三種分析方法的原理應用

① 簡述電位分析法的原理,分類及應用

電化學分析法
電位分析法
直接電位法
電位滴定法
庫侖分析法
控制電位庫侖分析法
恆電流庫侖滴定法
伏安分析法
極譜分析法
將化學反應轉變為電能的裝置。鋅電極插入ZnSO4溶液，
同電極插入CuSO4溶液

② 數據分析必讀干貨：簡單而實用的3大分析方法

導讀：數據分析師需要哪些「專業技能」？如果有人建議你去學習R語言、tableau、PowerBI，那麼我建議你不如先從最基礎也是最核心的數據分析方法學起。

在一家年銷售不到10億的電商公司（行業中大部分電商企業年銷售可能都不到1個億），你只要掌握一些基礎的數據分析方法，再配合Excel表格，就足夠你完成各種數據化運營工作了。

本文主要講解日常數據分析中，最常用的三大數據分析方法 。內容雖然簡單，但是其中充滿了大量的細節方面的實用技巧。

01 對比

對比是所有數據分析方法中最基礎，也是大家耳熟能詳的一個。俗話說，無對比，不分析。說的就是對比分析法了。

在實際分析場景中，對比有不同的應用維度。比如有環比、同比、橫比、縱比、絕對值對比，相對值對比等。下面我們分別解釋一下它們的不同應用場景。

1. 絕對值對比與相對值對比

從概念上而言，絕對值包含正數、負數和零值。在電商數據分析中，一般是指正數之間的對比較多，如銷售額、退貨額等；相對值對比，則是指轉化率、完成率等這類相對數之間的對比。

2. 環比

環比是指統計周期內的數據與上期數據的比較，比如2017年6月數據與2017年5月數據的比較。

在電商數據分析中，由於每個自然月之間的銷售差額比較大，如果採用絕對指標，便很難通過對比觀察到業務的變化。

因此，一般會採用相對指標來做環比分析，如2017年6月的銷售達標率是102%，2017年5月的銷售達標率是96%；這樣便很容易知道兩個月度之間轉化率的好壞優劣了。然而，如果我們用絕對值來對比：2017年6月銷售額500萬，2017年5月銷售額300萬，這樣的對比便很難判斷究竟哪個月的銷售額完成得更好。

3. 同比

同比是指統計周期內數據與去年同期數據之間的對比，比如2017年6月銷售額是500萬，2016年6月銷售額是450萬，同比增加11.1%。

在電商分析中，同比是應用最廣泛的數據分析方法。通過同比，我們能大致判斷店鋪的運營能力在最近一年中，是保持增長還是呈下滑趨勢。

同時，也可以根據同比增長趨勢，來制訂初步的銷售計劃。如表3-4所示，假設現在店鋪流量同比下降8%（流量下降是平台趨勢），客單價保持不變的情況下，要想實現店鋪銷售業績的上升，唯有提升轉化率。

因此，我們通過表3-4的模擬推算，可以得知，當轉化率提升21%，到達0.35%時（0.35%轉化率被認為是行業的平均值），業績會提升11%。

▼表3-4 店鋪銷售計劃推算模擬表

4. 橫向對比與縱向對比

所謂橫向對比與縱向對比，是指空間與時間兩個不同的維度之間的對比。橫向對比是空間維度的對比，指同類型的不同對象在統一的標准下進行的數據對比。如「本店」與「競品」之間的對比；縱向對比是時間維度的對比，指同一對象在不同時間軸上的對比。如前面提到的「同比」「環比」都是縱向對比。

5. 份額

嚴格地說，「份額」屬於橫向對比的一種。由於在實際分析場景中它經常會被忽略，因此單獨羅列出來，加以說明。

在某些情況下，數據表格中多一個「份額」，會讓表格清晰明了許多。

如表3-5所示，假設我們要分析「某品牌天貓、京東、唯品會三大渠道」的「上衣、下衣、連衣裙和其他」在「Q1～Q4季度」的銷售趨勢和表現。常規的分析方法是，按照表1的表格結構，將各種數據有層次地展現出來。這時，所有的銷售數據在表格中可以層次分明地一覽無余。

▼表3-5 以份額處理的數據表格

但是，如表1這般的數據卻不能直觀告訴我們每個銷售類別在不同渠道和不同季度的銷售趨勢是什麼。因此，在數據分析中便需要加入表2這樣的「份額」分析表格。如此，我們便可一目瞭然地掌握每個類別在不同渠道、不同時期的銷售趨勢。因此也就達到了數據分析的目的。

