数据分析流程

1.明确目的和思路

首先明白本次的目的，梳理分析思路，并搭建整体分析框架，把分析目的分解，化为若干的点，清晰明了，即分析的目的，用户什么样的，如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

2.数据收集

根据目的和需求，对数据分析的整体流程梳理，找到自己的数据源，进行数据分析，一般数据来源于四种方式：数据库、第三方数据统计工具、专业的调研机构的统计年鉴或报告（如艾瑞资讯）、市场调查。

对于数据的收集需要预先做埋点，在发布前一定要经过谨慎的校验和测试，因为一旦版本发布出去而数据采集出了问题，就获取不到所需要的数据，影响分析。

3.数据处理

数据收集就会有各种各样的数据，有些是有效的有些是无用的，这时候我们就要根据目的，对数据进行处理，处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法，将各种原始数据加工成为产品经理需要的直观的可看数据。

4.数据分析

数据处理好之后，就要进行数据分析，数据分析是用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、SAS等。

数据挖掘是一种高级的数据分析方法，你需要掌握数据挖掘基础理论，数据库操作Phython，R语言， Java 等编程语言的使用以及高级的数据可视化技术。要侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

5.数据展现

一般情况下，数据是通过表格和图形的方式来呈现的。常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

一般能用图说明问题的就不用表格，能用表说明问题的就不用文字。

6.报告撰写

撰写报告一定要图文结合，清晰明了，框架一定要清楚，能够让阅读者读懂才行。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

好的数据分析报告需要有明确的结论、建议或解决方案。

一、首先，要明白自己企业的商业模式

客户看中了你的产品或者服务，你把产品和服务卖给客户，一个订单完成！

电商公司和o2o类公司都是这种模式，公司的收入是由一个个订单堆积出来，订单是由用户购买了相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收入相关数据拆解为三大模块：用户、商品或服务、订单。作为运营人，我们最主要要关注的就是两个字——用户。

公司收入、订单都是由用户消费所产生，用户的消费流程可以划分为以下四个阶段：引流、转化、消费、存留。

当然我们希望最理想的情况就是吸引和转化最多的用户、让他们买我们的产品，并且留住他们好让他们一直买。然而现实是残酷的，我们能做的，就是对这些数据进行分析，根据数据情况进行策略对调整，让现实与理想情况之间的距离越来越近。

我们一般将用户分为新用户和老用户，如下图所示：

无论新老用户，我们都会关心两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。

二、引流

一个购物中心，建在荒郊野外，没人进来，装饰再奢华也没什么卵用。用户是有限的，我们需要精打细算，实现对每种渠道每种类型的流量来源的最大价值利用。

分析目标：通过对流量的分析，保证流量的稳定性，并通过调整，尝试提高流量。

分析内容：基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits)，是常用的衡量流量多少的数据指标；平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。

分析角度：

1. 观察流量规律，便于活动安排、服务调整

上面这个图使用FineReport做的UV分析，可以发现以下规律：一天当中，访问集中在9点到11点和14点到17点这段工作时间，一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日。

一般来说，流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的。所以可以将以上几面统一放到同一页面中进行观测，可以全面的了解应用的访问规律。并且通过对渠道、业务的选择，可以观测具体的渠道、业务的访问规律。

2.发现流量异常，分析异常原因并及时调整

通过对上图的观察，可以发现异常现象：

3月21日到4月17日到流量图中，工作日到流量一般都维持在2400左右，而观察4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。

一般来说，流量以周为单位，周期性分布的情况是比较多的，将视角拉长，一次性多看几个周的数据，便于发现问题。将一段时间内的数据与历史数据进行对比，也有助于问题的发现。

除上图中对流量异常的简单监控外，可以对流量进行进一步分解，如下图所示，通过图表联动，观察具体渠道或者业务的流量情况，从而完成对问题的追踪定位，例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的范围。

3. 观察流量结构，分析其合理性，并作出调整

流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比，了解流量组成。

如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想办法提高app流量占比。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。

