三种分析方法的原理应用

① 简述电位分析法的原理,分类及应用

电化学分析法
电位分析法
直接电位法
电位滴定法
库仑分析法
控制电位库仑分析法
恒电流库仑滴定法
伏安分析法
极谱分析法
将化学反应转变为电能的装置。锌电极插入ZnSO4溶液，
同电极插入CuSO4溶液

② 数据分析必读干货：简单而实用的3大分析方法

导读：数据分析师需要哪些“专业技能”？如果有人建议你去学习R语言、tableau、PowerBI，那么我建议你不如先从最基础也是最核心的数据分析方法学起。

在一家年销售不到10亿的电商公司（行业中大部分电商企业年销售可能都不到1个亿），你只要掌握一些基础的数据分析方法，再配合Excel表格，就足够你完成各种数据化运营工作了。

本文主要讲解日常数据分析中，最常用的三大数据分析方法 。内容虽然简单，但是其中充满了大量的细节方面的实用技巧。

01 对比

对比是所有数据分析方法中最基础，也是大家耳熟能详的一个。俗话说，无对比，不分析。说的就是对比分析法了。

在实际分析场景中，对比有不同的应用维度。比如有环比、同比、横比、纵比、绝对值对比，相对值对比等。下面我们分别解释一下它们的不同应用场景。

1. 绝对值对比与相对值对比

从概念上而言，绝对值包含正数、负数和零值。在电商数据分析中，一般是指正数之间的对比较多，如销售额、退货额等；相对值对比，则是指转化率、完成率等这类相对数之间的对比。

2. 环比

环比是指统计周期内的数据与上期数据的比较，比如2017年6月数据与2017年5月数据的比较。

在电商数据分析中，由于每个自然月之间的销售差额比较大，如果采用绝对指标，便很难通过对比观察到业务的变化。

因此，一般会采用相对指标来做环比分析，如2017年6月的销售达标率是102%，2017年5月的销售达标率是96%；这样便很容易知道两个月度之间转化率的好坏优劣了。然而，如果我们用绝对值来对比：2017年6月销售额500万，2017年5月销售额300万，这样的对比便很难判断究竟哪个月的销售额完成得更好。

3. 同比

同比是指统计周期内数据与去年同期数据之间的对比，比如2017年6月销售额是500万，2016年6月销售额是450万，同比增加11.1%。

在电商分析中，同比是应用最广泛的数据分析方法。通过同比，我们能大致判断店铺的运营能力在最近一年中，是保持增长还是呈下滑趋势。

同时，也可以根据同比增长趋势，来制订初步的销售计划。如表3-4所示，假设现在店铺流量同比下降8%（流量下降是平台趋势），客单价保持不变的情况下，要想实现店铺销售业绩的上升，唯有提升转化率。

因此，我们通过表3-4的模拟推算，可以得知，当转化率提升21%，到达0.35%时（0.35%转化率被认为是行业的平均值），业绩会提升11%。

▼表3-4 店铺销售计划推算模拟表

4. 横向对比与纵向对比

所谓横向对比与纵向对比，是指空间与时间两个不同的维度之间的对比。横向对比是空间维度的对比，指同类型的不同对象在统一的标准下进行的数据对比。如“本店”与“竞品”之间的对比；纵向对比是时间维度的对比，指同一对象在不同时间轴上的对比。如前面提到的“同比”“环比”都是纵向对比。

5. 份额

严格地说，“份额”属于横向对比的一种。由于在实际分析场景中它经常会被忽略，因此单独罗列出来，加以说明。

在某些情况下，数据表格中多一个“份额”，会让表格清晰明了许多。

如表3-5所示，假设我们要分析“某品牌天猫、京东、唯品会三大渠道”的“上衣、下衣、连衣裙和其他”在“Q1～Q4季度”的销售趋势和表现。常规的分析方法是，按照表1的表格结构，将各种数据有层次地展现出来。这时，所有的销售数据在表格中可以层次分明地一览无余。

▼表3-5 以份额处理的数据表格

但是，如表1这般的数据却不能直观告诉我们每个销售类别在不同渠道和不同季度的销售趋势是什么。因此，在数据分析中便需要加入表2这样的“份额”分析表格。如此，我们便可一目了然地掌握每个类别在不同渠道、不同时期的销售趋势。因此也就达到了数据分析的目的。

