专业的短链接生成工具
链接域名
短网址有效期
数据分析三板斧：趋势、对比、细分
更新时间：2025-5-12 17:13:14 作者：爱短链
编者按：数据分析是对数据进行详细研究和总结的过程，以提取有用的信息并形成结论。
我们总是在日常工作中使用数据分析，这极大地帮助我们看到数据比较、细分数据等方面；作者介绍了数据分析的三把斧头，让我们一起学习。
两天前，一个朋友问我关于数据分析的事情。
我很惭愧。
我不太擅长这个。
我只能说一些简单的应用程序。
先总结一下现在知道的一些事情，等以后有了更深的感悟再继续更新。
例如，本文主要与数据分析有关，三板斧是指趋势、对比、细分。
一、看趋势 顾名思义，它是跟踪数据的趋势变化，找到一些增长或下降的拐点，然后分析相应的原因，适用于一些指标的长期跟踪或测量一些关键行动是否有效。
例如，产品的核心指标是GMV，必须定期关注增长趋势是否正常，是否符合预期，在跟踪时，自然需要对比分析。
二、看对比 光看趋势不一定可靠，因为有些指标一直在增加，比如注册用户的数量，除非没有新用户进来，否则这个数据肯定会一直在增加。
另外，没有比较就没有伤害。
比如你的增长率是每年50%，感觉很好。
也许你的竞争对手每年都在以500%的速度增长。
因此，一般来说，数据会进行比较。
一方面是纵向比较，即自身与自身的比较，另一方面是横向比较，即自身与他人的比较。
纵向对比通常包括环比和同比： 环比是将本期统计数据与上期进行比较，如将2018年9月的数据与2018年8月的数据进行比较。
同比是指将本期统计数据与上周期同期数据进行比较，如将2018年9月的数据与2017年9月的数据进行比较。
通常，当我们进行数据分析时，我们大多会将本周的数据与上周的数据进行比较，或者将本月的数据与上个月的数据进行比较，然后控制不同的变量进行分析。
要注意一些周期性的波动，比如有些产品会有明显的周末效应；以我们的产品为例，DAU基本上周一最低，周二周三持续低迷，周四小幅回血，周五下跌，周六周日达到顶峰，然后继续循环。
以前，其他部门的一位同事问我做了什么，为什么昨天的数据急剧上升；我翻了一下，发现是星期四。
我告诉他比较上周同期的数据，然后延长这个周期，然后以周为单位。
根据经验，大多数人都是APP数据会在小长假期间下降，尤其是春节期间。
在这种情况下，首先看看是否有新版本，确认埋点是否异常，然后看看是否在节日的影响范围内，与同一周期的其他数据进行比较，然后找到其他原因。
横向比较通常包括行业竞争产品、全站数据、测试AB组等。
与竞争产品相比，主要是为了了解我们目前做了什么，行业的领先水平是什么，尽管这部分数据很难获得。
全站数据通常是指市场数据。
当你负责某个功能模块时，你可能会发现数据上升了。
最后，你绞尽脑汁，没有分析原因；然后回顾过去，哦，原来整体数据上升了，顺便说一句，你赢了。
测试AB组是指控制不同变量对比分析不同结果的实验组和对照组。
三、看细分 通常最常用的是数据细分，不仅可以追溯到问题的原因，还可以为后续行动提供参考。
本部分主要分为维度和测量、拆卸数据、拆卸用户和拆卸因素；维度和测量主要是概念描述，以下部分是如何查看细分数据。
1. 维度和度量 很多时候，数据分析是通过不同的维度和测量进行交叉对比分析，找出一些可能的原因，然后验证猜测。
维度：指数据分析的角度，如城市、时间、浏览器、新老用户、操作系统、终端等。
测量：指具体的数据值，如UV、PV、转化率、跳出率等。
一般情况下，单个数据值只能传递整体概况，细分检查需要结合维度。
比如整体DAU它可能会逐渐上升，但老用户的保留可能会下降。
如果我们只看测量，我们可能会被蒙蔽。
例如，以内容产品为例，用户的核心路径是浏览内容-产生互动行为。
需要注意的是人均浏览时间、人均浏览条数、使用频率、喜欢、评论、转发等互动行为。
在此基础上，结合新老用户、男女用户、年龄分布、区域分布、终端分布、行为差异等维度进行更详细的分析。
2. 拆数据 这部分是基于数据本身的一些拆解，可以分为单指标和多指标。
单一指标主要是衡量功能本身的性能，如： 功能本身的深度：使用频率、使用时间、分布等； 功能本身的广度：用户数、DAU%等； 功能本身的保留：保留率； 功能本身的转化率：各环节的转化率。
