说到数据分析，大家往往会想到一些密密麻麻的数字表格，或者先进的数据建模技术，或者华丽的数据报表。其实“分析”自己是每个人的能力，就像根据股票的走势决定买入一样；根据每天的时间和以往的经验选择行驶路线；在购买机票和预订酒店时，对比多家公司的价格后再做最终选择。

这些小决策真的是根据我们脑子里的数据点来判断的。这就是简单分析的过程。对于商业决策者来说，需要掌握一套系统的、科学的、有商业纪律的数据分析知识。

一、数据剖析的战略思维

无论是产品、市场还是运营管理者，都必须反思:数据的本质价值是什么，事实在哪里？你和你的团队能从这些数据中学到什么？

1. 数据剖析的目的

对于企业来说，数据分析可以帮助企业优化流程，降低成本，增加营业额。通常，我们将这种数据分析定义为业务数据分析。商业数据分析的目的是利用大数据为所有职场员工做出快速、优质、高效的决策，并提供可扩展的解决方案。商业数据分析的本质是创造商业价值，驱动商业推广。

2. 数据剖析的作用

在我们常说的企业推广模式中，往往是以某个业务平台为重点。其中，数据和数据分析是必不可少的环节。

产品或服务通过企业或平台提供给目标用户，在使用产品或服务过程中发生的交互和交易都可以作为数据收集。基于这些数据洞察，我们可以通过分析反推客户的需求，创造出更多符合需求的增值产品和服务，并由用户重新投入使用，从而形成一个完整的商业闭环。这样一个完整的商业逻辑，真的可以带动商业的提升。

3. 数据剖析进化论

我们经常用业务回报率来定位数据分析的不同阶段，所以我们把它分为四个阶段:

第一阶段:目前数据怎么样了？

首先，基本的数据显示可以告诉我们发生了什么。例如，上周，公司推出了一个新搜索引擎的广告，想在一周内将新渠道A与现有渠道B进行比较。a和B各自带来了一些流量，转化效果如何？再比如，新推出的产品受到多位用户的喜欢，在新的注册流中有多位注册人。这些都需要通过数据来展现效果，都是基于数据本身提供的“发生了什么”。

第二阶段:明白为什么？

如果看到为什么A通道带来的流量比B通道多，这时就要联系业务进一步判断这个标志的原因。这时，我们可以进一步拆分数据信息。或许一个关键词带来的流量，可能是渠道在移动端收获了更多的用户。这种数据深度分析判断成为商业分析的第二高级阶段，同时也能提供更多商业价值的体现。

第三阶段:未来会怎样？

而当我们理解了通道A和通道B带来的凹凸不平的流量后，基于之前的知识，我们期待未来会发生什么。在通道C和D上线的那一刻，预测通道C比通道D好，新的注册流程和新的优化上线，就能知道哪个节点容易出问题。我们还可以通过数据挖掘的方式自动预测和判断C、D渠道的差异，这是数据分析的第三个高级阶段，期待未来的效果。

第四阶段:业务决策

所有事情中最有意义的商业决策，就是通过数据来判断该怎么做。商业数据分析的目的是商业效果。当数据分析的输出可以直接转换成分辨率，或者数据可以直接用来做分辨率，那么数据分析的价值就可以直接体现出来。

4. 数据剖析的 EOI 框架

EOI架构是包括LinkedIn、Google在内的很多公司定义profiling项目目的的基本方式，也是首席推广官思考商业数据profiling项目的基本和必要手段。

其中，我们先将公司的经营项目分为聚焦义务、战略义务、风险义务三类。以谷歌为例，谷歌的专注义务是搜索、SEM和广告，这些已经被证明是一种商业模式，并持续从中获得了大量利润。谷歌的战略义务(2010年左右)是Android平台。为了阻止被苹果或其他厂商占领，需要时间和精力去做，但商业模式不一定成型。风险义务对于创新非常重要，比如谷歌眼镜和自动驾驶汽车。