很多数据分析师往往只是完成了“表1”的分析步骤，却缺少临门一脚，没有把“表2”也同步呈现出来。

02 细分

细分，是一种从概念上理解非常容易，但实际应用起来却很难的分析方法。

细分分析法，常用于为分析对象找到更深层次的问题根源。难点在于我们要理解从哪个角度进行“细分”与“深挖”才能达到分析目的。就好像高中课程中解几何题一样，如果找对了“解题思路”，问题就迎刃而解；如果“解题思路”错了，劳心费力不说，问题还解决不了。

在实际应用中，细分有许多不同的方法，就如同我们在解题时，有各种不同的“解题思路”一样。有时候，面对同一个问题，两个不同的解题思路都可以达到解题的目的；但更多时候，只有唯一正确的解题思路才可以正确地解题。所以，在分析之前，选择正确的‘细分’方法便非常重要。

下面，我们就具体来看一下，在细分分析中，有哪些解题思路。

1. 分类分析

就是指对所有需要被分析到的数据单元，按照某种标准打上标签，再根据标签进行分类，然后使用汇总或者对比的方法来进行分析。

在服装行业中，常用于做分类分析的标签有“类目”“价格带”“折扣带”“年份”“季节”等。

通过从“年份”“季节”的维度来对商品库存进行细分，我们可以轻松地知道有多少货属于“库存”，有多少货属于“适销品”；

通过从“折扣带”的维度来对销售流水进行细分，我们可以大致知道店铺的盈利情况；

通过从“类目”的维度对销售流水和库存同时进行细分，我们可以知道统计周期内品类的销售动态与库存满足度。

2. 人—货—场

“人—货—场”能够为人提供宏观视野的分析。其原理类似于分类分析，即将所有需要被分析到的数据单元，打上“人”“货”“场”的标签，然后再进行相应的数据分析与处理。

在实际应用场景中，“人—货—场”分析法往往被灵活运用在初步诊断某一竞品店铺时。

如图3-3所示是利用“人—货—场”逻辑方法来分析竞品店铺的主流思路。在分析之前，先把“解题思路”用“人—货—场”的方式罗列出来，把所有能够想到的有用的“分支”都罗列出来，然后查漏补缺、标注重要与非重要。最后，再按此“解题思路”来进行分析。便可达到事半功倍的分析效果。

▲图3-3 利用“人—货—场”细分方法初步分析竞品店铺

3. 杜邦分析法

细分分析方法中，还有一种知名的分析方法，叫“杜邦分析法”。在电商数据分析中，杜邦分析也是常被使用的分析方法之一。

网络中对杜邦分析的解释是：“杜邦分析法（DuPont Analysis）是利用几种主要财务比率之间的关系来综合分析企业的财务状况。具体来说，它是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。”由此可见，杜邦分析主要是用于企业的财务分析之中。

但是在电商中，杜邦分析常被用于寻找销售变化的细小因素之中。如图3-4所示，便是根据杜邦分析原理，将所有影响到销售额的量化指标都统计出来的一种常用分析方法。此种方法，有助于我们从细小的数据颗粒中找到影响销售变化的元素。

▲图3-4 销售变化的原因分析

03 转化

转化分析是电商、游戏等互联网行业的特定分析方法，在传统行业的零售分析中并不常见。转化分析常用于页面跳转分析、用户流失分析等业务场景。

转化分析的表现形式一般是选用漏斗模型，如图3-5所示，便是模拟了某电商店铺的流量转化情况，并以漏斗图的形式展现出来。

▲图3-5 电商常见的流量转化漏斗图

这张图模拟了从店铺的浏览商品人数到加购人数，然后生成订单、支付订单，直到最后支付成功的漏斗示意图。

从图3-5的示例中，反推“转化”分析方法，我们应该得到以下结论：

转化分析方法的前提，是我们需要首先确定一条“转化路径”（如图3-5左侧的路径所示），这条路径就是我们的“解题方法”，是决定我们接下来的分析能否达成目标的重要因素。

