常用的数据分析方法有哪些?

2023-06-01 0 993

常见的数据挖掘方式有甚么样就要从下列两个难题起程详尽谈谈数学方式

1. 甚么是数学方式

2. 最常见的 10 种数学方式

3. 透过两个事例努力做到总结经验

甚么是数学方式

没数据挖掘路子的人时常会有以下 3 种病症

病症一没数据挖掘觉悟

病症整体表现时常会说我真的我真的我指出

常用的数据分析方法有哪些?

这类人一切工作靠拍脑袋决定而不是靠数据挖掘来支持决策这就导致

写了 100 篇文章也不知道甚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效果

上线了无数个产品功能却不知道甚么功能对用户更有价值

他们靠真的来做事情而不是用数据挖掘来做决策这也是为甚么他们浑浑噩噩工作了多年以后却依然徘徊在基础岗位

病症二统计式的数据挖掘

病症整体表现做了很多图表却发现不了业务中存在的难题

常用的数据分析方法有哪些?

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甚么具有价值的结论

他们最害怕老板问这样的难题为甚么这个数据会下降采取甚么措施可以解决难题

病症三只会使用工具的数据挖掘

病症整体表现这类人平时学了很多工具ExcelSQL 或者 Python 等谈起使用工具的技巧头头是道但是面对难题还是不会分析

常用的数据分析方法有哪些?

例如面试或者工作里时常遇到这样的难题

上图表格是一家公司 App 的一周日活跃率老板交给你下列任务

1从数据中你看到了甚么难题你真的背后的原因是甚么

2提出两个有效的运营改进计划

你可能有这样的真的

面对难题没路子怎么办呢

面对一堆数据我该如何下手去分析呢

这些病症是大部分运营人员产品经理和数据挖掘相关从业人员的真实日常写照

那究竟甚么是数据挖掘路子呢

到底甚么是数据挖掘思维?

面对难题通常的想法是零散的没一点路子如果能将零散的想法整理成有条理的路子从而快速解决难题那该多好呀

有甚么方式可以将零散的想法整理成有条理的分析路子呢这些方式就是数学方式掌握了数学方式就可以具备这种能力

常用的数据分析方法有哪些?

将数学方式和盖房子做个类比图 2-5数学方式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难题的路子数据挖掘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数学方式的指导下你才能知道如何使用工具ExcelSQL 或者 Python 等去分析数据解决业务难题

常用的数据分析方法有哪些?

二.最常见的 10 种数学方式

前面我们知道了具备数据挖掘路子的本质是掌握常见的数学方式所以难题倒也变的简单了只要你掌握常见的数学方式数据挖掘路子自然就有了

常见的数学方式有甚么样

根据业务场景中分析目的的不同可以选择对应的数学方式我把常见的数学方式整理到下表了你直接拿着用就可以了

常用的数据分析方法有哪些?

如果你的分析目的是想将复杂难题变得简单就可以使用逻辑树数学方式例如经典的费米难题就可以用这个数学方式

如果你的分析目的是做行业分析那么就可以用 PEST 数学方式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难题那么就可以用多维度拆解数学方式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数学方式例如你朋友问自己胖吗就是在对比

如果你想找到难题发生的原因那么就要用到假设检验数学方式其实破案剧里警察就是用这个方式来破案的

如果你想知道 A 和 B 有甚么关系就要用到相关数学方式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式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 数学方式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努力做到精细化运营

如果你想分析用户的行为或者做产品运营就要用到 AARRR 模型数学方式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式例如店铺本周销量下降想知道是中间哪个业务环节出了难题

这两个数学方式是最常见的掌握它们可以帮助解决大部分难题后文会分别讲解各个数学方式最后再透过两个事例来看如何在实际的难题中灵活使用这些数学方式

在工作或者面试中会时常听到分析思维分析路子数学方式这三个词语有甚么关系呢其实简单来说它们都是指数学方式因为数学方式是将零散的想法整理成有条理的分析路子有了分析路子你就具备了分析思维

三. 透过两个事例努力做到总结经验

应用数据分析路子解决难题可以使用我总结的下列步骤

常用的数据分析方法有哪些?

第 1 步明确难题

透过观察现象把难题定义清楚这是数据挖掘的第 1 步只有明确了难题才能围绕这个难题展开后面的分析如果一开始难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

这一步是分析难题发生的原因可以透过下面两个难题把原因搞清楚①哪里出了难题②为甚么会出现这个难题具体分析步骤如下

1使用多维度拆解数学方式对难题进行拆解将两个复杂难题细化成各个子难题

2对拆解的每个部分使用假设检验数学方式找到哪里出了难题分析的过程可以用对比数学方式等多个数学方式来辅助完成

3在找到哪里出了难题以后可以多问自己为甚么出现了这个难题然后使用相关数学方式进行深入分析

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见的数学方式是回归分析或者 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难题需要 4 个选项左右相对复杂的难题需要 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透过两个事例实际应用下你就融会贯通啦

常用的数据分析方法有哪些?

事例

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%这期间可能发生了甚么

1.如何解读本组数据写出你对该难题的分析步骤

2.根据上述分析提出你对该难题的几种猜测

3.如果猜测都是需要解决的难题请提出你的解决方案并设计可行性的实验

分析路子

根据前面说的数据挖掘解决难题的步骤来解决业务难题

常用的数据分析方法有哪些?

明确难题

从时间地点

时间3.10-3.12 的时间范围内出现难题

地点 全国地区

与相关人员沟通后数据准确无难题

2.业务指标理解

充值收入=付费人数*平均单价

因为难题中还提到收入上升下降的难题所以我们要清楚这是在和谁比本事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数学方式」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

如何分析这样的难题呢

可以运用多维度拆解数学方式把整体拆解成部分然后查看内部的差异那么从甚么样方面进行拆解呢

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务