很多數據分析師往往只是完成了「表1」的分析步驟，卻缺少臨門一腳，沒有把「表2」也同步呈現出來。

02 細分

細分，是一種從概念上理解非常容易，但實際應用起來卻很難的分析方法。

細分分析法，常用於為分析對象找到更深層次的問題根源。難點在於我們要理解從哪個角度進行「細分」與「深挖」才能達到分析目的。就好像高中課程中解幾何題一樣，如果找對了「解題思路」，問題就迎刃而解；如果「解題思路」錯了，勞心費力不說，問題還解決不了。

在實際應用中，細分有許多不同的方法，就如同我們在解題時，有各種不同的「解題思路」一樣。有時候，面對同一個問題，兩個不同的解題思路都可以達到解題的目的；但更多時候，只有唯一正確的解題思路才可以正確地解題。所以，在分析之前，選擇正確的『細分』方法便非常重要。

下面，我們就具體來看一下，在細分分析中，有哪些解題思路。

1. 分類分析

就是指對所有需要被分析到的數據單元，按照某種標准打上標簽，再根據標簽進行分類，然後使用匯總或者對比的方法來進行分析。

在服裝行業中，常用於做分類分析的標簽有「類目」「價格帶」「折扣帶」「年份」「季節」等。

通過從「年份」「季節」的維度來對商品庫存進行細分，我們可以輕松地知道有多少貨屬於「庫存」，有多少貨屬於「適銷品」；

通過從「折扣帶」的維度來對銷售流水進行細分，我們可以大致知道店鋪的盈利情況；

通過從「類目」的維度對銷售流水和庫存同時進行細分，我們可以知道統計周期內品類的銷售動態與庫存滿足度。

2. 人—貨—場

「人—貨—場」能夠為人提供宏觀視野的分析。其原理類似於分類分析，即將所有需要被分析到的數據單元，打上「人」「貨」「場」的標簽，然後再進行相應的數據分析與處理。

在實際應用場景中，「人—貨—場」分析法往往被靈活運用在初步診斷某一競品店鋪時。

如圖3-3所示是利用「人—貨—場」邏輯方法來分析競品店鋪的主流思路。在分析之前，先把「解題思路」用「人—貨—場」的方式羅列出來，把所有能夠想到的有用的「分支」都羅列出來，然後查漏補缺、標注重要與非重要。最後，再按此「解題思路」來進行分析。便可達到事半功倍的分析效果。

▲圖3-3 利用「人—貨—場」細分方法初步分析競品店鋪

3. 杜邦分析法

細分分析方法中，還有一種知名的分析方法，叫「杜邦分析法」。在電商數據分析中，杜邦分析也是常被使用的分析方法之一。

網路中對杜邦分析的解釋是：「杜邦分析法（DuPont Analysis）是利用幾種主要財務比率之間的關系來綜合分析企業的財務狀況。具體來說，它是一種用來評價公司盈利能力和股東權益回報水平，從財務角度評價企業績效的一種經典方法。」由此可見，杜邦分析主要是用於企業的財務分析之中。

但是在電商中，杜邦分析常被用於尋找銷售變化的細小因素之中。如圖3-4所示，便是根據杜邦分析原理，將所有影響到銷售額的量化指標都統計出來的一種常用分析方法。此種方法，有助於我們從細小的數據顆粒中找到影響銷售變化的元素。

▲圖3-4 銷售變化的原因分析

03 轉化

轉化分析是電商、游戲等互聯網行業的特定分析方法，在傳統行業的零售分析中並不常見。轉化分析常用於頁面跳轉分析、用戶流失分析等業務場景。

轉化分析的表現形式一般是選用漏斗模型，如圖3-5所示，便是模擬了某電商店鋪的流量轉化情況，並以漏斗圖的形式展現出來。

▲圖3-5 電商常見的流量轉化漏斗圖

這張圖模擬了從店鋪的瀏覽商品人數到加購人數，然後生成訂單、支付訂單，直到最後支付成功的漏斗示意圖。

從圖3-5的示例中，反推「轉化」分析方法，我們應該得到以下結論：

轉化分析方法的前提，是我們需要首先確定一條「轉化路徑」（如圖3-5左側的路徑所示），這條路徑就是我們的「解題方法」，是決定我們接下來的分析能否達成目標的重要因素。

