数据分析的目的是把隐藏在杂乱无章的数据背后的信息集中和提炼出来，总结出研究对象的内在规律。但还是有很多小伙伴觉得稀里糊涂的，觉得太概念化了。让我们不知道“要做什么”。此时，我们就需要对问题进行拆解，梳理一个整体的框架流程，让大家对数据分析有个全局观。而这个拆解过程就要求一个数据分析师对数据分析的整体框架有所了解。

从事数据分析相关工作的4年时间里，我慢慢沉淀了一些数据分析方面的知识，来分享给大家关于数据分析整体框架之落地全流程，我把数据分析流程分成了五大块阶段: 发现问题→需求处理→数据处理→数据分析→数据展现。

发现问题既可以是需求方发现，我们被推动来分析，也可以自己发现，我们主动来分析。所以，先来说发现问题。

先看一个例子，一位烤串大爷说赚的太少了，这个“少”怎么得来的。与过去比少了？与目标比少了？与行业平均水平比少了， 还是与其他同商圈的烤串大爷比少了？等。这个少的判断就隐藏着数据分析思维。

1）探索问题

以数据分析思维思考问题，再去进一步拆解、分析、探索该问题。尤其是有效问题。有效问题才有意义。

2）确定有效问题

3）发现问题的方式

最后最重要的一点: 站在业务角度想问题。比如这个问题有多大的业务价值，能实际解决什么样的业务问题。吃透业务逻辑，才能在分析上游刃有余。

1）需求类型

一般来说，数据分析师接到的需求有4种，大家可以看下。

◆纯取数

◆数据分析

◆报表开发

◆指标口径迭代

数据处理其实就是获取数据、处理数据、校验数据的过程。

获取数据既可以直接从现有数据库表中获取，也可以请数仓根据需求落表再去获取。当然，有时候还可以通过外部数据来获取一些信息辅助分析。

做数据分析之前，我们先要想清楚整体的分析框架是什么、采用什么数据分析方法。数据分析方法，是你去组织哪些数据，指导后续整个数据工作的开展。

那么，我们现在来分享数据分析的九大分析方法！

1）漏斗分析法

漏斗分析比较简单，重要的是在合适的业务场景中灵活的应用它。

2）AARRR模型

AARRR模型，主要为了探索用户增长，正好对应用户生命周期的5个环节：用户获取、用户激活、用户留存、用户变现、推荐传播。

来想象一个场景，xx公司开发了一款新产品:

第一步:通过地推、广告投放等途径获取用户。

第二步:通过新手引导、物质/精神激励/会员体验等激活刚刚获取到的用户，让用户尽快体验到产品核心功能，get到核心价值。

第三步:赶紧把激活的用户留住啊！短信/push提醒提醒用户该来访问了；让用户办年会员，增加他离开的成本；功能赶紧迭代优化提升用户体验等

第四步:用户既然留下了，那就协助我赚点钱呗！对，到用户变现环节了。给产品增加付费功能，嵌套些广告等。（自身付费，付钱才能用，试用期没了。嵌套付费功能）

第五步: 用户裂变搞起来，让我们的用户给我们拉用户。要相信，来自于用户的好评更有舒服力。当然，产品需要有价值、有共鸣、有趣味用户才愿意推荐传播。

我推荐大家业余看下《增长黑客》这本书，里面对AARRR模型讲的也很细。

3）预测分析

这里主要讲下逻辑回归预测。逻辑回归预测就是根据历史数据，预测未来数据，提前预知，以及时做好预案。回归预测涉及到自变量x，因变量y，直接在excel上先制成折线图，然后再添加拟合线就可以。重点就是该怎么判断拟合是否合理。就看R方，R²越接近1，代表拟合效果越好。

这只是一个比较简单的案例。真正工作中预测会考虑的会比这复杂，比如需要考虑季节性，需要剔除极值异常值等。涉及的知识点较多，更详细的内容请大家去公众号《溜溜笔记说》中“销量预测模型实战”一文查看。

4）关联规则分析

关联规则分析其实就是购物篮分析，就是通过挖掘用户的消费行为数据，探索用户的消费习惯，从而合理搭配商品，提升收益。

主要涉及的知识点有条件概率、支持度、置信度、提升度。

◆支持度：同时包含A和B的事务/所有事务

◆置信度：同时包含A和B的事务/包含A事务

◆提升度：包含A的事务中同时包含B事事务的比例/包含B事务的比例

概念不好理解，来根据案例理解下:

假如近30天共产生了10笔订单（虚构的订单量有点少，不影响计算哈），其中购买了苹果的订单有6笔，购买了香蕉的订单有5笔，同时购买了苹果和香蕉的有3笔。

那么问题来了。

第一个问题，同时购买苹果和香蕉的概率有多大？是3除以10，30%。这是支持度。

第二个问题，购买了苹果的用户会有多大概率再去买香蕉？3除以6，50%。这是支持度。

第三个问题，购买苹果对购买香蕉会产生正向影响还是负向影响或是无影响。这个理解会绕一点。我详细说下。

先看下提升度公式。

拆解下公式就是，购买了苹果的用户再去买香蕉的概率与直接买香蕉的概率进行对比，前者大于后者，则购买苹果会对香蕉产生正向影响，小于后者，则购买苹果会对香蕉产生负向影响，二者相等，则购买苹果会不会对购买香蕉产生任何影响。