多个指标主要是对其他相关指标的贡献，如目标值的贡献，如保留率、转化率、相关性等；例如，当新用户阅读X篇文章时，保留的可能性会增加多少。
3. 拆用户 主要针对用户本身进行分组，然后结合数据指标进行交叉比较，通常可以根据用户的静态和动态属性进行分组。
静态属性主要指新老用户、版本、终端、区域、操作系统、渠道等。
动态属性主要是指用户的行为，如根据用户的点击次数、用户购买商品的客户单价或行为路径的操作步骤进行分组。
结合分析目标，将数据与用户分割后，应该能够得到一些想法，然后继续分解和交叉比较，直到找到一些结论。
4. 拆因子 这一部分主要指的是一种思维方式，尽量将目标值抽象成特定的公式，然后根据因素拆解。
例如，老板来找你我们这段时间DAU下降了，你去分析是什么原因造成的。
首先，我们可以考虑一下DAU有哪些相关部分可以用这样的公式来概括: DAU=新增用户数 活跃用户数 回流用户数 首先排除数据异常和周期性波动，然后结合这个公式查看每个因素的细分。
首先看各部分的构成变化，是新用户下降，是活跃用户下降，还是回流用户下降。
如果新用户数量下降，看看最近新用户数量是否发生了变化，数量是否下降，质量是否下降；根据渠道和日期拆数量，然后拆除每个渠道的保留率。
如果活跃用户数量下降，根据新老用户的保留率比较分析，新用户或老用户是否少；前者寻找新用户激活的原因，后者寻找最近新功能的原因。
如果回流用户数量下降，根据回流渠道拆解，查看推送、短信召回、活动召回等形式带回的用户数量是否发生变化，然后结合具体变化继续找到相应的原因。
最后，结合分析原因，产生初步结论，干预后续行动，观察相应数据指标的变化。
四、最后 经过以上层层细分和交叉分析，一种可能是你发现了潜在的问题，然后证实或伪造了你的猜测，另一种可能是找不到原因。
通常有三种解决方案： 一是看能不能找到原始日志信息，翻翻用户的行为记录，看用户在做什么，卡在哪里。
另一种是直接拉出这些用户，找到相应的联系方式，直接与用户沟通，做研究。
最后一种是真的无奈，通常归因于数据异常、自然增长、常规波动等。
以上是本文的主要内容。
愿你有所收获。
欢迎斧头、指导和拍砖。
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，。
我们总是在日常工作中使用数据分析，这极大地帮助我们看到数据比较、细分数据等方面；作者介绍了数据分析的三把斧头，让我们一起学习。
两天前，一个朋友问我关于数据分析的事情。
我很惭愧。
我不太擅长这个。
我只能说一些简单的应用程序。
先总结一下现在知道的一些事情，等以后有了更深的感悟再继续更新。
例如，本文主要与数据分析有关，三板斧是指趋势、对比、细分。
一、看趋势 顾名思义，它是跟踪数据的趋势变化，找到一些增长或下降的拐点，然后分析相应的原因，适用于一些指标的长期跟踪或测量一些关键行动是否有效。
例如，产品的核心指标是GMV，必须定期关注增长趋势是否正常，是否符合预期，在跟踪时，自然需要对比分析。
二、看对比 光看趋势不一定可靠，因为有些指标一直在增加，比如注册用户的数量，除非没有新用户进来，否则这个数据肯定会一直在增加。
另外，没有比较就没有伤害。
比如你的增长率是每年50%，感觉很好。
也许你的竞争对手每年都在以500%的速度增长。
因此，一般来说，数据会进行比较。
一方面是纵向比较，即自身与自身的比较，另一方面是横向比较，即自身与他人的比较。
纵向对比通常包括环比和同比： 环比是将本期统计数据与上期进行比较，如将2018年9月的数据与2018年8月的数据进行比较。
同比是指将本期统计数据与上周期同期数据进行比较，如将2018年9月的数据与2017年9月的数据进行比较。
通常，当我们进行数据分析时，我们大多会将本周的数据与上周的数据进行比较，或者将本月的数据与上个月的数据进行比较，然后控制不同的变量进行分析。
要注意一些周期性的波动，比如有些产品会有明显的周末效应；以我们的产品为例，DAU基本上周一最低，周二周三持续低迷，周四小幅回血，周五下跌，周六周日达到顶峰，然后继续循环。
以前，其他部门的一位同事问我做了什么，为什么昨天的数据急剧上升；我翻了一下，发现是星期四。
我告诉他比较上周同期的数据，然后延长这个周期，然后以周为单位。
