壹、公式反匯編
所謂公式分解法，就是用公式將壹個指標的影響因素逐層分解。
比如分析某產品銷量低的原因，用公式法分解。
第二，比較分析
對比法是比較兩組或多組數據，是最常用的方法。
我們知道孤立的數據是沒有意義的，只有對比才能有所作為。比如同比與環比對比、增速、定基比、與競爭對手對比、品類間對比、特色與屬性對比等。對比法可以發現數據變化的規律，使用頻率較高，經常與其他方法結合使用。
對比下圖中AB公司的銷售額，雖然A公司的銷售額普遍有所增長且高於B公司，但B公司的增長速度很快且高於A公司，即使後期增速降低，最終銷售額還是趕上了。
三。a/b測試
A/Btest是指壹個Web或App界面或流程的兩個或兩個以上版本，在同壹時間維度被相似的訪問者群體訪問，收集每個群體的用戶體驗數據和業務數據，最終分析評估出最佳版本正式采用。A/b測試的流程如下:
(1)現狀分析與假設建立:分析業務數據，確定目前最關鍵的改進點，提出優化改進的假設，提出優化建議；比如我們發現用戶轉化率不高。我們假設推廣的落地頁帶來的轉化率太低，要想辦法提高。
(2)設定目標，制定計劃:設定主要目標，衡量各優化版本的優劣；設置輔助目標，評估優化版本對其他方面的影響。
(3)設計開發:制作兩個或兩個以上優化版本的設計原型，並完成技術實現。
(4)流量的分配:確定各上線測試版本的分配比例。在初始階段，優化方案的流量設置可以很小，可以根據情況逐步增加流量。
(5)收集和分析數據:收集實驗數據，判斷有效性和效果:如果統計顯著性達到95%或以上，並維持壹段時間，可以結束實驗；如果低於95%，可能需要延長測試時間；如果統計顯著性長期達不到95%甚至90%，就要決定是否停止實驗。
(6)最後根據測試結果，確定發布新版本，調整分流比繼續測試，或者在測試效果未達到時，繼續優化叠代方案，重新開發上線測試。
流程圖如下:
第四，象限分析
通過兩個或多個維度的劃分，用坐標的方式表示期望值。直接從價值變成策略，從而進行壹些落地推廣。象限法是壹種戰略驅動的思維，經常與產品分析、市場分析、客戶管理、商品管理等聯系在壹起。例如，下圖顯示了廣告點擊的四象限分布，從左到右的X軸表示從低到高，從下到上的Y軸表示從低到高。
點擊率高、轉化率高的廣告，說明人群相對精準，是高效的廣告。點擊率高轉化率低的廣告，說明大部分點進來的人都是被廣告吸引的，轉化率低說明廣告內容針對的人群和產品的實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容的目標受眾與產品的實際受眾高度吻合，但廣告內容需要優化才能吸引更多人點擊。點擊率低、轉化率低的廣告可以舍棄。還有經典的RFM模型，該模型根據三個維度將客戶分為八個象限:新近度、頻率和貨幣。
象限法的優點:
(1)找出問題的* * *原因。
通過象限分析，對具有相同特征的事件進行歸因分析，總結* * *的原因。比如上面的廣告案例，第壹象限的事件可以提取有效的推廣渠道和策略，第三和第四象限可以排除壹些無效的推廣渠道；
(2)建立分組優化策略
交付象限分析法可以為不同的象限建立優化策略。例如，在RFM客戶管理模型中，根據象限將客戶分為不同類型，如重點發展客戶、重點保留客戶、壹般發展客戶和壹般保留客戶。給重點發展客戶更多的資源，比如VIP服務，個性化服務，追加銷售。把更高價值的產品賣給潛在客戶，或者采取壹些優惠措施把他們吸引回來。
動詞 （verb的縮寫）帕累托分析
帕累托法則，源自經典的二八法則。比如個人財富方面，可以說世界上20%的人掌握了80%的財富。在數據分析中，可以理解為20%的數據產生了80%的效果，需要圍繞這20%的數據進行挖掘。使用二八法則時往往與排名有關，前20%被認為是有效數據。“二八”法重在分析，適用於任何行業。找到重點，找到它們的特點，然後思考如何把剩下的80%轉化成這20%來提高效果。
通常，它將用於產品分類，以衡量和建立ABC模型。比如壹個零售企業有500個SKU以及這些SKU對應的銷售額，那麽哪些SKU比較重要呢？這就是企業經營中分清輕重緩急的問題。
常見的做法是以產品SKU為維度，以對應的銷售額為基本衡量指標，將這些銷售指標由大到小排列，計算出當前產品SKU的累計總銷售額占總銷售額的百分比。
百分比在70%(含)以內的，定為A類..百分比在70~90%(含)以內的，劃為b類，百分比在90~100%(含)以內的，劃為C類..以上比例也可以根據妳的實際情況進行調整。
ABC分析模型不僅可以用來劃分產品和銷售，還可以用來劃分客戶和客戶交易。比如給企業貢獻80%利潤的客戶都是些什麽人，比例是多少？假設有20%，那麽在資源有限的情況下，我們知道應該重點維護這20%的客戶。
六、漏鬥分析
漏鬥法是漏鬥圖，有點像倒金字塔。它是壹種精簡的思維方式，常用於新用戶開發、購物轉化率等變化和某些流程的分析。
