我会从以下几个问题出发详细聊聊分析方法：

1.什么是分析方法？

2.最常用的 10 种分析方法

3.通过一个案例做到举一反三

一、什么是分析方法？

没有数据分析思路的人经常会有以下 3 种症状。

症状一：没有数据分析意识。

症状表现：经常会说「我觉得」「我感觉」「我认为」。

这类人一切工作靠拍脑袋决定，而不是靠数据分析来支持决策。这就导致：

写了 100 篇文章也不知道什么类型的文章用户会喜欢；

推广了 10 个付费渠道，却不知道钱花得有没有效果；

上线了无数个产品功能，却不知道什么功能对用户更有价值。

他们靠感觉来做事情，而不是用数据分析来做决策。这也是为什么他们浑浑噩噩工作了多年以后，却依然徘徊在基础岗位。

症状二：统计式的数据分析。

症状表现：做了很多图表，却发现不了业务中存在的问题。

这类人每天也按时上班，也用数据做了很多图表，但是只是统计、分析之前已经知道的现象。例如分析结论只是「这个月销售有所下降」，却不会深入分析现象背后发生的原因，从而也得不出什么具有价值的结论。

他们最害怕老板问这样的问题：为什么这个数据会下降？采取什么措施可以解决问题？

症状三：只会使用工具的数据分析。

症状表现：这类人平时学了很多工具（Excel、SQL 或者 Python 等），谈起使用工具的技巧头头是道，但是面对问题，还是不会分析。

例如面试或者工作里经常遇到这样的问题：

上图表格是一家公司 App 的一周日活跃率，老板交给你以下任务：

（1）从数据中你看到了什么问题？你觉得背后的原因是什么？

（2）提出一个有效的运营改进计划。

你可能有这样的感觉：

面对问题，没有思路，怎么办呢？

面对一堆数据，我该如何下手去分析呢？

这些症状是大部分运营人员、产品经理和数据分析相关从业人员的真实日常写照。

那究竟什么是数据分析思路呢？

到底什么是数据分析思维？

面对问题，通常的想法是零散的，没有一点思路。如果能将零散的想法整理成有条理的思路，从而快速解决问题，那该多好呀！

有什么方法可以将零散的想法整理成有条理的分析思路呢？这些方法就是分析方法。掌握了分析方法就可以具备这种能力。

将分析方法和盖房子做个类比（图 2-5），分析方法就好比在盖房子前画的设计图，用来指导如何盖房子，是分析问题的思路。数据分析的技术工具好比盖房子中的挖土机等工具。在设计图的指导下才知道如何使用挖土机来盖好房子。同样，在分析方法的指导下你才能知道如何使用工具（Excel、SQL 或者 Python 等）去分析数据，解决业务问题。

如果想零经验转行数据分析，首先需要做到两点：掌握入门工具 Excel+具备基本的数据分析思维。不建议自己去找一堆资料抱着啃，因为这样既没体系又不保证效果。入门其实找个免费课听听，了解下基本情况就差不多了。

这里推荐知乎的 Excel+数据分析的 3 天训练营：既有 Excel 透视图表等数据分析基础功能实操带练，还有数据分析工作流+基础分析模型逻辑架构精讲，配合免费课程资料+真实案例拆解，轻松上手数据分析入门！有需要的点击链接即可：

二.最常用的 10 种分析方法

前面我们知道了，具备数据分析思路的本质是掌握常用的分析方法。所以，问题倒也变的简单了，只要你掌握常用的分析方法，数据分析思路自然就有了。

常用的分析方法有哪些？

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。我把常用的分析方法整理到下表了，你直接拿着用就可以了。