當「轉化路徑」確定後，我們需要把「路徑」中的各個「節點」羅列出來，並把節點下的重要數據統計出來。

最後，根據路徑把各節點的數據用漏斗圖的形式表達出來。

同時，轉化分析還可用於店鋪微觀方面的「轉化」洞察。譬如在某一次店鋪舉行大促活動時，我們需要分析大促期間「活動二級頁」的流量轉化效果如何。此時，我們便可以參照如圖3-6所示的漏斗模型。

▲圖3-6 活動頁效果分析的漏斗圖

在以上案例中，我們將轉化路徑定義為「活動頁→詳情頁→支付頁面（下單）→支付成功（購買）」四個節點。然後統計每個頁面的流量到達數量，於是得出如圖3-6所示的漏斗圖。

通過此圖，可以清晰明確地診斷出此次活動二級頁在「下單→付款」環節轉化率僅40%，存在一定問題。在支付界面的流量跳失，很可能是價格過高所致。

本文摘編自《電商數據分析與數據化運營》，經出版方授權發布。

③ 三種定量分析方法

三種定量分析方法如下：

一、比率分析法

根據不同數據做對比，得出比率。它是財務分析的基本方法百，也是定量分析的主要方法。比率分析法是以同一期財務報表上若乾重要項目的相關數據相互比較，求出比率，用以分析和評價公司的經營活動以及公司目前和歷史狀況的一種方法，是財務分析最基本的工具。

趨勢分析法是將不同時期數據中的相同指標或比率進行比較，直接觀察其增減變動情況及變動幅度，考查其發展趨勢，預測其發展前景。它是基於應用事物時間發展的延續性原理來預測事物發展趨勢的。

三、數學模型法

建造適合某一指標的數學模型來觀察指標的變化。通過經濟指標的相互比較來揭示經濟指標之間的數量差異，既可以是本期同上期的縱向比較，也可以是同行業不同企業之間的橫向比較，還可以與標准值進行比較。通過比較找出差距，進而分析形成差距的原因。

