沃卡惠
Labs 导读
在当今数字化的时代，几乎每一个岗位需求都要求具备“数据分析能力”，数据分析不仅仅是一项专业的职位，而是自身能力不可或缺的一种“软实力”。当我们有了数据，应当如何才能产出有价值的数据分析内容呢？本文将从业务指标建立、业务指标体系搭建到常用的数据分析方法进行介绍。
Part 01、什么是数据指标
现代管理学之父，彼得德鲁克说过，“如果你不能衡量，那么你就不能有效增长”。而如果你要衡量，那么你需要的就是相关的指标。比如，学习成绩、排名、销售额、PV、UV......
那么常用的数据指标有哪些呢？
这么多的数据指标，该如何进行选择呢？
-好的数据指标往往是“比例”。绝对值数据常常作为描述性分析，得到的是客观事实，但并不能评价业务发展情况，而环比、同比或者占比则可以一目了然。
-找准真正的关键指标。根据业务发展情况找到关键指标，也就是下文提到的业务指标体系中的一级指标。
Part 02、什么是业务指标体系
指标体系：从不同维度梳理业务，把指标有系统地组织起来。指标体系=指标+体系，一个指标不能叫指标体系，几个毫不相关的指标也不能叫指标体系。
如何评价一家公司是否健康运营，可以通过业务指标体系进行评价，然后快速定位到异常指标，分析业务问题→解决问题→继续监控指标，从而形成闭环，减少经营损失，使其健康发展。如何建立业务体系？
明确部门KPI，确定一级指标；
了解运营情况，找到二级指标；
梳理业务流程，找到三级指标；
通过报表监控，更新体系。
Part 03、常用的数据分析方法
在提数据分析方法之前，需要重点考虑为什么要学习分析方法？需要有“业务直觉”，此处的“直觉”不仅仅是“我认为”“我觉得”...而是摆事实讲道理论证结论，于是在“摆事实”的阶段，我们需要使用到分析方法。
常用的分析方法有哪些呢？根据业务场景中分析目的的不同，可以选择对应的分析方法。
3.1 逻辑树分析方法
将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。
举例：费米问题：钢琴调音师的数量=【芝加哥所有的钢琴师1年的总工作时间】÷【钢琴师每年的工作时间】
【前者】:芝加哥所有的钢琴师1年的总工作时间由下面几个因素决定——需求侧
芝加哥有多少架钢琴：250万人口乘以2%=5万
钢琴每年要调几次音：1年1次
调一次音要多久：2小时
所以一年的总工作时间是 5万×1×2=10万小时
【后者】：钢琴师每年的工作时间由下面几个因素决定——供给侧
5天8小时，50个星期=2000个小时
耗费在奔波的路上要减去-20%=1600小时
结果就出来了：芝加哥大概有10万 ÷ 1600 ≈ 63个
3.2 PEST分析方法
PEST分析是指宏观环境的分析，宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。对宏观环境因素作分析，不同行业和企业根据自身特点和经营需要，分析的具体内容会有 差异，但一般都应对政治（Political）、经济（Economic）、技术（Technological）和社会（Social）这四大类影响企业 的主要外部环境因素进行分析。
3.3 多维度拆解分析方法
多维度拆解分析方法是一种通过将问题或数据分解成多个维度来进行深入分析的方法。它可以帮助我们更全面地理解问题，并从不同的角度进行研究。以下是使用多维度拆解分析方法解决芝加哥调音师数量问题的示例：
1)地理维度：将芝加哥地区拆分为不同的地理区域，例如城市区域、周边区域等。通过收集每个区域的数据，我们可以了解每个区域内调音师的数量并进行比较。
2)行业维度：将调音师分为不同的行业类别，如音乐制作、影视制作、广告制作等。通过研究每个行业类别中的调音师数量，我们可以获得更详细的信息。
3)教育背景维度：研究调音师的教育背景，例如音频工程学位、音乐学位等。这可以帮助我们了解在不同教育背景下的调音师数量和特征。
4)经验水平维度：将调音师按照其经验水平分为不同的类别，如初级、中级、高级等。通过研究每个经验水平类别中调音师的数量，我们可以得出关于经验水平对数量的影响的结论。
5)社交媒体分析维度：利用社交媒体平台上的数据，分析在芝加哥地区活跃的调音师的数量和活动情况。这可以提供关于调音师社交媒体使用情况的见解。