如果你的分析目的是想将复杂问题变得简单，就可以使用逻辑树分析方法，例如经典的费米问题就可以用这个分析方法。

如果你的分析目的是做行业分析，那么就可以用 PEST 分析方法，例如你想要研究中国少儿编程行业。

如果你想从多个角度去思考问题，那么就可以用多维度拆解分析方法，例如找相亲对象，需要从多个角度去分析是否合适。

如果你想进行对比分析，就要用到对比分析方法，例如你朋友问自己胖吗，就是在对比。

如果你想找到问题发生的原因，那么就要用到假设检验分析方法，其实破案剧里警察就是用这个方法来破案的。

如果你想知道 A 和 B 有什么关系，就要用到相关分析方法，例如豆瓣在我们喜欢的电影下面推荐和这部分电影相关的电影。

如果你想对用户留存和流失分析，就要用到群组分析方法，例如微博用户留存分析。

如果你想对用户按价值分类，那么就要用到 RFM 分析方法，例如信用卡的会员服务，就是对用户按价值分类，对不同用户使用不同的营销策略，从而做到精细化运营。

如果你想分析用户的行为或者做产品运营，就要用到 AARRR 模型分析方法，例如对拼多多的用户进行分析。

如果你想分析用户的转化，就要用到漏斗分析方法，例如店铺本周销量下降，想知道是中间哪个业务环节出了问题。

这几个分析方法是最常用的，掌握它们，可以帮助解决大部分问题。后文会分别讲解各个分析方法，最后再通过几个案例来看如何在实际的问题中灵活使用这些分析方法。

在工作或者面试中，会经常听到分析思维、分析思路、分析方法。这三个词语有什么关系呢？其实简单来说，它们都是指分析方法。因为分析方法是将零散的想法整理成有条理的分析思路。有了分析思路，你就具备了分析思维。

三.通过一个案例做到举一反三

应用数据分析思路解决问题，可以使用我总结的以下步骤：

第 1 步：明确问题。

通过观察现象，把问题定义清楚，这是数据分析的第 1 步。只有明确了问题，才能围绕这个问题展开后面的分析。如果一开始问题就定义错了，那再怎么分析，也是白费时间。

第 2 步：分析原因。

这一步是分析问题发生的原因，可以通过下面两个问题把原因搞清楚：①哪里出了问题？②为什么会出现这个问题？具体分析步骤如下：

（1）使用「多维度拆解分析方法」对问题进行拆解，将一个复杂问题细化成各个子问题；

（2）对拆解的每个部分，使用「假设检验分析方法」找到哪里出了问题。分析的过程可以用「对比分析方法」等多个分析方法来辅助完成；

（3）在找到哪里出了问题以后，可以多问自己「为什么出现了这个问题」，然后使用「相关分析方法」进行深入分析。

第 3 步：提出建议。

找到原因就完事了吗？还不行，要找到对应的办法才是分析的终点。所以，找到原因以后，还要针对原因给出建议，或者提出可以实施的解决方案。在决策这一步，常用的分析方法是回归分析或者 AARRR 分析。需要注意的是：

（1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失，无从下手。相对简单的问题，需要 4 个选项左右；相对复杂的问题，需要 4～7 个选项；

（2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动。

光说不练，那是假把式。下面我们通过一个案例实际应用下，你就融会贯通啦。

【案例】

某 App 3 月 10 日-3 月 12 几天的整体充值收入提升非常明显（大于 50%），但是，在整体充值中，占 80% 以上的功能充值的收入下降明显（大于 50%）。这期间可能发生了什么？

1.如何解读本组数据，写出你对该问题的分析步骤

2.根据上述分析，提出你对该问题的几种猜测

3.如果猜测都是需要解决的问题，请提出你的解决方案，并设计可行性的实验

【分析思路】

根据前面说的「数据分析解决问题的步骤」来解决业务问题。

一、明确问题

1.明确据来源和准确性

从时间、地点、数据来源这 3 个维度来展开确定数据的来源和准确性。

时间：3.10-3.12 的时间范围内出现问题

地点： 全国地区

数据来源：与相关人员沟通后，数据准确无问题

2.业务指标理解

充值收入=付费人数*平均单价

因为问题中还提到收入上升、下降的问题，所以，我们要清楚这是在和谁比。本案例是与之前的收入相比较得出的结论。

我们观察数据发现，整体数据与部分数据呈现出完全相反的结论，也就是题目中所说的，整体充值收入提升了，但是占 80% 以上的功能充值的收入下降了。

这让我们想起了在「多维度拆解分析方法」中讲过的辛普森悖论（考查数据整体和数据不同部分会得到完全相反的结论 ），这是因为只看数据整体无法注意到数据内部各个部分构成要素的差异，忽略差异，导致无法观察到差异的影响。