数据分析项目对于这三种类型的义务有不同的目的。对于分众义务来说，数据分析是一种帮助(e)帮助公司更好的盈利，提高盈利能力；对于战略义务，是优化(O)。怎样才能帮助战略义务找到偏差和盈利点？对于风险义务，是配合创业(一)，大力验证创新项目的重要性。首席推广官需要对公司的业务和发展趋势有清晰的认识，合理分配数据分析资源，制定数据分析目的偏差。

二、数据剖析的 3 大思绪

面对海量数据，很多人不知道如何准备，如何进行，如何得出结论。下面为大家介绍数据分析的三个经典思想，希望能在数据分析的实际应用中给大家带来帮助。

1. 数据剖析的基本步骤

上面，我们提到了数据分析和业务效果之间的相关性的重要性。所有的业务数据分析都应该从业务场景开始，以业务决策结束。数据分析应该先做什么再做什么？在此基础上，我们提出了业务数据分析过程的五个基本步骤。

要先挖掘营业寄义，明白数据剖析的靠山、条件以及想要关联的营业场景效果是什么。
需要制订剖析设计，若何对场景拆分，若何推断。
从剖析设计中拆分出需要的数据，真正落地剖析自己。
从数据效果中，判断提炼出商务洞察。
凭据数据效果洞察，最终产出商业决议。

例如:

国内某互联网金融网站，市场部在百度、hao123上有持续的广告投放，吸引网页流量。最近内部同事建议实验放入神马移动搜索频道获取流量；此外，还需要评估是否加入金山网盟举办深度广告。

在这种多渠道交付的情况下，如何举行深入的决议？我们按照上述业务数据分析流程的五个基本步骤来拆解一下这个问题。

第一步:挖掘商业的意义。

首先要了解营销部门要优化什么，作为北极星指标来权衡。对于渠道效果评估，主要是业务转型:对于P2P网站来说，是否提出“投资理财”远比“受访用户数”重要。所以无论是神马移动搜索还是金山频道，重点都是如何通过数据手段权衡转化效果；也可以进一步证明转化效果，优化不同渠道的运营策略。

第二步，做一个分析设计。

以“投资理财”为重点，拨出一定预算进行流量测试，调查对比报名人数和最终转化效果。记下这些人重复购买理财产品的次数，进一步判断渠道好坏。

第三步，拆分查询数据。

既然在分析设计中需要对比渠道流量，那么我们就需要每个渠道跟踪流量、登陆页面停留时间、登陆页面弹出率、网站访问深度和订单等各类数据进行深入分析和落地。

第四步，提炼商业洞察。

将凭证数据的效果与神马移动搜索、金山网盟的效果进行对比，用凭证流量和转化的KPI来考察效果，推测商业意义。如果神马的移动搜索效果不够好，可以思考产品是否适合移动客户群；或者仔细考察登陆页显示有没有可以优化的地方等等。，并找出商业洞察力。

第五步是制定商业决策。

如何制作流程图是最简单的，word可以快速生成流程图。

基于数据洞察，指导渠道决策。比如停止神马频道上线，继续跟进金山网联举办评测；或者优化移动端登陆页面，改变用户运营策略等等。

这些是业务数据分析、拆解、推理的基本步骤。在下面的内容中，我们的城市有这个分析思想。

2. 内外因素剖析法

在数据分析的过程中，会有很多因素影响我们的北极星指数，那么如何找到这些因素呢？这里我给大家推荐内外因素分析法。内外因分析法是将问题分成四个部门，包括内因、外因、可控和不可控，然后逐步解决每个问题。

例如:

一个社会招聘网站分为求职者和企业。和往常一样，它的盈利模式是向企业收费，收费方式之一是购买阵地的广告位。销售人员发现，在刚刚过去的6月份，“公布仓位”数量有缓慢下降的趋势。怎样才能分析出某个数据指数下降的问题？