④ 重量分析法在葯物分析中的應用

重量分析法
重量分析法：以質量為測量值的分析方法。將被測組分與其他分離，稱重計算含量。精確到0.1-0.2 %
對低含量組分測定誤差較大，盡量避免用。水分測定，葯品中水中不溶物、熾灼殘渣、灰分仍用。
一、揮發法：利用被測組分具有揮發性或將其轉化為揮發性物質，稱取揮發前後揮發性物質算含量。
1、 直接揮發法：測吸收劑增加的量
2、 間接揮發法：測樣品所減少的量
二、萃取法：(提取重量法)用互不相容的溶劑萃取後稱重，適用於有機葯物的測定。
三、沉澱法：沉澱形式-稱量形式
步驟：取樣-溶解-加沉澱劑使其沉澱-過濾-洗滌-乾燥(或熾灼)-至垣重-稱量-計算
重量分析法對沉澱形式要求：沉澱溶解度小，要純凈，易於過濾和洗滌，易於轉化為稱量形式。
重量分析法對稱量形式要求：稱量形式的組成應固定，化學穩定性高，分子量要大。
1、 沉澱形成的過程包括晶核的生長和沉澱微粒的生長兩個過程。
2、 影響沉澱溶解度的因素： 沉澱溶解損失不3、 超過0.2mg 不4、 影響。
(1)同離子效應：當沉澱反應達到平衡後，向溶液中加入過量的沉澱劑，則構晶離子(與沉澱組分相同的離子)濃度增大，使沉澱的溶解度降低的效應，稱為同離子效應。
加入沉澱劑一般過量，易揮發過量50-100%，不揮發過量20-30% 。
(2)鹽效應：由於強電解質的存在而引起沉澱溶解度增大的現象，稱鹽效應。
(3)酸效應：溶液的酸度對沉澱溶解度的影響稱酸效應。 對弱酸鹽影響較大。
(4)絡合反應：進行沉澱反應時，若溶液中存在有能與構晶離子生成可溶性絡合物的絡合劑時，則會使沉澱溶解度增大，甚至不產生沉澱，這種現象稱絡合效應。
5、 影響沉澱純度的因素：
(1)共沉澱：產生原因有表面吸附(主要)、形成混晶、包埋或吸留(不能清洗除去，重結晶陳化)
(2)後沉澱：放置過程中沉澱吸出。
第二節 酸鹼滴定法
酸鹼滴定法：利用酸和鹼在水中以質子轉移反應為基礎的滴定分析方法。
(1) 強酸滴定強鹼： 如NaOH滴定HCl
一般濃度以0.1000mol /l ，突躍范圍4.3-9.7，指示劑 ：酚酞、甲基紅、甲基橙
(二)強鹼滴定弱酸： 如NaOH滴定HAc，突躍范圍PH 7.74-9.7 ，計量點PH8.72 。選鹼性范圍指示劑酚酞、百里酚酞。不能用酸性指示劑甲基紅，甲基橙。
(三)強酸滴定弱鹼：HCl 滴定NH .H O ，PH6.24-4.3 ，計量點PH5.28 ，選甲基紅、溴甲酚綠 。
(四)強鹼滴定多元酸：兩個計量點，用甲基橙和酚酞的混合指示劑。
第3節 沉澱滴定法
沉澱反應必須定量、迅速、有指示劑確定終點、吸附現象不妨礙終點。生成難溶性銀鹽的反應。
銀量法：利用AgNO 為標准溶液的沉澱滴定法。按所用指示劑不同分：
1、 鉻酸鉀法(MoHr法)：在中性溶液中，2、 加入K CrO (1ml)作指3、 示劑，4、 用AgNO 標5、 准液滴定 。
滴定條件：指示劑用量適當、酸度不過低過高、劇烈振搖、不宜測定I 和SCN、除去干擾離子。
6、 鐵礬指7、 示劑法(Volhard法)：用NH SCN為標8、 准溶液，9、 Fe為指10、 示劑，11、 在硝酸酸性液中測定。
滴定條件：被測物Cl時，注意沉澱轉化（過濾、加有機溶劑、用高濃度Fe指示）、強酸中
三、吸附指示劑法（Fajans法）：用硝酸銀標准溶液和吸附指示劑確定終點的方法。
第四節 配位(絡合)滴定法
EDTA(二乙胺四乙酸)與金屬離子絡合的特點：幾乎全部、1：1關系、可在水中滴定、大多無色
影響絡合反應平衡因素：酸度增高，MY穩定性降低；其他絡合劑存在時也降低MY穩定性。
第5節 氧化還原滴定法
涉及電子轉移的反應叫氧化還原反應，獲得電子的物質稱氧化劑(電位高)，失去電子的物質稱還原劑。
氧化還原反應是否完全用平衡常數K，K值越大，反應進行越完全，不說明反應速度 。
指示劑三類：自身指示劑、特殊指示劑和氧化還原指示劑。
氧化還原滴定方法：
(一)、碘量法：1、直接碘量法：終點：過量一滴I與澱粉(KI液)生成藍色吸附物。碘本身淡黃色。
條件：只能在酸性、中性、弱鹼性進行。避免曝光和放置時間長(氧化)。
2、間接碘量法：只能在弱酸性、中性、弱鹼性進行，增大KI量。
(二)、溴量法：主要測定芳香胺類和酚類有機葯物。苯環上有羥基和氨基，鄰位和對位氫易溴代反應。
一般用定量的溴酸鉀與過量的溴化鉀產生新生態的溴來代替。提高溫度加快反應。
(三)、鈰量法：用鄰二氮菲亞鐵作指示劑 優點：Ce (SO ) ，穩定，長時、曝光、加熱不引起濃度變化 、在HCl下測定、大部分有機物不作用，特別適合糖漿劑、片劑等制劑測定。
(四)、高錳酸鉀法：自身指示劑 條件：強酸中進行(氧化能力強)、用H SO 調節酸度(無氧化還原性)
(五)、高碘酸鉀法：
(六)、亞硝酸鈉法：在鹽酸下與芳伯胺或芳仲胺化合物起重氮化反應。
條件：溫度不宜過高(防HNO 分解)，強酸，滴定不宜過快。
第六節 非水滴定法
鹼量法：以冰醋酸(或其他溶劑)為溶劑，高氯酸作滴定液、結晶紫為指示劑測定弱鹼性物質及鹽類。
酸量法：以甲醇鈉為滴定液、麝香草酚藍作指示劑，乙二胺等為溶劑滴定弱酸性物質及鹽類。
原理：1、溶劑的酸鹼性：弱酸性物質溶於鹼性溶劑時，可增強物質的相對酸度。
2、溶劑的離解性：溶劑的自身離解常數越大，突躍范圍越大，終點越敏銳。
3、溶劑的極性：溶劑在極性強的溶劑中，介電常數大，易離解，酸(鹼)強度大。
4、拉平效應與區分效應：水(拉平)、冰醋酸(區分)。
鹼的測定：高氯酸的冰醋酸溶液為滴定劑，鄰苯二甲酸氫鉀作基準物質。測定鹼性基團的葯物：
胺類、氨基酸類、含氮雜環、有機鹼的鹽、弱酸鹽。生物鹼、咖啡因、鹽酸麻黃鹼、撲爾敏。
酸的滴定：羧酸類：苯甲酸 酚類、苯酚：磺醯胺類、磺胺嘧啶。