如何分析这样的问题呢？

可以运用多维度拆解分析方法，把整体拆解成部分，然后查看内部的差异。那么，从哪些方面进行拆解呢？

可以从指标构成维度进行拆解，整体充值=占收入 80% 以上的功能充值（记为原核心充值）+占收入 20% 以下的功能充值（记为其他充值）

整体充值收入提升，其中原核心充值收入下降，根据上图的拆解可以得出，其他充值收入是上升的。

所以，现在的问题明确为：为什么原核心充值收入下降？

二、分析原因

当需要分析问题出现的原因时，可以使用多维度拆解分析方法对「充值收入」这个指标进行拆解。

充值收入=付费人数*平均单价。因此，可以拆分为付费人数」和「平均单价」。

现在还是无法找出「哪里出了问题。所以，我们从「用户是否首次购买」维度，把「付费人数「继续拆解为「新用户付费人数」和「老用户付费人数」。

其中，「新用户付费人数 」是首次在该 APP 充值的用户有多少人，「老用户付费人数」是之前在该 APP 充值过，再次进行充值的用户人数。

新用户付费人数按渠道维度，又可继续拆解为渠道 A 的付费人数、渠道 B 的付费人数、渠道 C 的付费人数。

我们将「老用户付费人数」继续拆解为「再次充值」的老用户和「不再充值」的老用户。我们可以使用复购率来进行衡量，老用户付费人数=付费人数 * 复购率

接下来我们用假设检验方法对「多维度拆解分析方法」里面的每个部分进行验证。

1.提出假设：问题出在平均单价

假设 1：A 的平均单价下降，导致充值下降

2.提出假设：问题出在付费人数

这时需要对付费人数的组成部分进一步分析，也就是新用户付费人数和老用户付费人数。

假设新用户付费人数出了问题。可以拆解为渠道 A 的付费人数、渠道 B 的付费人数、渠道 C 的付费人数。

假设 2：渠道 A 或 B 或 C 的付费人数减少

3.提出假设：老付费用户人数出了问题

付费人数前面已经分析过了，所以问题主要在「复购率」上，有可能是复购率降低。那么复购率为什么会下降呢？

为了找到复购率低的原因，我们梳理产品的业务流程，方便从业务流程提出假设。

用户在该 App 充值的业务流程是：

第 1 步，查看功能介绍，选择功能充值

第 2 步，进行支付

第 3 步，使用原核心功能

第 1 步，我们可以提出假设 3：假设功能介绍不好，不吸引人

第 2 步，我们可以提出假设 4：假设部分用户无法充值

第 3 步，我们可以提出假设 5：用户使用体验不佳

4.收集证据

前面已经提出了假设，到这一步就可以收集证据，来验证假设。

我们可以和之前的数据进行对比分析，比如通过问卷调研或者电话访谈用户，来看「原核心功能充值」哪里出现了问题。

假设以上猜测都有问题。

先来看假设 1：平均单价下降

对比之前的单价数据，发现 3.10-3.12 有促销活动，平均单价确实出现下降。所以得出结论假设 1 成立。

再来看第 2 个假设：各渠道付费用户减少

查看日新增用户数、渠道曝光率和渠道转化率等数据，发现各渠道用户减少，付费用户也减少，所以得出结论假设 2 成立。

再来看第 3 个假设：功能介绍不吸引人

通过对比查看功能介绍的数据和点击支付的数据，发现支付转化率不高。所以得出结论假设 3 成立。

再来看第 4 个假设：部分用户无法充值

查看用户反馈，请技术人员测试支付过程，发现支付过程有问题。所以得出结论假设 4 成立。

再来看第 5 个假设：用户使用体验不佳

与产品部门交流，发现产品近期有改动，新功能改动取代了原核心功能需求。所以得出结论假设 5 成立。

我们总结下，原核心功能收入大幅下降，是因为：

1）平均单价下降

2）各渠道付费用户减少

3）功能介绍不吸引人

4）部分用户无法充值

5）用户使用体验不佳

三、提出建议

原因 1：因为促销活动，平均单价下降。等待促销完成即可。

原因 2：是各渠道付费用户减少。可以调整渠道，获取产品对标的精准用户。

原因 3：功能介绍不吸引人。重新设计介绍页面，更贴合用户需求。

原因 4：部分用户无法充值。请技术人员进行修复。

原因 5：用户使用体验不佳。对部分用户推更新版本，建立对照组，进行 AB 测试。

四、总结

1.什么是数据分析思路？

数据分析思路的本质是掌握常用的分析方法。

2.如何具有数据分析思路？

掌握下面 10 种常用的分析方法。

3.用数据分析解决问题的 3 步骤

第 1 步：明确问题。明确数据来源和准确性，理解业务指标，把问题定义清楚。

第 2 步：分析问题。分析问题发生的原因，使用「多维度拆解分析方法」拆解问题，把复杂问题简单化；使用「假设检验分析方法」找出哪里出了问题；使用「相关分析方法」解决为什么出现这个问题。

第 3 步：提出建议。针对原因给出建议，或者提出可以实施的解决方案，常用回归分析方法或 AARRR 分析方法。

当然，这些方法+案例只是 3 天的数据分析视频课的一小部分，篇幅有限，完整版建议直接看课程视频：不仅有常用数据分析模型精讲，还拆解数据分析工作流+基础数据工具实操带练。还有更多大厂一线业务案例实战演练+配套免费资料，如果这么多干货分析消化起来困难，想走捷径，快速上手数据分析入门，建议点击链接参加：

本文作者：猴子