4. 追踪流量情况，衡量活动或者调整效果

对流量的追踪，一般就是对流量的监控，观察活动前、活动中、活动后的变化情况，评估活动效果。一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动。如果活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动。

三、转化

在完成引流的工作后，下一步需要考虑的就是转化了，一个崭新的用户一路走来到完成交易，中间需要经历：

浏览页面（下载app）->注册成为用户->登陆->添加购物车->下单->付款->完成交易

每一环节中都会有用户流失，提高各个环节的转化率，一直是互联网公司运营的最核心的工作。转化率的提升，意味着更低的成本，更高的利润。

分析目标：了解各环节转化情况，分析其异常或不合理情况，进行调整，以提升各环节的转化率。

分析角度：关于转化率的各种名词也特别多，有静默转化率、登陆转化率、咨询转化率、付款转化率等等，然而并不需要考虑这些词，只要关注用户从接触应用到成交中的几个环节就好。

我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。

1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整

上图所示，传统漏斗图只能显示一条路径的转化率情况，稍加修改后，可实现对比功能，例如上图所示的新老用户的转化率的对比。可以根据实际情况中在该图中加入更多环节，例如注册、收藏、开工、竣工等。

从上图中，我们可以发现这样一个问题，下单到付款中的转化率过低，正常来说，用户只要下单，付款的比例是比较大的。对于这个异常，我们来做下猜测：

• 又看了下其他家的商品或服务，发现了更好的，就取消了付款；

• 付款前习惯性的问下相关的人进行确认，然后发现计划有变，所以取消付款；

• 到了付款的时候发现居然不支持支付宝，无奈取消付款；

• 下单后被告知没货；

• 页面好卡，怒而弃之；

• 余额不足

总体上可以分为两类：用户本身原因，系统设计原因。上图中这么出现付款率这么低的情况，基本上可以确定是系统原因。然而具体是哪块的设计出了问题，可以进一步细化追踪。

如上图所示，点击相应阶段，联动出下面各渠道与各业务的转化率明细，可以看出，各渠道的转化率差别较大，其中pc端转化率明显偏低，而各业务之间的转化率差别不大，基本可以确定，是pc端存在问题，导致转化率偏低。

上图中的付款转化率低的太明显，只要不瞎都能看出这转化率出了问题，但是往往转化率的问题并没有这样的明显，那怎样定位自己的转化率是否合理，哪个阶段的转化率有提升空间呢？继续看下面这张图：

上图是通过多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。

2. 追踪转化率变化，用于异常定位和策略调整效果验证

除流量外，转化率也是需要追踪的，将时间的维度拉开，分析各阶段转化率随着时间的波动，也是很有看点的。

如上图所示，在4月17日到21日中间，转化率出现下滑趋势，通过渠道转化率与业务转化率两个图表的联动，可以追踪定位导致转化率下滑的渠道或业务。常见的原因，公司运营部门投入了某个渠道进行推广，新的渠道带来了新的流量，而该渠道所引入的用户质量却偏低，拉低了整体的转化率。

3. 观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略

气泡图在传统图表中信息量涵盖相对是比较大的，上面这张图x轴和y轴分别表示流量和转化率，y轴可以根据分析内容不同切换成点击率、注册率、架构率、下单率等等，气泡大小表示的为渠道ROI。从上图中可以看出，在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情况。

4. 分析各环节转化周期，分析用户习惯，为制定运营策略提供依据

这种场景通用性并不是很强，会和公司业务相关联，有些业务的交易是分成多个阶段来完成，这种情况可以对转化周期进行分析。

上图中可以看出，该业务的付款与成交一般在前四周完成，而第五周开始趋于稳定。知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。另外可制定四周内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四周时间足够完成服务检查、订单确认等工作。

