2大分析模型、6種展現圖表，資料分析師？你能做的更好！

什麼是資料分析？

資料分析是指用適當的統計分析對收集來的大量資料進行分析，提取有用資訊和形成結論而對資料加以詳細研究和概括總結的過程。在實用中，資料分析可幫助人們作出判斷，以便採取適當行動。

資料分析的目的是什麼?

資料分析的目的是把隱沒在一大批看來雜亂無章的資料中的資訊集中、萃取和提煉出來，以找出所研究物件的內在規律。

在實用中，資料分析可幫助人們作出判斷，以便採取適當行動。資料分析是組織有目的地收集資料、分析資料，使之成為資訊的過程。在產品的整個生命週期，包括從市場調研到售後服務和最終處置的各個過程都需要適當運用資料分析過程，以提升有效性。

在企業裡面，資料分析可以幫助我們掌握企業的運營狀況，商品的出售情況，使用者的特徵、產品的粘性、等等。

資料分析的步驟？

1. 首先明確分析的思路和目的

資料分析一定的帶著某種業務目的的。它可能是要追蹤一個新產品上線之後的使用者使用情況；也可能是觀察使用者在某段時間的留存情況，還有可能是運營某種優惠券是否有效。帶著一定的目的，確定要從哪幾個角度進行分析。然後找到能夠說明目的的指標。

比如想要驗證運營最近的一批優惠券是否有效。我們可以從優惠券的領取情況和優惠券的使用情況兩個方面分析，而優惠券的領取情況的指標可以細化為領取率；使用情況可細化為：使用率、客單價等。

2.資料的收集

在確定了此次資料分析的核心指標後，就要針對資料指標做資料收集。有些企業的資料準備非常充分，資料倉庫、資料集市等早早就建設好。有一些企業在資料分析上比較落後，那就需要我們自己做前期大量的資料收集工作。比如使用一些自己公司的或者第三方的資料分析工具進行埋點，拿到日誌。或者使用資料庫中的現有資料，比如訂單資料、基礎的使用者資訊等等。

3.資料處理

資料提取出來之後，要剔除髒資料（清洗），然後資料轉化。在進行最基本的資料彙總、聚合之後，我們就可以拿到比較簡單的欄位相對豐富的資料寬表。

4.資料分析

資料分析是用適當的分析方法及工具，對處理過的資料進行分析，提取有價值的資訊，形成有效結論的過程。

一般公司所需要觀察的資料大致分為如下幾類：

• 商業資料：付費金額，付費使用者數，付費率客單價

• 運營資料：新增使用者數，日活、周活、月活（AARRR模型）

• 產品資料：關鍵頁面的PV、UV（漏斗模型）

• 使用者資料：使用者生命週期、使用者留存、使用者客單價、使用者型別（RFM模型……)

• 商品資料：商品售賣情況，毛利分析……

隨著資料的重要性的凸顯，越來越多的公司已經認識到資料對於公司的經營是十分重要的。所以絕大部分企業都有專門的BI部門進行初步的資料加工、分析，以週報表的形式彙總給管理層做為日常資料所需以及企業決策使用。

在這裡主要介紹兩個簡單的資料分析模型：

AARRR模型

Acquisition（獲取）、Activation（活躍）、Retention（留存）、Revenue（收益）、Refer（傳播）

漏斗模型

使用者訪問的路徑

漏斗模型

漏斗模型廣泛應用於流量監控、產品目標轉化等日常資料運營工作中。之所以稱為漏斗，就是因為使用者（或者流量）集中從某個功能點進入（這是可以根據業務需求來自行設定的），可能會通過產品本身設定的流程完成操作。

按照流程操作的使用者進行各個轉化層級上的監控，尋找每個層級的可優化點；對沒有按照流程操作的使用者繪製他們的轉化路徑，找到可提升使用者體驗，縮短路徑的空間。運用漏斗模型比較典型的案例就是電商網站的轉化，使用者在選購商品的時候必然會按照預先設計好的購買流程進行下單，最終完成支付。

需要注意的是：單一的漏斗模型對於分析來說沒有任何意義，我們不能單從一個漏斗模型中評價網站某個關鍵流程中各步驟的轉化率的好壞，所以必須通過趨勢、比較和細分的方法對流程中各步驟的轉化率進行分析：

