数据分析和数据处理本身是个非常大的领域,这里主要总结些我自己觉得比较基础且实用的部分,在日常产品工作中能发挥比较大作用。本期主要讨论些数据分析的三个常用方法:
趋势变化分析般而言,适用于产品核心指标的长期跟踪,比如,点击率,GMV,活跃用户数等。做出简单的数据趋势图,并不算是趋势变化分析,趋势变化分析更多的是需要明确数据的变化,以及对变化原因进行分析。
趋势分析,较好的产出是比值。在趋势分析的时候需要明确几个概念:环比,同比,定基比。环比是指,是本期统计数据与上期比较,例如2017年2月份与2017年1月份相比较,环比不难得知较近的变化趋势,但是会有些季节性差异。为了消除季节差异,于是有了同比的概念,例如2017年2月份和2016年2月份作比较。定基比更好理解,就是和某个基点作比较,比如2016年1月作为基点,定基比则为2017年2月和2016年1月进行比较。
比如:2017年2月份某APP月活跃用户数我2000万,相比1月份,环比增加2%,相比去年2月份,同比增长20%。
趋势分析另个核心目的则是对趋势做出解释,对于趋势线中明显的拐点,发生了什么样的事情要给出合理的解释,无论是外部原因还是内部原因。
数据的趋势变化独立的看,其实很多情况下并不能说明问题,比如如果个企业盈利增长10%,我们并无法判断这个企业的好坏,如果这个企业所处行业的别的企业普遍为负增长,则5%很多,如果行业别的企业增长平均为50%,则这是个很差的数据。
般而言,对比的数据是数据的基本面,比如行业的情况,全站的情况等。有些时候,在产品迭代测试的时候,为增加说服力,会人为的设置对比的基准。也就是A/B test。
比较试验较关键的是A/B两组只保持单变量,其他条件保持致。比如测试页改版的效果,就需要保持A/B两组用户质量保持相同,上线时间保持相同,来源渠道相同等。只有这样才可以得到比较有说服力的数据。
在得到些初步结论的时候,需要进步地细拆,因为在些综合指标的使用的过程中,会抹杀些关键的数据细节,而指标本身的变化,也需要分析变化产生的原因。这里的细分定要进行多维度的细拆。常见的拆分方法包括:
分用户:新注册用户和老用户相比是否有差异,高等用户和低等用户相比是否有差异。
组成拆分:比如搜索由搜索词组成,可以拆分不同搜索词;店铺流量由不用店铺产生,可以分拆不同的店铺。
细分分析是个很重要的手段,多问些为什么,才是得到结论的关键,而步步拆分,就是在不断问为什么的过程。
趋势,对比,细分,基本包含了数据分析较基础的部分。无论是数据核实,还是数据分析,都要一直地找趋势,做对比,做细分,才能得到较终有效的结论。
大数据分析中常用的方法有哪些.中琛魔方大数据表示科学技术的更新与互联网的快速的提升,推动着大数据时代的来临,每天各行各业都在产生数量无法预估的数据碎片。只有在合理的时间内撷取、管理、处理、整理这些庞大的数据库,才能帮企业获得自己想要的数据,从而更好地提出经营管理对策。