当“转化路径”确定后，我们需要把“路径”中的各个“节点”罗列出来，并把节点下的重要数据统计出来。

最后，根据路径把各节点的数据用漏斗图的形式表达出来。

同时，转化分析还可用于店铺微观方面的“转化”洞察。譬如在某一次店铺举行大促活动时，我们需要分析大促期间“活动二级页”的流量转化效果如何。此时，我们便可以参照如图3-6所示的漏斗模型。

▲图3-6 活动页效果分析的漏斗图

在以上案例中，我们将转化路径定义为“活动页→详情页→支付页面（下单）→支付成功（购买）”四个节点。然后统计每个页面的流量到达数量，于是得出如图3-6所示的漏斗图。

通过此图，可以清晰明确地诊断出此次活动二级页在“下单→付款”环节转化率仅40%，存在一定问题。在支付界面的流量跳失，很可能是价格过高所致。

本文摘编自《电商数据分析与数据化运营》，经出版方授权发布。

③ 三种定量分析方法

三种定量分析方法如下：

一、比率分析法

根据不同数据做对比，得出比率。它是财务分析的基本方法百，也是定量分析的主要方法。比率分析法是以同一期财务报表上若干重要项目的相关数据相互比较，求出比率，用以分析和评价公司的经营活动以及公司目前和历史状况的一种方法，是财务分析最基本的工具。

趋势分析法是将不同时期数据中的相同指标或比率进行比较，直接观察其增减变动情况及变动幅度，考查其发展趋势，预测其发展前景。它是基于应用事物时间发展的延续性原理来预测事物发展趋势的。

三、数学模型法

建造适合某一指标的数学模型来观察指标的变化。通过经济指标的相互比较来揭示经济指标之间的数量差异，既可以是本期同上期的纵向比较，也可以是同行业不同企业之间的横向比较，还可以与标准值进行比较。通过比较找出差距，进而分析形成差距的原因。