根据经验，大多数人都是APP数据会在小长假期间下降，尤其是春节期间。
在这种情况下，首先看看是否有新版本，确认埋点是否异常，然后看看是否在节日的影响范围内，与同一周期的其他数据进行比较，然后找到其他原因。
横向比较通常包括行业竞争产品、全站数据、测试AB组等。
与竞争产品相比，主要是为了了解我们目前做了什么，行业的领先水平是什么，尽管这部分数据很难获得。
全站数据通常是指市场数据。
当你负责某个功能模块时，你可能会发现数据上升了。
最后，你绞尽脑汁，没有分析原因；然后回顾过去，哦，原来整体数据上升了，顺便说一句，你赢了。
测试AB组是指控制不同变量对比分析不同结果的实验组和对照组。
三、看细分 通常最常用的是数据细分，不仅可以追溯到问题的原因，还可以为后续行动提供参考。
本部分主要分为维度和测量、拆卸数据、拆卸用户和拆卸因素；维度和测量主要是概念描述，以下部分是如何查看细分数据。
1. 维度和度量 很多时候，数据分析是通过不同的维度和测量进行交叉对比分析，找出一些可能的原因，然后验证猜测。
维度：指数据分析的角度，如城市、时间、浏览器、新老用户、操作系统、终端等。
测量：指具体的数据值，如UV、PV、转化率、跳出率等。
一般情况下，单个数据值只能传递整体概况，细分检查需要结合维度。
比如整体DAU它可能会逐渐上升，但老用户的保留可能会下降。
如果我们只看测量，我们可能会被蒙蔽。
例如，以内容产品为例，用户的核心路径是浏览内容-产生互动行为。
需要注意的是人均浏览时间、人均浏览条数、使用频率、喜欢、评论、转发等互动行为。
在此基础上，结合新老用户、男女用户、年龄分布、区域分布、终端分布、行为差异等维度进行更详细的分析。
2. 拆数据 这部分是基于数据本身的一些拆解，可以分为单指标和多指标。
单一指标主要是衡量功能本身的性能，如： 功能本身的深度：使用频率、使用时间、分布等； 功能本身的广度：用户数、DAU%等； 功能本身的保留：保留率； 功能本身的转化率：各环节的转化率。
多个指标主要是对其他相关指标的贡献，如目标值的贡献，如保留率、转化率、相关性等；例如，当新用户阅读X篇文章时，保留的可能性会增加多少。
3. 拆用户 主要针对用户本身进行分组，然后结合数据指标进行交叉比较，通常可以根据用户的静态和动态属性进行分组。
静态属性主要指新老用户、版本、终端、区域、操作系统、渠道等。
动态属性主要是指用户的行为，如根据用户的点击次数、用户购买商品的客户单价或行为路径的操作步骤进行分组。
结合分析目标，将数据与用户分割后，应该能够得到一些想法，然后继续分解和交叉比较，直到找到一些结论。
4. 拆因子 这一部分主要指的是一种思维方式，尽量将目标值抽象成特定的公式，然后根据因素拆解。
例如，老板来找你我们这段时间DAU下降了，你去分析是什么原因造成的。
首先，我们可以考虑一下DAU有哪些相关部分可以用这样的公式来概括: DAU=新增用户数 活跃用户数 回流用户数 首先排除数据异常和周期性波动，然后结合这个公式查看每个因素的细分。
首先看各部分的构成变化，是新用户下降，是活跃用户下降，还是回流用户下降。
如果新用户数量下降，看看最近新用户数量是否发生了变化，数量是否下降，质量是否下降；根据渠道和日期拆数量，然后拆除每个渠道的保留率。
如果活跃用户数量下降，根据新老用户的保留率比较分析，新用户或老用户是否少；前者寻找新用户激活的原因，后者寻找最近新功能的原因。
如果回流用户数量下降，根据回流渠道拆解，查看推送、短信召回、活动召回等形式带回的用户数量是否发生变化，然后结合具体变化继续找到相应的原因。
最后，结合分析原因，产生初步结论，干预后续行动，观察相应数据指标的变化。
四、最后 经过以上层层细分和交叉分析，一种可能是你发现了潜在的问题，然后证实或伪造了你的猜测，另一种可能是找不到原因。
通常有三种解决方案： 一是看能不能找到原始日志信息，翻翻用户的行为记录，看用户在做什么，卡在哪里。
另一种是直接拉出这些用户，找到相应的联系方式，直接与用户沟通，做研究。
最后一种是真的无奈，通常归因于数据异常、自然增长、常规波动等。
以上是本文的主要内容。
愿你有所收获。
欢迎斧头、指导和拍砖。
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，。
