数据分析五大利器-洞察运营机会
一.用“描述性统计”来整体评估数据
什么是描述性统计？
描述性统计是指对总体所有变量的数据进行集中趋势分析和离散程度分析，寻求总体中所有数据的整体情况。集中趋势分析，常用的指标有平均值中位数和众数等;离散程度分析，分析数据的离散和波动情况，常用的指标有方差、标准差等。
描述性统计的适用场景：
描述性统计，特别适合于从令人眼花缭乱的数据中找到整体特征，快速建立整体全面的认知。在入职新公司或接手新工作的时候，通常第一件事就是看各种各样的报表以了解业务经营情况。当一份有十几列、几万行的数据出现时，那种感觉我相信用铺天盖地、头晕目眩来形容是再合适不过了。面对如此令人沮丧的数据，我们必须摆脱细节的干扰，从整体和表象上先建立起对数据的认知。
描述性统计正是为此而生，它通过几个简单的核心工具就能在几秒钟内提取出大量数据的整体特征。
具体分析方法及统计学工具如下表：
二.用“变化分析”来寻找问题突破口
什么是变化分析？
通常情况下，指标发生变化意味着指标关联的业务环境发生了变化。通过观察变化量,可以寻找可能的业务问题点。变化的异常情况包括下跌，不变，以及上升。
指标上升就一定是好事情吗?不一定，登录失败率、APP崩溃率、用户流失率等指标的上升就是坏的兆头。指标上升就一定是坏事情吗?不一定，日活用户、留存率等指标的上升就是好的兆头。
指标下跌就一定是坏事情吗?不一定，登录失败率，APP崩溃率，用户流失率等指标的下跌就是好的兆头。指标下跌就一定是好事吗？不一定，日活用户，留存率等指标的下跌就是不好的情况。
指标不变就一定是好事情吗?不一定，累计注册用户数、GMV、人均使用时长等指标不变就是不好的情况。
说明:上面的逻辑有点绕，脑袋转过弯了吗?其实就是说变化分析应该覆盖所有情况，指标上升、下跌甚至不变都需要进行分析。
变化分析的适用场景：
变化分析，特别适合于面对数据一筹莫展、无从下手的时候，可以快速寻找到突破口，打破沉闷的局面，就好像青蛙的眼睛一样，只对非静止的物体做出反应并且是敏锐的反应，变化分析就是分析非静止数据的蛙眼。
技巧:事实上，当我们能够熟练运用变化分析技巧后，无论面对多么复杂的数据，不管它有几万行还是几万列，都可以在几秒钟内找到变化的问题点。
变化分析分类与方法如下图：
三.用“指标体系”来洞察变化的原因
指标体系概叙
指标体系是指根据运营目标，整理出可以正确和准确反映业务运营特点的多个指标，并根据指标间的联系形成有机组合。指标体系是重要的运营工具，因为：
1.指标体系业务意义极强
所有指标体系都是为特定的业务经营目的而设计的。指标体系的设计应服从于这种目的，并为这种目的服务，没有设计目的的指标体系是没有存在必要的。
指标体系中通常包括了所有的关键绩效指标（即KPI），以及影响关键绩效指标的辅助指标，并且指标体系中的每个指标都有极其明确的业务含义，
在业务运营中常将指标体系的指标分为用户规模类、质量类和营收类三大指标。用户规模类主要包括注册用户、新增设备数等，用户质量类主要包括活跃用户数、用户留存率等，营收类包括收入转化率、GMV等。
2.指标体系逻辑完整和自洽
指标体系是用来描述业务经营情况的，必须能够正确和准确地反映业务经营策略的执行效果。
指标体系通常由大量指标组成，指标之间有严格的上下依赖和左右并行关系，即在指标体系中，指标有父子指标和平行指标两种关系。父子指标是指父指标由一个或多个子指标通过计算汇总得出，平行指标是指两个指标之间无重复和遗漏，可以完整覆盖业务经营。
提示:指标体系严格遵循MECE原则。MECE，即完全穷尽，相互独立无重复，无遗漏。
指标体系的适用场景
指标体系是重要的数据产品，其内涵极其丰富，且应用场景很多，最典型的应用场景是通过指标体系来寻找指标变化的原因。
指标体系的组成=指标+维度
指标分类
一.北极星指标，虚荣指标
二.行为指标，业务指标，交易指标
维度
维度：描述指标的不同角度，如地理维度，时间维度等，维度既可以是文本也可以是数值。
如何用“指标体系”来分析指标变化的原因：
指标体系是重要的数据产品。在应用指标体系进行数据分析，并寻找指标变化原因时，通常把这个过程叫多维分析。多维分析包括如下两个层面：
1.基于指标的业务口寻找原因