④ 重量分析法在药物分析中的应用

重量分析法
重量分析法：以质量为测量值的分析方法。将被测组分与其他分离，称重计算含量。精确到0.1-0.2 %
对低含量组分测定误差较大，尽量避免用。水分测定，药品中水中不溶物、炽灼残渣、灰分仍用。
一、挥发法：利用被测组分具有挥发性或将其转化为挥发性物质，称取挥发前后挥发性物质算含量。
1、 直接挥发法：测吸收剂增加的量
2、 间接挥发法：测样品所减少的量
二、萃取法：(提取重量法)用互不相容的溶剂萃取后称重，适用于有机药物的测定。
三、沉淀法：沉淀形式-称量形式
步骤：取样-溶解-加沉淀剂使其沉淀-过滤-洗涤-干燥(或炽灼)-至垣重-称量-计算
重量分析法对沉淀形式要求：沉淀溶解度小，要纯净，易于过滤和洗涤，易于转化为称量形式。
重量分析法对称量形式要求：称量形式的组成应固定，化学稳定性高，分子量要大。
1、 沉淀形成的过程包括晶核的生长和沉淀微粒的生长两个过程。
2、 影响沉淀溶解度的因素： 沉淀溶解损失不3、 超过0.2mg 不4、 影响。
(1)同离子效应：当沉淀反应达到平衡后，向溶液中加入过量的沉淀剂，则构晶离子(与沉淀组分相同的离子)浓度增大，使沉淀的溶解度降低的效应，称为同离子效应。
加入沉淀剂一般过量，易挥发过量50-100%，不挥发过量20-30% 。
(2)盐效应：由于强电解质的存在而引起沉淀溶解度增大的现象，称盐效应。
(3)酸效应：溶液的酸度对沉淀溶解度的影响称酸效应。 对弱酸盐影响较大。
(4)络合反应：进行沉淀反应时，若溶液中存在有能与构晶离子生成可溶性络合物的络合剂时，则会使沉淀溶解度增大，甚至不产生沉淀，这种现象称络合效应。
5、 影响沉淀纯度的因素：
(1)共沉淀：产生原因有表面吸附(主要)、形成混晶、包埋或吸留(不能清洗除去，重结晶陈化)
(2)后沉淀：放置过程中沉淀吸出。
第二节 酸碱滴定法
酸碱滴定法：利用酸和碱在水中以质子转移反应为基础的滴定分析方法。
(1) 强酸滴定强碱： 如NaOH滴定HCl
一般浓度以0.1000mol /l ，突跃范围4.3-9.7，指示剂 ：酚酞、甲基红、甲基橙
(二)强碱滴定弱酸： 如NaOH滴定HAc，突跃范围PH 7.74-9.7 ，计量点PH8.72 。选碱性范围指示剂酚酞、百里酚酞。不能用酸性指示剂甲基红，甲基橙。
(三)强酸滴定弱碱：HCl 滴定NH .H O ，PH6.24-4.3 ，计量点PH5.28 ，选甲基红、溴甲酚绿 。
(四)强碱滴定多元酸：两个计量点，用甲基橙和酚酞的混合指示剂。
第3节 沉淀滴定法
沉淀反应必须定量、迅速、有指示剂确定终点、吸附现象不妨碍终点。生成难溶性银盐的反应。
银量法：利用AgNO 为标准溶液的沉淀滴定法。按所用指示剂不同分：
1、 铬酸钾法(MoHr法)：在中性溶液中，2、 加入K CrO (1ml)作指3、 示剂，4、 用AgNO 标5、 准液滴定 。
滴定条件：指示剂用量适当、酸度不过低过高、剧烈振摇、不宜测定I 和SCN、除去干扰离子。
6、 铁矾指7、 示剂法(Volhard法)：用NH SCN为标8、 准溶液，9、 Fe为指10、 示剂，11、 在硝酸酸性液中测定。
滴定条件：被测物Cl时，注意沉淀转化（过滤、加有机溶剂、用高浓度Fe指示）、强酸中
三、吸附指示剂法（Fajans法）：用硝酸银标准溶液和吸附指示剂确定终点的方法。
第四节 配位(络合)滴定法
EDTA(二乙胺四乙酸)与金属离子络合的特点：几乎全部、1：1关系、可在水中滴定、大多无色
影响络合反应平衡因素：酸度增高，MY稳定性降低；其他络合剂存在时也降低MY稳定性。
第5节 氧化还原滴定法
涉及电子转移的反应叫氧化还原反应，获得电子的物质称氧化剂(电位高)，失去电子的物质称还原剂。
氧化还原反应是否完全用平衡常数K，K值越大，反应进行越完全，不说明反应速度 。
指示剂三类：自身指示剂、特殊指示剂和氧化还原指示剂。
氧化还原滴定方法：
(一)、碘量法：1、直接碘量法：终点：过量一滴I与淀粉(KI液)生成蓝色吸附物。碘本身淡黄色。
条件：只能在酸性、中性、弱碱性进行。避免曝光和放置时间长(氧化)。
2、间接碘量法：只能在弱酸性、中性、弱碱性进行，增大KI量。
(二)、溴量法：主要测定芳香胺类和酚类有机药物。苯环上有羟基和氨基，邻位和对位氢易溴代反应。
一般用定量的溴酸钾与过量的溴化钾产生新生态的溴来代替。提高温度加快反应。
(三)、铈量法：用邻二氮菲亚铁作指示剂 优点：Ce (SO ) ，稳定，长时、曝光、加热不引起浓度变化 、在HCl下测定、大部分有机物不作用，特别适合糖浆剂、片剂等制剂测定。
(四)、高锰酸钾法：自身指示剂 条件：强酸中进行(氧化能力强)、用H SO 调节酸度(无氧化还原性)
(五)、高碘酸钾法：
(六)、亚硝酸钠法：在盐酸下与芳伯胺或芳仲胺化合物起重氮化反应。
条件：温度不宜过高(防HNO 分解)，强酸，滴定不宜过快。
第六节 非水滴定法
碱量法：以冰醋酸(或其他溶剂)为溶剂，高氯酸作滴定液、结晶紫为指示剂测定弱碱性物质及盐类。
酸量法：以甲醇钠为滴定液、麝香草酚蓝作指示剂，乙二胺等为溶剂滴定弱酸性物质及盐类。
原理：1、溶剂的酸碱性：弱酸性物质溶于碱性溶剂时，可增强物质的相对酸度。
2、溶剂的离解性：溶剂的自身离解常数越大，突跃范围越大，终点越敏锐。
3、溶剂的极性：溶剂在极性强的溶剂中，介电常数大，易离解，酸(碱)强度大。
4、拉平效应与区分效应：水(拉平)、冰醋酸(区分)。
碱的测定：高氯酸的冰醋酸溶液为滴定剂，邻苯二甲酸氢钾作基准物质。测定碱性基团的药物：
胺类、氨基酸类、含氮杂环、有机碱的盐、弱酸盐。生物碱、咖啡因、盐酸麻黄碱、扑尔敏。
酸的滴定：羧酸类：苯甲酸 酚类、苯酚：磺酰胺类、磺胺嘧啶。

