3.1 熟悉常用的数据分析方法

掌握常用的数据分析方法论是培养数据思维的基础。俗话说“工欲善其事，必先利其器”，数据分析方法论就是数据分析非常强大的武器之一。本节会围绕常用数据分析方法展开，概括性地介绍数据分析师在日常工作中较为常用的数据分析方法论。

3.1.1 三大分析思维

对比思维、分群思维及相关思维是贯穿数据分析全流程的三大分析思维。如图3-1所示，三大分析思维包含了不同的分析方法。

图3-1　三大分析思维概括

没有对比，就没有明确的数据结论。对比分析可以衡量数据整体大小、数据波动及数据变化趋势，所以说对比分析是得出数据结论最简单有效的方法。通常情况下，数据分析师会利用业务数据与大盘数据或者行业标准进行对比，以判断业务现状。除此之外，同比、环比、横比、纵比等也是较为常用的对比分析方法。A/B试验是一类较为特殊的对比分析方法，该方法是数据分析师常用的线上试验方法，是探究变量间因果关系最行之有效的方法。

分群思维是贯穿数据分析全链路的分析思维。根据用户的行为数据、消费数据等特征对用户分群是实现用户精细化运营的基础。用户分群可以基于用户历史数据，对数据进行分箱处理形成规则类型的标签。如果企业的数据标签体系做得好，可以直接通过数据标签实现用户的分群。除此之外，用户同期群分析是用户分群的另一种方法，该方法是一种横纵结合的分析方法，在横向上分析同期群随着周期推移而发生的变化，在纵向上分析在生命周期相同阶段的群组之间的差异。当然，数据分析师也可以根据需要使用RFM模型或者K-Means等机器学习算法实现用户分群。

相关性与因果性分析是数据分析师需要具备的除对比分析和用户分群之外的第三大分析思维。在变量关系探索过程中，相关性分析是较为常用的分析方法，但是变量之间存在相关性并不代表它们之间存在因果性，在无法通过A/B试验检验变量间的因果关系时，因果推断也是数据分析师常用的分析方法。

3.1.2 不同生命周期的分析方法

对比分析、用户分群及相关性与因果性分析是贯穿用户全生命周期的分析思维，此外，在用户的不同生命周期中还有一些特有的分析方法。在用户生命周期的分析中，数据分析师常遇到的两个场景分别是用户流失以及用户付费转化。

每个互联网企业都会存在用户流失问题，而数据分析师可以分析流失用户的历史数据，研究流失用户的共性，分析用户流失的原因，给运营方对应的意见和建议。如图3-2所示，用户流失分析常用的方法有用户流失前N步分析法、漏斗分析法、5W2H法等。

图3-2　用户流失分析中常用的分析方法

分析用户流失的最终目的是实现用户增长和让用户付费，其分析方法如图3-3所示。对于用户付费转化来说，数据分析师通常会需要预估不同方案的转化率；通过漏斗分析和路径分析找出用户转化流程中可以优化的环节；同时，数据分析师可以通过营销增益模型识别营销敏感人群，以提升转化方案的投入产出比。当然，数据分析师也可以通过用户的行为数据及付费数据预估用户的生命周期价值。

图3-3　用户转化与付费分析中常用的分析方法