通过对以上多个维度进行分析，我们可以更全面地了解芝加哥地区的调音师数量，并从不同的角度获取相关信息。这种方法可以为我们提供更深入的洞察力，帮助做出更准确的估计和决策。
3.4 对比分析法
是一种常用的分析方法，通过将不同对象、事物或变量进行比较，以便更好地理解它们之间的差异和相似之处。
如何使用对比分析法？1）和谁比？和自己比、和行业比。环比、同比一般是指同过去的自己比；与整体行业比可以对比出来是自身原因还是大环境的原因。
如上图所示：注意力不同，表达的信息也不相同：你的注意可能集中在1月至5月的总销售额变化趋势以及销售额格随时间变化的规律，结论是:自1月以来销售额正在稳步提升，5月环比4月提升10.06%；若注意在在5月里，结论是：产品Ａ的销售额大幅领先产品B和Ｃ；若注意力在C产品，5月增幅最大，环比上月85.71%，超过公司整体增幅。
3.5 相关分析法
用于确定两个或多个变量之间的关系强度和方向。它可以帮助我们理解变量之间的相关性，并提供关于它们如何随着彼此变化的信息。
举例：为了分析销售额下降的原因，我们可以使用相关分析法来研究销售额与其他相关变量之间的关系。以下是在相关分析中可以采取的一些步骤：
1)收集数据：收集与销售额相关的各种可能因素的数据，例如市场竞争情况、广告投入、产品定价、季节性因素等。
2)计算相关系数：使用合适的相关系数（如皮尔逊相关系数）来衡量销售额与其他变量之间的线性关系。对于连续变量，可以使用皮尔逊相关系数来计算它们之间的相关性。对于分类变量，可以使用点二列关联分析来研究它们之间的关联程度。
3)解释结果：根据相关系数的值和方向，解释销售额下降的原因。例如，如果某个变量与销售额呈现强负相关关系，那么销售额下降可能与该变量的增加相关。
4)进一步分析：根据相关分析的结果，进行进一步的分析，例如回归分析或因果分析，以确定变量之间的因果关系。这些分析可以帮助我们确定哪些变量是销售额下降的主要原因。
需要注意的是，相关分析可以提供关于变量之间关系的统计证据，但不能确定因果关系。因此，在解释销售额下降的原因时，还需要进行更深入的研究和分析，以确定真正的因果关系。
3.6 漏斗分析法
漏斗分析法是一种用于分析和优化购买或转化过程的方法。它可以帮助我们理解用户在购买或转化过程中的行为，找出其中的瓶颈和改进的机会。
3.7 RFM分析方法
RFM分析方法是一种用于衡量和分类客户价值的方法，它基于三个关键指标：最近一次购买（Recency）、购买频率（Frequency）和购买金额（Monetary）。通过RFM分析，可以将客户细分为不同的组，并识别出具有高价值和潜力的客户。
3.8 AARRR模型
是一种常用的营销分析框架，用于评估和优化产品或服务的用户生命周期。它由五个关键指标组成，分别是：
1)获得（Acquisition）：指吸引新用户的活动，如营销广告、SEO优化等。在数据分析中，我们可以跟踪和分析用户来源、渠道效果等指标。
2)激活（Activation）：指用户首次使用产品或服务的体验，以及达到预期价值的程度。数据分析可以帮助我们理解用户的初次使用行为和转化率，以及分析用户体验问题。
3)留存（Retention）：指使用户继续使用产品或服务的活动。通过数据分析，我们可以追踪和分析用户的留存率、用户活跃度，以及发现用户流失的原因。
4)推广（Referral）：指通过现有用户推荐新用户的活动。数据分析可以帮助我们跟踪和分析用户的推荐行为、转化率，以及通过推荐获得的用户价值。
5)收入（Revenue）：指通过产品或服务产生的收入。在数据分析中，我们可以分析用户的付费行为、收入来源、用户价值等指标。
通过对AARRR模型中的各个环节进行数据分析，我们可以了解用户的转化路径、用户行为特征，以及优化产品或服务的机会，从而提升用户体验和增加收入。
总结起来，常用的数据分析方法包括逻辑数分析方法、PEST分析方法、多维度拆解分析方法、对比分析法、相关分析法、RFM分析方法、AARRR模型分析方法、漏斗分析方法等。选择适当的方法取决于数据类型、目标和问题的性质。而分析的价值是能过让决策者基于此采取行动，否则最严苛最站得住脚的分析方法也毫无用处。