⑤ 三种数据分析方法

首先，常见的数据分析方法有9种： 对比分析，多维度拆解分析，漏斗观察 ，分布分析，用户留存分析，用户画像，归因查找，路径挖掘，行为序列分析。

这里将重点展开分享前三种数据分析方法：  对比分析，多维度拆解分析，漏斗观察。

1、对比分析 

对比分析是 最基础最常见 的数据分析方法，能 直观的看出事物某阶段的变化，并且可以准确、量化地表达出这种变化/差距是多少 ，重点从“比什么”“怎么比”“跟谁比”三个维度进行分析。

（1）比什么 

比什么，分为绝对值（#）和比例值（%）的比较。

绝对值本身已是具备“价值”的数据，比如销售金额2000元，阅读数10000万，单看数字不易得知问题的严重程度；

比例值只有在具体环境中看比例才具备对比价值 ，比如活跃占比，注册转化率， 单看比例值容易受到极端值的影响。 

（2）怎么比 

怎么比，分为环比和同比。

常见的环比有日环比，月环比 ，是指 与当前时间范围相邻的上一个时间范围对比 ，主要用于对短期内具备连续性的数据进行分析，如指标设定；

常见的同比有周同比，年同比 ，是指 与当前时间范围上层时间范围的前一范围中同样位置进行数据对比分析 ，主要用于观察更长期的数据集，消除短期数据的干扰。

（3）和谁比 

和谁比，分为和自己比、和行业比。

和自己比 ，可以从不同的时间维度，不同的业务线，过往经验估计，跟自己比较；

和行业比 ，可以观察分析得出是自身因素，还是行业趋势，比如都跌的时候，能否比同行跌的少？都涨的时候，能都比同行涨的快？ 

现在回到上面这条“飞猪公关数据”“放假消息公布以后，10点到12点，国内机票的预定量，比上周同时段增长超过50%；国际机票的增长更加惊人，超过了150%。” 

很显然， 

“50%，150%”都是比例值； 

“比上周同时段增长...”由于是#五一放假4天#消息导致的数据短期内连续上涨，所以选择的是周同比； 

“国内机票的预定…国际机票...”飞猪是在跟自己比，若有行业数据公布作为依据，可以判断飞猪是比同行涨的快/慢。 

2、多维度拆解 

多维度拆解，是最重要的一种思维方式， 一个单一指标是不具备分析价值的，我们需要从多个维度进行拆解分析才有意义，最终以获得更加全面的数据洞察。 

数据分析的本质是用不同的视角去拆分，观察同一数据指标。多维度拆解的本质多维度拆分指标/业务流程，来观察数据变动。 

多维度拆解的适用场景： 

（1） 分析单一指标的构成、比例时 ，比如分栏目的播放量、新老用户比例；

（2） 针对流程进行拆解 ，比如不同渠道的浏览、购买转化率，不同省份的活动参与漏斗；

（3） 还原行为发生时的场景 ，比如打赏主播的用户的等级、性别、关注频道，是否在WiFi或4G环境下。

现在回到第一个场景：“比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析…” 