• 趨勢（Trend）：從時間軸的變化情況進行分析，適用於對某一流程或其中某個步驟進行改進或優化的效果監控；

• 比較（Compare）：通過比較類似產品或服務間購買或使用流程的轉化率，發現某些產品或應用中存在的問題；

• 細分（Segment）：細分來源或不同的客戶型別在轉化率上的表現，發現一些高質量的來源或客戶，通常用於分析網站的廣告或推廣的效果及ROI。

5.資料展現

資料視覺化是關於資料視覺表現形式的科學技術研究。其中，這種資料的視覺表現形式被定義為，一種以某種概要形式抽提出來的資訊，包括相應資訊單位的各種屬性和變數。

圖表是"資料視覺化"的常用手段，其中又以基本圖表----柱狀圖、折線圖、餅圖等等----最為常用。

有人覺得，基本圖表太簡單、太原始，不高階，不大氣，因此追求更復雜的圖表。但是，越簡單的圖表，越容易理解，而快速易懂地理解資料，不正是"資料視覺化"的最重要目的和最高追求嗎？

所以，請不要小看這些基本圖表。因為使用者最熟悉它們，所以只要是適用的場合，就應該考慮優先使用。

柱狀圖（Bar Chart）

柱狀圖是最常見的圖表，也最容易解讀。

它的適用場合是二維資料集（每個資料點包括兩個值x和y），但只有一個維度需要比較。年銷售額就是二維資料，"年份"和"銷售額"就是它的兩個維度，但只需要比較"銷售額"這一個維度。

柱狀圖利用柱子的高度，反映資料的差異。肉眼對高度差異很敏感，辨識效果非常好。柱狀圖的侷限在於只適用中小規模的資料集。通常來說，柱狀圖的X軸是時間維，使用者習慣性認為存在時間趨勢。如果遇到X軸不是時間維的情況，建議用顏色區分每根柱子，改變使用者對時間趨勢的關注。

上圖是英國足球聯賽某個年度各隊的贏球場數，X軸代表不同球隊，Y軸代表贏球數。

折線圖（Line Chart）資料

折線圖適合二維的大資料集，尤其是那些趨勢比單個數據點更重要的場合。

它還適合多個二維資料集的比較。

上圖是兩個二維資料集（大氣中二氧化碳濃度，地表平均氣溫）的折線圖。

餅圖（Pie Chart）

餅圖是一種應該避免使用的圖表，因為肉眼對面積大小不敏感。

上圖中，左側餅圖的五個色塊的面積排序，不容易看出來。換成柱狀圖，就容易多了。

一般情況下，總是應該用柱狀圖替代餅圖。但是有一個例外，就是反映某個部分佔整體的比重，比如貧窮人口占總人口的百分比。

餅圖

散點圖（Scatter Chart）

散點圖適用於三維資料集，但其中只有兩維需要比較。

散點圖

上圖是各國的醫療支出與預期壽命，三個維度分別為國家、醫療支出、預期壽命，只有後兩個維度需要比較。

為了識別第三維，可以為每個點加上文字標示，或者不同顏色。

散點圖

氣泡圖（Bubble Chart）

氣泡圖是散點圖的一種變體，通過每個點的面積大小，反映第三維。

氣泡圖

上圖是卡特里娜颶風的路徑，三個維度分別為經度、緯度、強度。點的面積越大，就代表強度越大。因為使用者不善於判斷面積大小，所以氣泡圖只適用不要求精確辨識第三維的場合。如果為氣泡加上不同顏色（或文字標籤），氣泡圖就可用來表達四維資料。比如下圖就是通過顏色，表示每個點的風力等級。

氣泡圖

雷達圖（Radar Chart）

雷達圖適用於多維資料（四維以上），且每個維度必須可以排序（國籍就不可以排序）。但是，它有一個侷限，就是資料點最多6個，否則無法辨別，因此適用場合有限。下面是邁阿密熱火隊首發的五名籃球選手的資料。除了姓名，每個資料點有五個維度，分別是得分、籃板、助攻、搶斷、封蓋。

雷達圖

畫成雷達圖，就是下面這樣。

雷達圖

面積越大的資料點，就表示越重要。很顯然，勒布朗·詹姆斯（紅色區域）是熱火隊最重要的選手。需要注意的時候，使用者不熟悉雷達圖，解讀有困難。使用時儘量加上說明，減輕解讀負擔。

總結

推薦閱讀：