从指标的业务口径来寻找变化的原因，是指当指标发生变化时，依据指标的业务口径来寻找变化分析的方向，这种分析方法特别适合于汇总型、比例型和占比型指标，因为它们的业务口径中天然包含其他指标，可以从其包含的指标中寻求原因。
在电商运营中，购买转化率是一个重要指标，通常购买转化率的口径如下:
购买转化率=成功付款人数/浏览商品的人数
2.基于指标关联的维度来寻找原因
从指标的关联维度来寻找变化的原因，是指当指标发生变化时，依据指标的关联维度来寻找变化分析的方向，这种分析方法特别适合于原子指标它们已不可细分，无法从指标的口径中寻找，就只能从其关联的维度中寻求原因。
产品的DAU，按照指标的维度来分析，标准分析过程是按照新客、老客、沉默唤醒、流失召回四大客群的DAU分别进行分析，来寻找产品整体DAU的变化原因。
整体DAU=新客DAU+老客DAU+沉默唤醒DAU
四.用“相关性分析”来判断业务归因
什么是相关分析？
相关性分析，指对两个或多个指标进行分析，评估它们两之间联系或相互影响的程度。相关性分析不仅可以分析出多个指标间的联系程度，还能给出联系程度紧密的量化值。例如，营销活动的投入成本和活动转化率相关且投入成本高，转化率一般也较高;产品获客能力和渠道运营相关，且渠道运营能力越强，产品获客能力也越强。
相关性分析分2种类型数据，具体如下图：
相关性分析3种算法：
Pearson相关性分析：连续性指标相关算法。
分析商品曝光量和购买转化率的相关性，是否曝光越高，购买转化率也越高，此时曝光量和购买转化率都是连续型指标，用Pearson相关性分析输出的是Pearson相关系数，一般用R表示。
其相关系数R大于零，处于正相关时R>0.7为强相关，0.5<R<0.7为中相关，0.3<R<0.5为弱相关，0<R<0.3为不相关。
其相关系数R小于零，处于负相关时R<-0.7为强相关，-0.7<R<-0.5为中相关，-0.5<R<-0.3为弱相关，-0.3<R<0为不相关。
Spearman或Kendall分析：有序离散型指标和有序离散型指标的相关性算法。
分析商品评分和用户等级的相关性，即是否商品评分越高，购买转化率也越高。此时商品评分是有序离散型指标，因为商品评分一般是五星制，一星和五星的业务意义以及权重完全不同，故归为有序离散型，购买转化率继续是连续型指标，此时应当用Spearman或Kendall相关性分析，输出的是Spearman 或Kendall相关系数，一般用Rs表示。
相关性分析的适用场景，如下表：
五.用“趋势预测”来预测走势
趋势预测的概念：
预测分析是典型的数据挖掘应用，通过分析序列进行合理预测，做到提前掌握未来发展趋势，为业务经营决策提供依据。
之所以可以“趋势预测”是因为其跟底层逻辑就是大数据推演的逻辑，并且数据满足大数据的以下特点：
1.足够大的样本量和足够丰富的样本维度
2.考察概率而不是准确率
3.相关而非因果
趋势预测的两种方式：
1.基于时间序列的趋势预测
时间序列，是以时间顺序排列的指标数据。时间序列预测是根据时间序列数据的发展过程和方向等，通过合理的算法来可信地预测未来发展趋势。时间序列预测，认为指标的历史数据是有一定延续性的，即历史上指标的趋势在未来也会大概率延续，同时接受一定程度的指标波动，认为是合理的随机事件，并把这种波动也考虑到未来走势中，所以时间序列预测输出的趋势以及波动性，是和历史数据的趋势与波动性大概率高度一致的。
注意:时间序列预测属于定量分析，也叫方向性分析，是找出未来可能的走势方向，其输出的趋势值仅供参考
2.基于回归分析的趋势预测
回归分析，是指定量分析两种或两种以上指标间相互依赖关系的分析方法。回归分析支持两个或多个指标间的关系。在内容的热点运营中，通常需要能够提前预判在未来短期内可能成为热门或爆款的内容，然后在这些潜在爆款内容爆发前进行人工干预和运营，或许流量打压或许流量扶持。以短视频为例，一般是以短视频的下发量、收藏量、点赞量、转发量、发布者的等级和粉丝数等指标来分析其与播放量的关系，这个时候不能用时间序列预测，因为有多个指标与时间序列无关，故只能通过回归分析找到上述指标与播放量的关系，继而预测未来播放量走势，这就是典型的多元回归分析。
回归分析适用的场景：
-
营销活动效果预测
-
腰部KOL发展潜力预测
-
预测微信公众号阅读量
