基础的数据分析:2大分析模型和6种数据展现图表

为了采取适当的行动，数据分析可以帮助人们做出判断。 什么是数据分析？ 数据分析是指对收集的大量数据进行适当的统计分析，提取有用的信息，形成结论，并对数据进行详细研究和总结的过程。在实践中，数据分析可以帮助人们做出判断，以采取适当的行动。 数据分析的目的是什么？ 数据分析的目的是集中、提取和提取隐藏在大量看似混乱的数据中的信息，以找出研究对象的内在规律。 在实践中，数据分析可以帮助人们做出判断，从而采取适当的行动。数据分析是一个组织有目的地收集和分析数据，使其成为信息的过程。在产品的整个寿命周期中，数据分析过程需要适当使用，包括从市场研究到售后服务和最终处理。 在企业中，数据分析可以帮助我们掌握企业的经营状况、商品销售、用户特征、产品粘度等。 数据分析步骤？ 数据分析步骤 1.首先明确分析的思路和目的: 数据分析具有一定的业务目的。它可能是为了跟踪新产品上线后的用户使用情况；也可能是为了观察用户在一定时间内的保留情况，也可能是为了操作某些优惠券是否有效。以某种目的，确定从哪个角度进行分析。然后找到可以解释目的的指标。 例如，我想验证最近的一批优惠券是否有效。我们可以从优惠券的收集和使用两个方面进行分析，优惠券的指标可以细化为收集率；使用可细化为：利用率、客户单价等。 2.数据收集: 在确定数据分析的核心指标后，有必要收集数据指标。 一些企业有充分的数据准备，数据仓库、数据市场等早期建设。有些企业在数据分析方面相对落后，这就要求我们在早期阶段做大量的数据收集工作。例如，使用自己公司或第三方的一些数据分析工具来埋葬点并获取日志。或者使用数据库中的现有数据，如订单数据、基本用户信息等。 3.数据处理： 提取数据后，清除脏数据（清洗），然后转换数据。在进行最基本的数据总结和聚合后，我们可以获得相对简单的字段相对丰富的数据宽度表。 4.数据分析： 数据分析是利用适当的分析方法和工具分析处理过的数据，提取有价值的信息，形成有效结论的过程。 一般公司需要观察的数据大致分为以下几类： 商业数据：付费金额、付费用户数量、付费客户单价 操作数据：新用户数量、日常生活、周活、月活（AARRR模型） 产品数据：关键页面pv、uv(漏斗模型) 用户数据：用户生命周期、用户保留、用户单价、用户类型（RFM模型…) 商品数据：商品销售，毛利分析…. 随着数据的重要性的突出，越来越多的公司意识到数据对公司的运营非常重要。因此，大多数企业都有专门的BI部门以每周报表的形式对管理层进行初步的数据处理和分析，作为日常数据需求和企业决策。 这里主要介绍两个简单的数据分析模型： AARRR模型： Acquisition(获取)、Activation(活跃)、Retention(留存)、Revenue(收益)、Refer(传播) AARRR模型 1.获取用户(Acquisition) 如何获取用户？在线通过网站SEO,SEM，app通过市场，ASO等待获取。还有运营活动。H5页，自媒体等。线下用户通过地推和传单获取。 2.提高活动性(Activation) 来到用户后，通过运营价格营价格和编辑内容来提高活动性。内容多，商品多，价格优惠，但成本第一的增长空间需要控制。这些用户是最有价值的活跃用户。 在产品策略方面，除了提供操作模块和内容深化外。为活跃用户提供产品会员激励机制增长系统。不仅是商品折扣，VIP等标示的ICON，对于长业务流程，进行流程激励制度，产品策略更加多样化。 3.提高保留率(Retention) 随着活动的提高，忠实用户开始慢慢沉淀。在运营中，社区用户共同构建内容、信息等UCG，摆脱初期的PCG模式。电子商务通过商品质量，O2O通过优质服务改善保留。这些都是业务层面的改进和保留。 在产品模式上，通过会员机制的签到和奖励机制来改进保留。app推送和短信激活都是激活用户，提高保留产品的方式。 用户流失通过日保留率、周保留率、月保留率等指标进行监控，并鼓励这些用户在用户流失前继续使用应用。 4.获取收入(Revenue) 获取收入实际上是应用运营的核心部分。即使是免费应用程序也应该有其盈利模式。 主要有三种收入来源：付费应用程序、应用程序内部付费和广告。中国对付费应用的接受度很低，包括Google Play Store在中国，只推广免费应用。在中国，广告是大多数开发者的收入来源，而应用内部支付在游戏行业得到了广泛的应用。 为了获得收入，上述活动和留存率的提高是必要的基础。只有用户基数大，收入才能增加。 5.自传播(Refer) 以前的运营模式在第四级结束，但社交网络的兴起增加了基于社交网络的病毒传播，这已经成为获取用户的新途径。这种方法的成本很低，效果可能很好；唯一的前提是产品本身应该足够好，有良好的声誉。 