⑤ 三種數據分析方法

首先，常見的數據分析方法有9種： 對比分析，多維度拆解分析，漏斗觀察 ，分布分析，用戶留存分析，用戶畫像，歸因查找，路徑挖掘，行為序列分析。

這里將重點展開分享前三種數據分析方法：  對比分析，多維度拆解分析，漏斗觀察。

1、對比分析 

對比分析是 最基礎最常見 的數據分析方法，能 直觀的看出事物某階段的變化，並且可以准確、量化地表達出這種變化/差距是多少 ，重點從「比什麼」「怎麼比」「跟誰比」三個維度進行分析。

（1）比什麼 

比什麼，分為絕對值（#）和比例值（%）的比較。

絕對值本身已是具備「價值」的數據，比如銷售金額2000元，閱讀數10000萬，單看數字不易得知問題的嚴重程度；

比例值只有在具體環境中看比例才具備對比價值 ，比如活躍佔比，注冊轉化率， 單看比例值容易受到極端值的影響。 

（2）怎麼比 

怎麼比，分為環比和同比。

常見的環比有日環比，月環比 ，是指 與當前時間范圍相鄰的上一個時間范圍對比 ，主要用於對短期內具備連續性的數據進行分析，如指標設定；

常見的同比有周同比，年同比 ，是指 與當前時間范圍上層時間范圍的前一范圍中同樣位置進行數據對比分析 ，主要用於觀察更長期的數據集，消除短期數據的干擾。

（3）和誰比 

和誰比，分為和自己比、和行業比。

和自己比 ，可以從不同的時間維度，不同的業務線，過往經驗估計，跟自己比較；

和行業比 ，可以觀察分析得出是自身因素，還是行業趨勢，比如都跌的時候，能否比同行跌的少？都漲的時候，能都比同行漲的快？ 

現在回到上面這條「飛豬公關數據」「放假消息公布以後，10點到12點，國內機票的預定量，比上周同時段增長超過50%；國際機票的增長更加驚人，超過了150%。」 

很顯然， 

「50%，150%」都是比例值； 

「比上周同時段增長...」由於是#五一放假4天#消息導致的數據短期內連續上漲，所以選擇的是周同比； 

「國內機票的預定…國際機票...」飛豬是在跟自己比，若有行業數據公布作為依據，可以判斷飛豬是比同行漲的快/慢。 

2、多維度拆解 

多維度拆解，是最重要的一種思維方式， 一個單一指標是不具備分析價值的，我們需要從多個維度進行拆解分析才有意義，最終以獲得更加全面的數據洞察。 

數據分析的本質是用不同的視角去拆分，觀察同一數據指標。多維度拆解的本質多維度拆分指標/業務流程，來觀察數據變動。 

多維度拆解的適用場景： 

（1） 分析單一指標的構成、比例時 ，比如分欄目的播放量、新老用戶比例；

（2） 針對流程進行拆解 ，比如不同渠道的瀏覽、購買轉化率，不同省份的活動參與漏斗；

（3） 還原行為發生時的場景 ，比如打賞主播的用戶的等級、性別、關注頻道，是否在WiFi或4G環境下。

現在回到第一個場景：「比如，某段時間公司做了一波網紅大V推廣，老闆想看看推廣效果，你需要來個復盤分析…」 

這時就需要用到多維度拆解分析方法，大致的分析思路這樣這樣： 

（1）從APP啟動事件來分析 

按照 設備類型 查看，比如Android、iPhone…不同機型的啟動情況；

按照 啟動來源 來看，比如是從桌面、簡訊、PUSH…不同來源的啟動情況；

按照 城市等級 觀察，比如一線、二線、三線及以下…不同城市的啟動情況；

按照 新老用戶 細分，比如總體、新用戶、老用戶...不同用戶群體的啟動情況。

（2）從業務流程拆解 

比如對於簡單的「注冊——>下單——>支付」流程而言：

支付漏斗按照 渠道 查看，渠道可能分為網路、頭條、微信公眾號…

支付漏斗按照 城市 來看，城市可能分為一線、二線、三線及以下…