在内外因素分析的基础上，可以依次从四个角度分析可能的影响因素。

内部可控因素：产物近期上线更新、市场投放渠道转变、产物粘性、新老用户留存问题、焦点目的的转化。
外部可控因素：市场竞争对手近期行为、用户使用习惯的转变、招聘需求随时间的转变。
内部不可控因素：产物计谋（移动端/PC端）、公司整体战略、公司客户群定位（好比只做医疗行业招聘）。
外部不可控因素：互联网招聘行业趋势、整体经济形势、季节性转变。

通过内外因分析方法，可以全面分析数据指标，杜绝可能丢失的影响因素，有的放矢。

3. DOSS 思绪

DOSS思维是一种将一个细节问题拆分成整体影响，从单一解决方案中找到大规模解决方案的方法。首席推广官需要一个大规模的有用的推广方案，DOSS就是一个有用的方式。

例如:

某在线教育平台提供免费课程视频，销售付费会员，为付费会员提供更高级的课程内容。如果我想向一群一直在持续观看C++免费课程的用户推送一门计算机技术的付费课程，数据分析应该如何支持？

根据多斯思想的四个步骤，我们分析如下:

详细问题：展望是否有可能辅助某一群组客户购置课程。
整体影响：首先凭据这类人群的免费课程的使用情形举行数据剖析、数据挖掘的展望，之后举行延伸，好比对整体的影响，除了盘算机类，对其他类型的课程都举行关注。
单一回覆：针对该群用户举行建模，监控该模子对于最终转化的影响。
规模化方案：之后推出规模化的解决方案，对相符某种行为轨迹和特征的行为举行建模，产物化课程推荐模子

三、数据剖析的 8 种方式

以上有三个经典的分析思路，可以帮助你建立一个清晰的数据分析思路框架。那么，我们应该如何处理详细的业务场景呢？以某电商网站为例，我们使用数据分析产品GrowingIO快速收集数据，清晰直观的展示出来，然后把这八种常用的数据分析方法分享给大家。

1. 数字和趋势

看数字和趋势是展示数据信息最基本的方式。在数据分析中，我们可以快速了解，比如市场的走势，订单数量，业绩完成情况等。通过直观的数字或趋势图，从而直观地吸收数据信息，并有助于准确性和实时解决。

对于电商网站来说，流量是一个非常重要的指标。上图中，我们将网站的受访用户数(UV)和浏览量(PV)等指标收集到一个统一的数据仪表盘中，并实时更新。这样的数据看板，重点数字和趋势一目了然，对于首席推广官来说一目了然。

2. 维度剖析

当单个数字或趋势过于宏观时，我们需要通过不同的维度来分析数据，以便获得更复杂的数据洞察。在选择维度时，我们需要仔细考虑它对分析效果的影响。

比如监测到网站流量异常时，可以通过划分区域、满足来源、设备、浏览器等维度来发现问题。在图7中，网站当天采访的用户数量明显高于上周。原因是什么？当我们按照采访来源拆分流量时(图9)，不难发现，直接与来源的采访数量有了很大的提升，进一步聚焦了问题。

3. 用户分群

是我们常说的一种用户细分的手段，将符合某种行为或靠山信息的用户进行分类。我们还可以通过提炼一组用户的具体信息，建立该组用户的画像。比如在北京遇到购物网站，发地址的用户，可以归为“北京”用户群体。对于“北京”用户群体，我们可以进一步调查他们购买产品的频率、种类、时间，从而建立这个用户群体的画像。

在数据分析中，经常针对特定行为、特定支持者的用户，举办针对性的用户运营和产品优化，效果会翻倍。上图中，我们通过GrowingIO的用户分组功能，选择一个推广流量中付费失败的用户，然后推送相应的优惠券。这样的精准营销推广，可以大大提高用户的付费意愿和销售金额。