从自传播到再次获取新用户，应用程序操作形成了螺旋上升轨道。这些优秀的应用程序充分利用了这一轨道，并不断扩大其用户群。 漏斗模型： 用户访问路径 漏斗模型 漏斗模型广泛应用于日常数据操作，如流量监控、产品目标转换等。之所以被称为漏斗，是因为用户(或流量)专注于从某个功能点进入(可以根据业务需要设置)，可以通过产品本身设置的流程完成操作。 根据流程操作的用户对每个转换级别进行监控，找到每个级别的优化点；按流程操作的用户的转换路径，找到改善用户体验、缩短路径的空间。 漏斗模型的典型案例是电子商务网站的转型。用户在购买商品时，必须按照预先设计的购买流程下单，最终完成付款。 需要注意的是，单个漏斗模型对分析毫无意义。我们不能仅仅从漏斗模型中评估网站关键过程中每个步骤的转化率，因此我们必须通过趋势、比较和细分来分析过程中每个步骤的转化率： 趋势(Trend)：分析时间轴的变化，适用于改进或优化某一过程或步骤的效果监控； 比较(Compare)：某些产品或应用中存在的问题是通过比较类似产品或服务间购买或使用流程的转化率来发现的； 细分(Segment)：细分来源或不同客户类型在转化率上的表现，发现一些高质量的来源或客户，通常用于分析网站广告或推广的效果ROI。 5.数据显示： 数据可视化-基本图表 数据可视化是一项关于数据视觉表达形式的科学技术研究。其中，该数据的视觉表达形式被定义为包括相应信息单提取的信息，包括相应信息单元的各种属性和变量。 图表是数据可视化的常用手段，其中基本图表-柱状图、折线图、饼图等。 数据可视化-图表 有些人认为基本图表太简单、太原始、不高端、不大气，所以他们追求更复杂的图表。然而，图表越简单，就越容易理解，而快速和容易理解数据不是数据可视化的最重要目的和最高追求吗？ 因此，请不要低估这些基本图表。因为用户最熟悉它们，所以只要适用，就应该优先考虑。 一、柱状图（Bar Chart） 柱状图是最常见的图表，也是最容易解读的图表。 柱状图 它的适用场合是二维数据集(每个数据点包括两个值x和y），但只有一个维度需要比较。年销售额是二维数据，年和销售额是两个维度，但只需要比较销售额。 柱状图利用柱的高度来反映数据的差异。肉眼对高度差异非常敏感，识别效果非常好。柱状图仅适用于中小型数据集。 一般来说，柱状图的X轴是时间维度，用户习惯性地认为有时间趋势。如果X轴不是时间维度，建议用颜色区分每根柱子，改变用户对时间趋势的关注。 柱状图 上图是英国足球联赛某一年各队的胜利场数，X轴代表不同的球队，Y轴代表赢球数。 二、折线图（Line Chart）数据 折线图适用于二维大数据集，尤其是趋势比单个数据点更重要的场合。 折线图 它还适用于多个二维数据集的比较。 折线图 上图是两个二维数据集(大气中二氧化碳浓度，地表平均温度)的折线图。 三、饼图（Pie Chart） 饼图是一种应避免的图表，因为肉眼对面积不敏感。 饼图 柱状图 在上图中，左图五色块的面积排序不易看出。用柱状图代替就容易多了。 一般来说，蛋糕图应该用柱状图代替。但有一个例外，它反映了某一部分占总人口的比例，如贫困人口占总人口的百分比。 饼图 四、散点图（Scatter Chart） 散点图适用于三维数据集，但只有两维需要比较。 散点图 上图显示了各国的医疗费用和预期寿命。这三个维度是国家、医疗费用和预期寿命。只需比较后两个维度。 为了识别第三维，可以在每个点添加文字标记或不同颜色。 散点图 五、气泡图（Bubble Chart） 气泡图是散点图的变体，通过每个点的面积反映第三维。 气泡图 上图是卡特里娜飓风的路径，分别是经度、纬度和强度。点面积越大，强度越大。由于用户不善于判断面积，气泡图只适用于不需要准确识别第三维的场合。 如果在气泡中添加不同的颜色（或文本标签），则可以使用气泡图来表达四维数据。例如，下图显示了每个点的风等级。 气泡图 六、雷达图（Radar Chart） 雷达图适用于多维数据（四维以上），每个维度必须排序（国籍不能排序）。然而，它有一个限制，即最多6个数据点，否则无法识别，因此应用程序有限。 以下是迈阿密热火队首发的五名篮球运动员的数据。除名称外，每个数据点还有得分、篮板、助攻、抢断和盖帽五个维度。 雷达图 画雷达图就是这样。 雷达图 数据点越大，越重要。显然，勒布朗·詹姆斯是热火队最重要的球员。 需要注意的是，用户不熟悉雷达图，难以解读。尽量增加说明，减轻解读负担。 七、总结 本文内容来源：鸟兄弟笔记，不代表操作狗的观点，如有版权问题，请联系操作狗正式处理。 特别说明：本网站的主要目的是收集与互联网运营相关的干货知识，为运营伙伴提供便利。本网站收集的公共内容来自互联网或用户的贡献，这并不意味着本网站同意其观点，也不对网站内容的真实性负责。如有侵权行为，请联系网站管理员删除，。