这种分析比较适合零售行业的商品组合销售。向刚刚研究的是苹果对香蕉的影响，反过来可以再研究下香蕉对苹果的影响。如果两者研究都是可以产生正向影响的，就可以做捆绑销售。

5）RFM模型

RFM模型主要用来衡量用户价值，做用户分群，比如区分出低价值用户、高价值用户、忠诚用户等用户群体。R：用户最近一次消费距今时间（Recency）F：用户在最近时间段内的消费频次（Frequency）M：用户在最近时间段内的消费金额（Monetary）。

这里用一个比较简单的例子讲下：

先对R、F、M三个值进行分层并赋予权重（以下数据纯属虚构，分层时根据实际情况）。

比如用户最近一次消费距今时间7天以下的打为5分，8-14天的打为4分......以此类推。分数高的表示价值性比较高，分数低的表示价值性比较低。然后对每个用户计算R、F、M值，比如图中，用户“111113”最近一次消费距今时间在7天以下，则R为5，在最近时间段内的消费频次在6-10之间，则F为2，在最近时间段内的消费金额在1001-2000之间，则M为2。再将每个用户的R、F、M值与均值对比（这里就主要用均值来对比，工作中大家根据实际情况来选择是否按照均值），大于均值填充1，小于均值填充0，填充于”按照均值处理后“列中。最后将“按照均值处理后”的数据参照下图模型表，匹配出用户类型。

至此，每个用户的的价值标签就打出来了，可以衡量下哪些是高价值用户，哪些是低价值用户等。

6）帕累托分析

帕累托分析就是“二八法则”。“二八法则”认为80%的财富掌握在20%的人手里，应用到业务中就是，80%的营收在20%的产品里，同理，我们应该花80%的时间内在这20%的产品上。也就是说，宝贵的时间与资源应该用在刀刃上。

如图所示，柱形是销售额，折线是销售额百分比累积。越往后越接近100%。

共15种品类，其中7个品类贡献了80%的销售额，占比46.67%，也就是说46.67%的商品为公司带来了80%的销售额，并不符合二八定律，该公司并没有强势产品。

那么我们80%的精力就要分散运营这46.67%的产品才能为公司带来80%的销售额。

通过该模型可分析出:

◆我们80%的精力都花在哪些产品上了

◆20%的头部产品是否带来了大额营收

7）留存分析

留存分析的指标是留存率，留存率指某日用户数在第N日仍启动该App的用户比例，留存分析即分析用户随时间变化的活跃情况。获客成本比较高，提高用户留存的重要性不言而喻。

从时间维度划分：常见的的有：次日留存、3日留存、7日留存、30日留存、周留存、月留存。

从用户维度划分：常见的的有：新用户留存、活跃留存。

来看一个案例：

该表留存率：（某日新增的用户中，在第N天还进行登录的用户数）/ 该日新增用户数。

格中以8月6日注册用户的次留(71%)为起始点，8月1日注册用户的7留(34%)为结束点，二者形成对角线，纵向对比数据，颜色颜色部分留存率都比较高。首先需要确认8月7日这天运营是否做了动作？

为什么要怀疑8月7日？

因为8月6日的次留是8月7日，8月5日的次留也是8月7日，以此类推。所以初步猜测是否8月7日有促销动作？

再看一下次留这列，8月9日的次留明显低于一般水平。警惕羊毛党。有人会新用户注册时候利用新用户福利来薅羊毛，薅完羊毛就撤，并不会留存下来。

数据分析结束之后，就要将数据展现出来了，也就是数据可视化。将海量数据图形化，复杂数据直观化。

主要作用为：

◆便于让业务人员查询所需内容；

◆便于管理层迅速抓取到重要信息；

◆公司门面，传达了公司数据分析方面对外的第一印象，尤其对乙方而言；

◆推动决策，帮助使用方节省更多数据清洗&处理的时间，将更多时间放于分析与决策制定。

这里我重点提一点，可视化的两种极端。

一种是过于粗糙。我见过看板做的简直惨不忍睹的，排版不整齐，颜色大红配大绿，视觉上很有冲击感。而且，分析师忍耐力也很强，需求方不反馈就不改。数据可视化，最起码保证一种舒适感，能让人迅速get到需要的数据信息。可以不注重美观，但也不能粗糙过了头。

另一种是过于炫技。知道我的可能已经见过我之前设计的tableau作品了，确实有炫技的成分在立面。但是也只是业余爱好玩玩，真正工作中基本用不到这么酷炫的图形。除非，公司需要一种酷炫的dashboard去谈商务搞营销。不然，还是数据为主。