上圖是壹個經典的營銷漏鬥，形象地展示了從獲取用戶到最終轉化為購買的整個過程中的壹個子環節。鄰鏈轉化率是指用數據指標量化每壹步的表現。所以整個漏鬥模型就是把整個購買過程分成步驟，然後用轉化率衡量每個步驟的表現，最後通過異常的數據指標找出有問題的環節，從而解決問題，優化步驟，最終達到提升整體購買轉化率的目的。
整個漏鬥模型的核心思想其實可以歸為分解和量化。比如分析電商的轉型，我們要做的就是監測每壹層的用戶轉化，找到每壹層的可優化點。對於不按流程走的用戶，專門繪制了他們的轉化模型，縮短路徑，提升用戶體驗。
還有壹個經典的黑客成長模型，AARRR模型，指的是獲取、激活、留存、收益和引薦，即用戶獲取、用戶激活、用戶留存、用戶收益和用戶傳播。這是產品運營中常見的模式。結合產品本身的特點和產品的生命周期位置，關註不同的數據指標，最終制定不同的運營策略。
從下面的AARRR模型圖可以明顯看出，整個用戶的生命周期是逐漸遞減的。通過對整個用戶生命周期的所有環節進行拆解和量化，進行橫向和縱向的數據對比，從而發現相應的問題，最終進行持續的優化叠代。
七、路徑分析
用戶路徑分析跟蹤用戶從某個開始事件到結束事件的行為路徑，即監測用戶流向，可以用來衡量網站優化或營銷推廣的效果，了解用戶的行為偏好。其最終目的是實現商業目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。如何進行用戶行為路徑分析？
(1)計算用戶使用網站或app時的每壹個第壹步，然後依次計算每壹步的流向和轉化，通過數據真實再現從打開app到離開用戶的全過程。
(2)查看用戶使用產品時的路徑分布。比如訪問壹個電商產品的首頁後，有百分之多少的用戶進行了搜索，有百分之多少的用戶訪問了分類頁面，有百分之多少的用戶直接訪問了產品詳情頁。
(3)分析路徑優化。比如用戶訪問最多的是哪條路徑；走到哪壹步，用戶最容易流失。
(4)通過路徑識別用戶行為特征。比如分析用戶是目標導向還是無目的瀏覽。
(5)細分用戶。用戶通常根據使用APP的目的進行分類。比如汽車APP的用戶可以細分為關註型、意向型和購買型用戶，針對每壹類用戶進行不同訪問任務的路徑分析。比如對於意向導向的用戶來說，他在對比不同車型時有哪些路徑，存在哪些問題？另壹種方法是利用算法基於用戶的所有訪問路徑進行聚類分析，根據訪問路徑的相似性對用戶進行分類，然後對每壹類用戶進行分析。
以電子商務為例。從登錄網站//APP到支付成功，買家要經歷瀏覽首頁、搜索商品、加入購物車、提交訂單、支付訂單等流程。然而，用戶真正的購物過程是壹個糾結反復的過程。例如，提交訂單後，用戶可以返回主頁繼續搜索商品，也可以取消訂單。每條道路背後都有不同的動機。用其他分析模型深入分析後，可以找到快速的用戶動機，引導用戶走向最優路徑或期望路徑。
用戶行為路徑圖示例:
八、保留分析
用戶留存是指新會員/用戶在壹定時間後仍然具有訪問、登錄、使用或轉化等壹定屬性和行為，當時留存用戶與新用戶的比例即為留存率。留存率根據不同周期分為三類，以登錄行為識別的留存為例:
第壹種每日保留可細分為以下幾類:
(1)次日留存率:(當日新增用戶中，第二日登錄用戶數)/首日新增用戶總數。
(2)第三天留存率:(第壹天增加的用戶中，也有第三天登錄的用戶)/第壹天增加的用戶總數。
(3)第7天留存率:(第壹天增加的用戶中，也有第7天登錄的用戶)/第壹天增加的用戶總數。
(4)14日留存率:(首日新增用戶中，也有14日登錄的用戶)/首日新增用戶總數。
(5)第30天留存率:(第壹天增加的用戶中，也有第30天登錄的用戶)/第壹天增加的用戶總數。
第二種周留存，周度留存率，指的是與第壹周相比，每周仍然登錄的新用戶數量。
第三種月留存，即月留存率，是指每個月與第壹周相比仍在登錄的用戶數。留存率針對新用戶，結果是矩陣半面報表(只有壹半有數據)。每個數據記錄行是日期，列是不同時間段的保留率。壹般情況下，留存率會隨著時間的推移而逐漸降低。以下月度用戶留存曲線是以月度留存為例生成的:
九、聚類分析
聚類分析是壹種探索性的數據分析方法。通常，我們使用聚類分析對看似無序的對象進行分組和分類，以便更好地了解研究對象。聚類結果要求組中的對象之間具有高相似性，而組中的對象之間具有低相似性。在用戶研究中，聚類分析可以解決很多問題，例如網站的信息分類、網頁點擊行為的相關性以及用戶的分類等。其中，用戶分類是最常見的情況。
常見的聚類方法有很多，如K-Means、譜聚類和層次聚類等。以最常見的K均值為例，如下圖:
可以看出，數據可以分為三個不同的簇:紅色、藍色和綠色，每個簇都應該有自己獨特的屬性。顯然，聚類分析是壹種無監督的學習，是壹種沒有標簽的分類模型。當我們對數據進行聚類，得到聚類後，壹般會對每個聚類單獨進行分析，從而得到更詳細的結果。
獲取更多數據分析和學習信息資料，歡迎關註雲海同名微信官方賬號~