支付漏斗按照 設備 來看，設備可能分為Android、iPhone…

3、漏斗觀察 

漏斗觀察的分析方法我們常見且熟悉，它的運作原理是 通過一連串向後影響的用戶行為來觀察目標。 

適用於有明確的業務流程和業務目標的業務，不適用於沒有明確的業務流程、跳轉關系紛繁復雜的業務。 

通過漏斗觀察核心業務流程的健康程度。 

盤點一下在建立漏斗時容易掉的坑： 

（1）首先漏斗觀察需要有一定的時間窗口 ，具體需要根據業務實際情況，選擇對應的時間窗口。 

按天觀察 ，適用於對用戶心智的影響只在短期內有效的情況，比如一些短期活動（當前有效，倒計時設置等）； 

按周觀察 ，適用於業務本身復雜，用戶決策成本高，需要跨日才能完成的情況，比如投資理財，開戶注資； 

按月觀察 ，適用於用戶決策周期更長的情況，比如裝修買房。 

（2）其次漏斗觀察是有嚴格順序的 ，不可以用ABCDE（僅搜索途徑的數據）的漏斗，看ACE（包含分類、搜索、推薦位三條途徑的數據）的數據 。

（3）漏斗的計算單位可以基於用戶，也可以基於時間。

觀察用戶，是關心整個業務流程的推動；

觀察事件，是關心某一步具體的轉化率，但無法獲知事件流轉的真實情況。

（4）結果指標的數據不符合預期時，需要自查是否只有一個漏斗能夠觸達最終目標 ，也就是檢查下，是否出現第二個坑的情況。

四、案例分享——某款社交APP在國慶期間數據猛漲原因分析

場景是這樣，現在有一款匿名社交APP，類似於探探，數據范圍在 2018 年 9 月 1 日 - 10 月 14 日之間，其中在國慶期間數據猛漲，試分析其原因。

（1）首先定義「數據猛漲」

作為一款匿名社交產品，可以選擇觀察「注冊成功」事件。

由於產生行為數據的時間較短，所以最後選擇關注「注冊用戶數的日環比是否有比較大的增漲」，並按照「注冊成功」事件的「觸發用戶數」進行查看：

（2）發現異常定位問題

從上面這張注冊成功的觸發用戶數折線圖可以看出，國慶期間的注冊用戶日環比存在較高的數據增長差，就是折線右側出現的一段高峰。

由此判斷，國慶期間由於某種原因造成了注冊用戶數的大幅增長，具體原因，待進一步拆解分析。

（3）多維度拆解分析

按照操作系統區分觀察，可以發現Android的漲幅明顯高於iOS，iOS稍有漲幅，但漲幅不明顯。

這一步仍無法直接定位問題，需進一步拆解分析。

上圖 按照注冊方式觀察 ，微信、微博、手機號這三種注冊方式，在國慶期間均有漲幅且漲幅相似，可初步判斷注冊方式與此次數據異常無關。

上圖 按照性別觀察 ，男生和女生在國慶期間均有漲幅，男生略高於女生，但仍無法直接定位問題，需進一步拆解分析；

上圖 按照年齡觀察 ，不同年齡層的用戶在國慶期間均有漲幅且漲幅相似，可初步判斷年齡與此次數據異常無關。

問題來了！按照省份觀察 ，上圖明顯看到有一根折現異常升高！

其實是海南省的日環比漲幅增高，除此之外，雲南省的環比漲幅相較其他省份也明顯升高。

綜上觀察分析基本可以判斷，國慶期間數據猛漲，跟海南省、雲南省的注冊用戶數大幅增長有關，具體原因待進一步拆解分析。

繼續 按照城市觀察 ，篩選條件設置為省份等於海南省，雲南省，直觀看到麗江市、大理市、三亞市、海口市國慶期間數據猛漲。

綜合以上多維度分析發現，國慶期間數據猛漲，主要是由於 麗江市、大理市、三亞市、海口市 四個城市有明顯漲幅。

而這四個城市都屬於旅遊城市，且數據增長時期伴隨國慶假期。

於是猜測可能是，該款匿名社交產品在國慶期間，面向這四個熱門旅遊目的地，做了推廣活動，關於數據猛漲真實的具體原因，還需要與市場、運營、或負責增長相關的同事溝通確認。