4. 转化漏斗

大部分部门商业变现的过程可以概括为一个漏斗。漏斗分析是我们最常用的数据分析方法之一，无论是注册转化漏斗还是电商订单漏斗。通过漏斗分析，可以从头到尾还原用户转化的路径，分析每个转化节点的效率。

其中，我们经常注意三点:

从最先到末端，整体的转化效率是若干？
每一步的转化率是若干？
哪一步流失最多，缘故原由在什么地方？流失的用户相符哪些特征？

上图的注册过程分为三步，整体转化率为45.5%。也就是说，1000个用户来到注册页面，其中455个成功注册。但不难发现，第二步的转化率为56.8%，明显低于第一步和第三步，可以推断第二步的注册过程存在问题。显然，升级空的第二步是最大的，投资回报率一定不低；要想提高注册转化率，应该优先考虑第二步。

5. 行为轨迹

关注行为轨迹是为了真正理解用户行为。数据指标本身往往只是真实情况的抽象。比如你只看用户访问数(UV)和页面访问数(PV)等指标，你肯定无法全面了解用户是如何使用你的产品的。

通过大数据手段还原用户的行为轨迹，有助于团队关注用户的真实体验，发现细节问题，并根据用户的使用习惯设计产品和投放内容。

上图是一个用户在某电商网站上的详细行为轨迹，从官网到登陆页面，再到商品详情页，最后回到官网首页。网站购买转化率低，之前的业务数据无法告诉你详细原因；通过分析上述用户行为轨迹，可以发现一些产品和运营问题(比如货不对板等。)，从而为决策提供依据。

6. 留存剖析

在人口利润逐渐消退的时代，留住一个老用户的成本远远低于获取一个新用户的成本。每一件产品、每一项服务都应该着眼于用户的留存，确保每一个客户都得到满足。我们可以通过数据分析了解留存情况，也可以通过分析用户行为或行为群体与回访的关系，找到提高留存的方法。

在LinkedIn中，推广团队通过数据发现，如果一个新用户进来后添加了五个以上的联系人(上面红线)，他/她在LinkedIn上的留存率要远远高于那些不添加联系人的人(上面绿线和紫线)。这样，添加联系人被称为LinkedIn留住新用户最专注的手段之一。除了关注整体的用户留存，营销团队可以关注从各种渠道获得的用户留存，或者各种内容吸引的注册用户的回访率，产品团队关注每个新功能对用户回访的影响等等。这些是常见的保留分析场景。

7. A/B 测试

A/B测试用于比较不同产品设计/算法的效果。A/B测试常用于测试产品上线过程中不同产品或功能设计的效果，市场和运营可以通过A/B测试完成不同渠道、内容和广告创意的效果评估。

比如我们设计了两种不同形式的产品互动，通过对比实验组(A组)和对照组(B组)的访谈时长和页面浏览量来评价哪种互动形式更好。

举行A/B考试有两个必备因素:一是有足够的时间举行考试；第二，数据量和数据密度高。因为当产品流量不够大时，做A/B测试很难得到统计结果。而像LinkedIn这样的大公司，每天可以同时举行上千场A/B测试。所以，A/B测试往往在公司数据较大的情况下更准确，更快获得统计效果。

8. 数学建模

当一个商业目的与各种行为、画像等信息相关时，我们通常使用数学建模和数据挖掘来进行建模，并期待商业效果的发生。

作为SaaS公司，当我们需要期待判断客户流失时，可以通过用户行为数据、公司信息、用户画像等数据建立流失模型。用统计学来计算一些组合和权重，从而知道用户对哪些行为满意，然后流失的可能性会更高。

我们常说，不能度量，就不能改进，而数据分析对于提高企业的商业价值起着至关重要的作用。虽然仅仅掌握简单的理论是远远不够的，但是实践出真知。大家不妨把数据分析的方法用在自己平常的事情上，分析相关的项目。信任可以事半功倍，创造更多的商业价值。