数据分析软件的方法与技巧

1. 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。

2. 数据分析的分析方法有哪些

数据分析的分析方法有：

1、列表法

将数据按一定规律用列表方式表达出来，是记录和处理最常用的方法。表格的设计要求对应关系清楚，简单明了，有利于发现相关量之间的相关关系；此外还要求在标题栏中注明各个量的名称、符号、数量级和单位等：根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。

2、作图法

作图法可以最醒目地表达各个物理量间的变化关系。从图线上可以简便求出实验需要的某些结果，还可以把某些复杂的函数关系，通过一定的变换用图形表示出来。

图表和图形的生成方式主要有两种：手动制表和用程序自动生成，其中用程序制表是通过相应的软件，例如SPSS、Excel、MATLAB等。将调查的数据输入程序中，通过对这些软件进行操作，得出最后结果，结果可以用图表或者图形的方式表现出来。

图形和图表可以直接反映出调研结果，这样大大节省了设计师的时间，帮助设计者们更好地分析和预测市场所需要的产品，为进一步的设计做铺垫。同时这些分析形式也运用在产品销售统计中，这样可以直观地给出最近的产品销售情况，并可以及时地分析和预测未来的市场销售情况等。所以数据分析法在工业设计中运用非常广泛，而且是极为重要的。

(2)数据分析软件的方法与技巧扩展阅读：

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。

3. 数据分析的方法

数据分析通常包括以下几个步骤：

• 数据收集：获取需要分析的数据，可以是从各种数据源收集数据或者自己采集数据。

• 数据清洗：对数据进行清理和整理，包括去除重复数据、缺失数据、异常数据、格式转换等操作，使数据能够被更好地分析和利用。

• 数据探索：对数据进行可视化展示和统计分析，探索数据的分布、特征、关系和趋势等。

• 数据建模：根据数据分析的结果，利用统计学方法或机器学习算法构建模型，用于预测和分析未来的数据情况。

• 数据解释：将数据分析的结果进行解释和应用，为决策提供支持和参考。

而对于更具体的数据分析方法，我将依次列举：

• 描述性统计：用于描述数据的分布、中心位置、离散程度和对称性等特征。常用的描述性统计方法包括均值、中位数、标准差、偏度、峰度等。

• 假设检验：用于检验某个假链旦设是否成立，例如检验两组数据之间的差异是否显着。常用的假设检验方法包括t检验、ANOVA分析、卡方检验等。

• 相关分析：用于分析两个或多个变量之间的关系。常用的相关分析方法包括皮尔逊相关系数、斯皮尔曼相关系数、卡方检验等。

• 回归分析：用于研究一个或多个自变量与一个因变量之间的关系。常用的回归分析方法包括线性回归、逻辑回归、多元回归等。

• 聚类分析：用于将数据集中的样本划分为若干个互不重叠的子集，每个子集内部的样本相似度较高，不同子集之间的样本相似度较低。常用的聚类分析方法包括K均值聚类、层次聚类等。

• 分类分析：用于根据已知样本的特征，对未知样本进行分类。常用的分类分析方法包括决策树、支持向量机、朴素贝叶斯等。

• 时间序列分析：用于研究时间序列数据的规律和趋势，常用于经济、金融和股市等领域。常用的时间序列分析方法包括ARIMA模型、指数平滑模型、神经网络模型等。

以上是常见的数据分析方法