進行建模，預測該商業結果的產生。
作為一家 SaaS 企業，當我們需要預測判斷客戶的流失時，可以通過用戶的行為數據、公司信息、用戶畫像等數據建立流失模型。 利用統計學的方式進行一些組合和權重計算，從而得知用戶滿足哪些行為之後流失的可能性會更高。
我們常常說，不能度量，就無法增長，數據分析對於企業商業價值的提升有著至關重要的作用。當然，僅僅掌握單純的理論還遠遠不夠，實踐出真知。數據分析的方法大家不妨在自己日常工作中，有分析相關項目裡嘗試使用，相信可以事半功倍，創造更多商業價值。
關於寬拓科技
寬拓科技專注於為大資管領域的金融機構客戶提供最專業的金融科技服務。基於團隊對行業的長期積累，融合自主研發的最新技術，以數據驅動、AI驅動為核心，打造新型的資產管理、財富管理的應用平臺，助力客戶提高生產效率、降低業務風險，完成金融科技賦能。
閱讀更多 寬拓科技 的文章
