這是精讀《數據分析思維：分析方法和業務知識》的第2篇文章
哈嘍大家好，我是可樂
今天我們接著這本書往后看，第二章講了數據分析的方法，從大家耳熟能詳的5W2H出發到群組分析等，基本上涵蓋了工作生活中可能會用到的各種方法，下面我們一個一個來聊。
就是用5個W和2個H開頭的英文單詞來思考問題，很好理解，適用于解決簡單的問題，而面對復雜的商業問題時就需要其他的方法輔助了。
由費米提出，主要用來將復雜的問題變成簡單的問題，像樹枝那樣逐漸展開，問題拆解，把一個復雜的問題變成一個個簡單的子問題。
面試中常見的問題：如估算深圳有多少個產品經理，芝加哥有多少鋼琴調音師等，這類估算問題我們稱之為費米問題，在解決費米問題時，考察點通常不是真的去算出深圳到底有多少個產品經理，重點在于你的分析方法，也就是你運用邏輯樹分析問題的能力。
當需要分析行業問題、制定發展規劃時，要進行行業分析，首選PEST分析法。
多維度拆解法，就是維度+拆解，從多個角度思考問題。
那么可以從哪些維度來拆解問題呢？
從指標構成拆解
從業務流程拆解
面試中常見的 “次日用戶留存率下降了 5%該怎么分析？” 這種問題，就可以用到維度拆解的方法。
通過多維度拆解數據，我們發現了一種考察數據整體和不同部分時，會得到相反結論的現象，稱之為辛普森悖論。
當我們對兩個變量進行分組研究時，在分組中都占優勢的一方，在總評中反而成為失勢的一方。
比較著名的當屬1973年加利福尼亞大學伯克利分校性別歧視的例子，男生錄取率為44%，女生錄取率為35%，根據這個數據有人就覺得該校有性別歧視的傾向，但如果每個院系分開來看錄取率的話，可以發現，A B D F四個院女生的錄取率都高于男生。這個悖論告訴我們一個簡單的統計數字不能完全描述其背后的復雜意義，因此只看到數據整體，而忽視數據內各個部分的差異是不對的。
在進行對比分析時，主要考慮兩個問題，和誰比，以及如何比。
和誰比如何比
和自己比：同比、環比、定比、與目標值的對比、縱比、橫比、特定時期的對比
和行業比：與行業平均水平比
數據整體的大小：平均值、中位數
數據整體的波動：變異系數
趨勢變化：折線圖、同比、環比
注：比較的對象規模一致才有可比性
A/B測試就是應用了對比分析
06 假設檢驗分析分析問題發生的原因，也叫歸因分析，“為什么”的問題，指標下降的問題
研究兩種或兩種以上數據之間關系的方法，如果一個指標和另一個指標是一起變化的，說明它們是相關的，而如果是一個指標先變化從而導致了另一個指標的變化，說明它們是有因果性的。
需要注意的是，相關性并非因果性，現實生活中，100%的因果關系很難找到。如何判別是相關還是因果呢？答案就是：單變量控制法，控制其他因素不變，只改變一個因素，然后觀察這個因素對結果的影響。
08 群組分析也叫同期群分析，也就是對數據分組后對比。
比如按時間分析留存率，目的是找到留存率低的組，然后進一步分析這些組。
還有流失用戶分析、金融逾期分析等
09 RFM分析RFM分析用來對用戶進行價值分類，從重要價值用戶到一般挽留用戶，識別有價值的用戶，進行精細化運營，不斷將用戶轉化為重要價值用戶。
這里的R F M分別對應：
R-最近一次消費間隔
F-消費頻率
M-消費金額
如信用卡會員服務，就是采用RFM分析后進行運營的一個例子，不能對用戶采取同樣的運營策略，否則可能導致流失。
注意：對RFM值要根據業務的不同靈活運用
10 AARRR模型AARRR模型用來分析用戶行為，為產品運營制定決策，實現用戶增長。
對應產品運營的5個重要環節：
Acquisition-獲取用戶：用戶如何找到我們
Activation-激活用戶：用戶的首次體驗如何
Retention-提高留存：用戶會回來嗎
Revenue-增加收入：如何賺到更多的錢
Refer-推薦：用戶會推薦給其他人嗎
獲取用戶階段，我們比較關心以下指標：
渠道曝光量
渠道轉換率
日新增用戶數
日應用下載量
獲客成本
激活用戶階段，需要找到“啊哈時刻”，就是讓用戶情不自禁地喜歡上產品亮點、發出贊嘆的時刻。
留存階段，核心目標是讓用戶養成使用習慣，重點關注留存率指標
增加收入階段，主要關注：
總量相關指標，如成交總額、成交數量
人均情況指標，如ARPU/ARPPU、人均訪問時長
付費情況指標，如付費率、復購率
推薦階段，也叫病毒營銷，或自傳播，主要關注：
11 漏斗分析
轉發率
轉化率
K因子
漏斗分析是衡量業務流程每一步的轉化率的分析方法，在各行各業都有相應的應用，如用戶轉化的分析、用戶流失分析、流量監控等。目的在于定位問題節點，找到有問題的環節在哪。
跟可樂一起精讀一本書，每天進步一點點。
-END-
以上就是11種數據分析方法，別再說你不會了的全部內容了，希望大家喜歡。