資料分析師常用的資料分析方法有哪些？
很多做資料分析或者剛接觸資料分析的小夥伴，不知道怎麼做資料分析。一點思路都沒有，今天就給大家盤點資料分析師常用的資料分析方法。希望看完此文的小夥伴，有一個清晰的資料分析思維。
方法論和方法有什麼區別?
方法論是從巨集觀角度出發，從管理和業務的角度提出的分析框架，指導我們接下來具體分析的方向。方法是微觀的概念，是指我們在具體分析過程中使用的方法。
資料分析方法論
資料分析的方法論很多，這裡我給大家介紹一些常見的框架。
1、PEST分析法
PEST 為一種企業所處巨集觀環境分析模型，從政治(Politics)、經濟(Economy)、社會(Society)、技術(Technology)四個方面分析內外環境，適用於巨集觀分析。
四點因素也被稱之為“pest有害物”，PEST要求高階管理層具備相關的能力及素養。PEST分析與外部總體環境的因素互相結合就可歸納出SWOT分析中的機會與威脅。PEST/PESTLE、SWOT 與 SLEPT 可以作為企業與環境分析的基礎工具。
2、SWOT分析法
從優勢(Strength)、劣勢(Weakness)、機遇(Opportunity)、威脅(Threat)四個方面分析內外環境，適用於巨集觀分析。
SWOT分析法是用來確定企業自身的競爭優勢、競爭劣勢、機會和威脅，從而將公司的戰略與公司內部資源、外部環境有機地結合起來的一種科學的分析方法。運用這種方法，可以對研究物件所處的情景進行全面、系統、準確的研究，從而根據研究結果制定相應的發展戰略、計劃以及對策等。
3、5W2H分析法
從Why、When、Where、What、Who、How、How much 7個常見的維度分析問題。廣泛用於企業管理和技術活動，對於決策和執行性的活動措施也非常有幫助，也有助於彌補考慮問題的疏漏。
4、4P理論
經典營銷理論，認為產品(Product)、價格(Price)、渠道(Place)和促銷(Promote)是影響市場的重要因素。
5、AARRR
增長黑客的海盜法則，一種以使用者為中心的著眼於轉化率的漏斗型的資料收集測量模型，從獲取(Acquisition)、啟用(Activition)、留存(Retention)、收益(Revenue)和推薦(Referral)5個環節增長。
AARRR在應用推廣運營各個層次（各個階段）需要關注的一些指標。在整個AARRR模型中，這些量化指標都具有很重要的地位，而且很多指標的影響力是跨多個層次的。及時準確地獲取這些指標的具體資料，對於應用的成功運營是必不可少的。
資料分析的方法論很多，這裡不能一一列舉;沒有最好的方法論，只有最合適的。
從資料分析方法論也可得知，資料分析的意義在於將雜亂無章的資料轉化為清晰可見的可檢視，從而進行精準決策。“大資料時代，技術和分析哪個更重要”一文中也闡述了分析的重要性。
資料分析的七個方法
1、趨勢分析
趨勢分析是最簡單、最基礎，也是最常見的資料監測與資料分析方法。通常我們在資料分析產品中建立一張資料指標的線圖或者柱狀圖，然後持續觀察，重點關注異常值。
在這個過程中，我們要選定第一關鍵指標(OMTM，One Metric That Metter)，而不要被虛榮指標(Vanity Metrics )所迷惑。
以社交類APP為例，如果我們將下載量作為第一關鍵指標，可能就會走偏;因為使用者下載APP並不代表他使用了你的產品。在這種情況下，建議將DAU(Daily Active Users，日活躍使用者)作為第一關鍵指標，而且是啟動並且執行了某個操作的使用者才能算上去;這樣的指標才有實際意義，運營人員要核心關注這類指標。
2、多維分解
多維分解是指從業務需求出發，將指標從多個維度進行拆分;這裡的維度包括但不限於瀏覽器、訪問來源、作業系統、廣告內容等等。
為什麼需要進行多維拆解?有時候一個非常籠統或者最終的指標你是看不出什麼問題來的，但是進行拆分之後，很多細節問題就會浮現出來。
舉個例子，某網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。如果你要提升使用者的參與度，顯然這樣的資料會讓你無從下手;但是你對這些指標進行拆解之後就會發現很多思路。
3、使用者分群
使用者分群主要有兩種分法：維度和行為組合。
第一種根據使用者的維度進行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的使用者;從使用者登入平臺進行分群，有PC端、平板端和手機移動端使用者。
第二種根據使用者行為組合進行分群，比如說每週在社群簽到3次的使用者與每週在社群簽到少於3次的使用者的區別，這個具體的我會在後面的留存分析中介紹。
4、使用者細查
正如前面所說的，使用者行為資料也是資料的一種，觀察使用者在你產品內的行為路徑是一種非常直觀的分析方法。在使用者分群的基礎上，一般抽取3-5個使用者進行細查，即可覆蓋分群使用者大部分行為規律。
絕大多數產品都或多或少存在一些反人類的設計或者BUG，通過使用者細查可以很好地發現產品中存在的問題並且及時解決。
5、漏斗分析
漏斗分析是一套流程式資料分析，它能夠科學反映使用者行為狀態以及從起點到終點各階段使用者轉化率情況的重要分析模型。漏斗分析模型已經廣泛應用於網站使用者行為分析和APP使用者行為分析的流量監控、產品目標轉化等日常資料運營與資料分析的工作中。
漏斗分析要注意的兩個要點：
第一： 不但要看總體的轉化率，還要關注轉化過程每一步的轉化率;
第二： 漏斗分析也需要進行多維度拆解，拆解之後可能會發現不同維度下的轉化率也有很大差異。
6、留存分析
留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考察進行初始行為的使用者中，有多少人會進行後續行為。這是用來衡量產品對使用者價值高低的重要方法。
衡量留存的常見指標有：次日留存率、7日留存率、30日留存率等等。
留存分析可以幫助回答以下問題：
● 一個新客戶在未來的一段時間內是否完成了您期許使用者完成的行為？如支付訂單等；
● 某個社交產品改進了新註冊使用者的引導流程，期待改善使用者註冊後的參與程度，如何驗證？
● 想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？7、A/B測試與A/A測試
A/B測試是為了達到一個目標，採取了兩套方案，一組使用者採用A方案，一組使用者採用B方案。通過實驗觀察兩組方案的資料效果，判斷兩組方案的好壞。在A/B測試方面，谷歌是不遺餘力地嘗試;對於搜尋結果的顯示，谷歌會制定多種不同的方案(包括文案標題，字型大小，顏色等等)，不斷來優化搜尋結果中廣告的點選率。
這裡需要注意的一點，A/B測試之前最好有A/A測試或者類似準備。什麼是A/A測試?A/A測試是評估兩個實驗組是否是處於相同的水平，這樣A/B測試才有意義。其實這和學校裡面的控制變數法、實驗組與對照組、雙盲試驗本質一樣的。
原文釋出時間為：2018-09-27