这时就需要用到多维度拆解分析方法，大致的分析思路这样这样： 

（1）从APP启动事件来分析 

按照 设备类型 查看，比如Android、iPhone…不同机型的启动情况；

按照 启动来源 来看，比如是从桌面、短信、PUSH…不同来源的启动情况；

按照 城市等级 观察，比如一线、二线、三线及以下…不同城市的启动情况；

按照 新老用户 细分，比如总体、新用户、老用户...不同用户群体的启动情况。

（2）从业务流程拆解 

比如对于简单的“注册——>下单——>支付”流程而言：

支付漏斗按照 渠道 查看，渠道可能分为网络、头条、微信公众号…

支付漏斗按照 城市 来看，城市可能分为一线、二线、三线及以下…

支付漏斗按照 设备 来看，设备可能分为Android、iPhone…

3、漏斗观察 

漏斗观察的分析方法我们常见且熟悉，它的运作原理是 通过一连串向后影响的用户行为来观察目标。 

适用于有明确的业务流程和业务目标的业务，不适用于没有明确的业务流程、跳转关系纷繁复杂的业务。 

通过漏斗观察核心业务流程的健康程度。 

盘点一下在建立漏斗时容易掉的坑： 

（1）首先漏斗观察需要有一定的时间窗口 ，具体需要根据业务实际情况，选择对应的时间窗口。 

按天观察 ，适用于对用户心智的影响只在短期内有效的情况，比如一些短期活动（当前有效，倒计时设置等）； 

按周观察 ，适用于业务本身复杂，用户决策成本高，需要跨日才能完成的情况，比如投资理财，开户注资； 

按月观察 ，适用于用户决策周期更长的情况，比如装修买房。 

（2）其次漏斗观察是有严格顺序的 ，不可以用ABCDE（仅搜索途径的数据）的漏斗，看ACE（包含分类、搜索、推荐位三条途径的数据）的数据 。

（3）漏斗的计算单位可以基于用户，也可以基于时间。

观察用户，是关心整个业务流程的推动；

观察事件，是关心某一步具体的转化率，但无法获知事件流转的真实情况。

（4）结果指标的数据不符合预期时，需要自查是否只有一个漏斗能够触达最终目标 ，也就是检查下，是否出现第二个坑的情况。

四、案例分享——某款社交APP在国庆期间数据猛涨原因分析

场景是这样，现在有一款匿名社交APP，类似于探探，数据范围在 2018 年 9 月 1 日 - 10 月 14 日之间，其中在国庆期间数据猛涨，试分析其原因。

（1）首先定义“数据猛涨”

作为一款匿名社交产品，可以选择观察“注册成功”事件。

由于产生行为数据的时间较短，所以最后选择关注“注册用户数的日环比是否有比较大的增涨”，并按照“注册成功”事件的“触发用户数”进行查看：

（2）发现异常定位问题

从上面这张注册成功的触发用户数折线图可以看出，国庆期间的注册用户日环比存在较高的数据增长差，就是折线右侧出现的一段高峰。

由此判断，国庆期间由于某种原因造成了注册用户数的大幅增长，具体原因，待进一步拆解分析。

（3）多维度拆解分析

按照操作系统区分观察，可以发现Android的涨幅明显高于iOS，iOS稍有涨幅，但涨幅不明显。

这一步仍无法直接定位问题，需进一步拆解分析。

上图 按照注册方式观察 ，微信、微博、手机号这三种注册方式，在国庆期间均有涨幅且涨幅相似，可初步判断注册方式与此次数据异常无关。

上图 按照性别观察 ，男生和女生在国庆期间均有涨幅，男生略高于女生，但仍无法直接定位问题，需进一步拆解分析；

上图 按照年龄观察 ，不同年龄层的用户在国庆期间均有涨幅且涨幅相似，可初步判断年龄与此次数据异常无关。

问题来了！按照省份观察 ，上图明显看到有一根折现异常升高！

其实是海南省的日环比涨幅增高，除此之外，云南省的环比涨幅相较其他省份也明显升高。

综上观察分析基本可以判断，国庆期间数据猛涨，跟海南省、云南省的注册用户数大幅增长有关，具体原因待进一步拆解分析。

继续 按照城市观察 ，筛选条件设置为省份等于海南省，云南省，直观看到丽江市、大理市、三亚市、海口市国庆期间数据猛涨。

综合以上多维度分析发现，国庆期间数据猛涨，主要是由于 丽江市、大理市、三亚市、海口市 四个城市有明显涨幅。

而这四个城市都属于旅游城市，且数据增长时期伴随国庆假期。

于是猜测可能是，该款匿名社交产品在国庆期间，面向这四个热门旅游目的地，做了推广活动，关于数据猛涨真实的具体原因，还需要与市场、运营、或负责增长相关的同事沟通确认。