基本分析方法

數(shù)據(jù)分析更多是基于業(yè)務的角度來總結數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)背后的結論

-- 對比分析
橫向對比--跟自己比
縱向對比--跟其他人比

如何判斷新版發(fā)布效果？
單純對比新老版本app各項關鍵數(shù)據(jù)會有偏頗，對于Android用戶第一時間升級新版本的都是活躍用戶。一般會選擇兩個版本發(fā)布初期的新用戶，保證對比指標之外的其他因素保持一致

-- 趨勢分析
數(shù)據(jù)多的時候便捷的方法，數(shù)據(jù)可視化，大量數(shù)據(jù)情況下更加直觀

-- 象限分析
依照數(shù)據(jù)的不同將各個比較主體劃分到四個象限中，區(qū)分制定每個象限中的策略

-- 交叉分析
對數(shù)據(jù)在不同維度進行交叉展現(xiàn)，進行多角度的結合分析，疊加不同維度能發(fā)現(xiàn)很多信息，比如版本維度、渠道維度、時間維度等。
從多個維度細分數(shù)據(jù)，從中發(fā)現(xiàn)最為相關的維度來探索數(shù)據(jù)變化的原因

數(shù)據(jù)分析框架--AARRR

分析框架和分析方法有什么區(qū)別？
分析方法：面對具體數(shù)據(jù)的時候所需要掌握的方法，用來挖掘數(shù)據(jù)背后隱藏的有用信息
分析框架：分析思路，面對問題的時候如何去開展分析工作

數(shù)據(jù)分析框架具體有哪些作用？
把抽象問題具體化，基于業(yè)務特征和數(shù)據(jù)指標來構建相關的分析體系，保證分析結果的準確性、可靠性和針對性。

常用的分析框架
PEST分析，政治、經(jīng)濟、社會、技術四個方面分析宏觀環(huán)境
4P理論，營銷常用
5W2H理論，比較萬能
SMART框架，目標管理
SWOT分析，戰(zhàn)略分析

互聯(lián)網(wǎng)常用的數(shù)據(jù)模型--AARRR
用來分析新公司和新產品的可行性，提出贏得客戶需要經(jīng)歷的五個階段
獲取用戶--激活用戶--留存用戶--收入--引薦

如何使用AARRR模型？
能夠打通整個數(shù)據(jù)，從上下流結合來分析各個部分的數(shù)據(jù)

數(shù)據(jù)分析框架--邏輯分層拆解

什么場景使用這個框架？
存在最為關注的核心指標，當核心指標發(fā)生變化時候，探究變化的原因就需要依賴邏輯分層拆解來分析

怎么樣解決這些問題？
邏輯拆解，尋找跟核心指標有邏輯關系的相關的指標，存在強烈的邏輯關聯(lián)，要清楚如何影響核心指標
分層拆解，第一層直接解釋核心指標變動大方向；第二層針對大方向的細分，定位問題更加準確和可操作性。同一層里面各個相關指標都代表一個尋找方向，不能有相關性

不能保證能找到所有拆解出來的數(shù)據(jù)怎么辦？
這個方法的局限性會遺漏指標，找多個進行腦暴，補全指標

數(shù)據(jù)分析框架--漏斗分析

解決什么樣的問題？
分析從潛在用戶到最終用戶這個過程中，用戶的變化趨勢，從而尋找最佳的優(yōu)化空間。

注意的點？
1、轉化率需要對比，進行橫向對比和縱向對比
2、不同用戶類別在漏斗中的轉化率有很大的差異，要有細分的漏斗模型

實際流程和模型不匹配怎么辦？
利用google analytics，用戶的真實路徑的行為流，可以分析用戶為什么要這么走，而不是沿著設計好的流程

數(shù)據(jù)會說謊

數(shù)據(jù)是客觀的，但是看數(shù)據(jù)人會有一些主觀的意識

如何避免被趨勢數(shù)據(jù)圖欺騙？
采用擬合的方法，獲得趨勢線的公式，直接看斜率

數(shù)據(jù)都是有背景信息的，如何理解？
數(shù)據(jù)樣本要有代表性，樣本量大?。傮w大小、總體內部差異程度）

平均數(shù)的坑？如何避免？
注意某些被平均的場景。數(shù)據(jù)是正態(tài)分布的情況下，平均數(shù)才代表整體情況；大多數(shù)互聯(lián)網(wǎng)產品數(shù)據(jù)分布都是長尾分布的。所以在看平均數(shù)之前，最好先check一下數(shù)據(jù)分布情況。長尾分布要看數(shù)據(jù)最為集中的點作為平均的代表。

辛普森悖論
數(shù)據(jù)集中的變量被分組之后，數(shù)據(jù)的相關性被降低。產品形態(tài)是一個混淆變量，用產品形態(tài)將數(shù)據(jù)進行細分，形成各個子群體，子群體的數(shù)據(jù)水平跟主群體的數(shù)據(jù)不再相關