四、日活/存留

互联网行业的拉新成本现在都很高，要投入广告、投入时间，这些都是成本。如果用户还没有产生什么价值就流失了，那一定是亏了。相反，拉过来的用户，存留的时间越长，产生的价值也就越大，也才能弥补其他流失用户所产生的损失。因此，提高用户的存留时间，也是提高公司收入，为公司创造更多价值的重要一环。

分析目标：通过分析用户的日活/存留，来帮助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。

分析角度：

1.日活监控，观察用户活跃数据，分析日活健康度

活跃用户一般可以分为以下三类：

有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户，我将它列出来，是认为了解回流用户的日活情况在一些场合中是有价值的，例如活动期间、发优惠券测试，是否会对流失用户的回流产生了作用。

上图中是用finereport做的堆积面积图，其面积大小为各类型用户数，堆积总高度为总活跃用户数。对于日活数据来说，相对理想的情况是老用户占比较高，为活跃用户主力，并且呈现逐步上升的趋势，代表产品对新用户的粘性较好，总体拉新存留大于流失用户。否则，要么是新用户的存留率过低，要么是老用户的流失率过高，都需要进行调整。

2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等

存留规律分析应该分开对待，一部分高频小额订单(例如外卖)这种互联网公司，其分析模式类似于游戏、知乎、SasS平台，会以日为单位来分析存留。

如上图所示，这种用户登录频率较高的应用，可以通过上图分成三个阶段，过滤期、试探期、平稳期。刚开始接触一个应用的用户中，有大量的用户是质量不高的用户，不可避免的要经历一个存留率大幅下降的阶段，但这一阶段周期一般较短(我认为这一阶段可能更多的是应用筛选用户)。在这一阶段过去之后，用户会对应用进行详细的试探，是否让自己满意，这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。

上图可称之为手枪图，该图可以看出用户存留的整体情况，存留率有没有越来越高，产品粘性是否做的够好，通过上图可以看出一定的问题来。但要像日存留那样，找出用户存留的三个阶段是比较困难的，因为用户是否存留下来更多的取决于消费体验，并且消费体验周期过长，很难判断用户是否会再次消费。

3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整

如上图所示，通过对比，发现使用了分享功能和收藏功能的用户的存留率相对较高。得到这样一个信息后，可以通过产品上的调整，来鼓励用户使用分享、收藏等功能，以此来提高用户的存留率。

这种对比可以是多种形式的，将功能选择换成用户分类、用户来源，可以从不同的角度来观察问题。例如，如果发现男性用户的存留率比女性用户低，那么一是可以提醒反思造成这种情况的原因是什么，或者是可以调整产品推广渠道，以吸引女用户主。

存留率是互联网公司非常关注的指标之一，而很多公司会对存留率进行非常深入的挖掘。上文提供几种存留率常用的展现形式，为分析存留率提供一定的参考。

数据工作一般数据准备，数据分析，数据决策这几个过程。现在起步阶段，应该做好数据准备。建立数据库存储日常的交易记录数据，设置好后期要分析的指标。同时关注一下同行，参考一下同行的经验，并做竞品分析。后期数据结构基本完整了，你就可以展开分析了，回归预测，分类建模等等，根据实际情况来看。最后完成并改进分析报告，为业务提供建议。

1、分析数据前有没有明确的目的

2、有没有提高时间利用率

3、只收集不分析，数据的作用没被挖掘出来

4、收集数据“贪婪”，无法进行数据的整理导出

5、用数据进行有效地“举一反三”

数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。

一般数据分析围绕店铺运营公式展开，销售额=访客数*转化率*客单价，访客数方

面重点关注流量的波动，流量的渠道表现，转化率方面重点关注行业均值，一般我的目标

是行业均值以上，并向优秀努力，客单价提升重点在关联销售方面进行优化；数据分析重

点使用生意参谋，通过取数功能可以很好的分析问题。

1、分析数据前有没有明确的目的；2、有没有提高时间利用率；3、只收集不分析，数据的作用没被挖掘出来；4、收集数据“贪婪”，无法进行数据的整理导出；5、用数据进行有效地“举一反三”。