数据分析-PART2--10大数据分析模型_数据分析里的referral是什么

• 数据分析-PART0--数据分析综合
• 数据分析-PART1--数据获取和步骤
• 数据分析-PART2--10大数据分析模型
• 数据分析-PART3--数据分析常用指标
• 数据分析-PART4--数据分析方法
• 数据分析-PART5--数据分析可视化
• 数据分析-PART6--数据分析能力培养
• 数据分析-PART 7--数据分析工具网站书籍

一、数据分析模型

要进行一次完整的数据分析，首先要明确数据分析思路，如从那几个方面开展数据分析，各方面都包含什么内容或指标。是分析框架，给出分析工作的宏观框架，根据框架中包含的内容，再运用具体的分析方法进行分析。

数据分析方法论的作用：

• 理顺分析思路，确保数据分析结构体系化
• 把问题分解成相关联的部分，并显示他们的关系
• 为后续数据分析的开展指引方向
• 确保分析结果的有效性和正确性

二、九大数据分析模型

1.PEST分析模型：主要用于行业分析。

1、政治环境：

包括一个国家的社会制度，执政党性质，政府的方针、政策、法令等。不同的政治环境对行业发展有不同的影响。

• 关键指标：政治体制，经济体制，财政政策，税收政策，产业政策，投资政策，专利数量，国防开支水平，政府补贴水平，民众对政治的参与度。

2、经济环境：

宏观和微观两个方面。

宏观：一个国家国民收入，国民生产总值以及变化情况，以通过这些指标反应国民经济发展水平和发展速度。

微观：企业所在地区的消费者收入水平、消费偏好、储蓄情况、就业程度等因素，这些因素决定着企业目前以及未来的市场大小。

• 关键指标：GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。

3、社会环境：

包括一个国家或地区的居民受教育程度和文化水平、宗教信仰、风俗习惯、审美观点、价值观等。文化水平营销居民的需求层次，宗教信仰和风俗习惯会禁止或抵制某些活动的进行，价值观会影响居民对组织目标和组织活动存在本身的认可，审美观点则会影响人们对组织活动内容、活动方式以及活动成果的态度。

• 关键指标：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。

4、技术环境：

企业所处领域直接相关的技术手段发展变化，国家队科技开发的投资和支持重点，该领域技术发展动态和研究开发费用总额，技术转移和技术商品化速度，专利及其保护情况。

• 关键指标：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况。

2.5W2H分析模型

5W2H分析法主要针对5个W以及2个H提出的7个关键词进行数据指标的选取，根据选取的数据进行分析。

3.逻辑树分析模型

将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。

把一个已知问题当作树干，考虑这个问题和哪些问题有关，将相关的问题作为树枝加入到树干，一次类推，就会将问题扩展成一个问题树。

逻辑树能保证解决问题的过程完整性，将工作细化成便于操作的具体任务，确定各部分优先顺序，明确责任到个人。

逻辑树分析法三原则：

• 要素化：把相同问题总结归纳成要素
• 框架化：将各个要素组成框架，遵守不重不漏原则
• 关联化：框架内的各要素保持必要的相互关系，简单而不孤立

4.4P营销理论模型

产品：

能提供给市场，被人们使用和消费并满足人们某种需求的任何东西，包括有形产品、服务、人员、组织、观念和它们的组合。

价格：

购买产品时的价格，包括基本价格、折扣价格、支付期限等。影响价格的主要因素有需求、成本和竞争。

渠道：

产品从生产企业流转到用户手上全过程所经历的各个环节。

促销：

企业通过销售行为的改变来激励用户消费，以短期的行为促进消费的增长，吸引其他品牌用户或导致提钱消费来促进销售增长。

5.用户行为模型

用户行为指用户为获取、使用产品或服务才去的各种行动，首先要认知熟悉，然后试用，再决定是否继续消费使用，最后成为产品或服务的忠实用户。

行为轨迹：认知->熟悉->试用->使用->忠诚

6.AARRR模型

这个是所有的产品经理都必须要掌握的一个数据分析模型。

AARRR（Acquisition、Activation、Retention、Revenue、Referral）是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

比如游戏AARRR各阶段指标

1.A（How do users find us?）
 
DNU(日新注册且登陆用户数)、推广渠道监测（成本、流量）
 
2.A（Do users have a great first experience?）
 
DAU（每日登陆过游戏用户数）、日均使用时长、道具关联分析模型
 
3.R（Do users come back?）
 
留存率（次日留存、7日留存、21日留存、30留存）、流失率、流失预警分析模型
 
4.R（How do you make money?）
 
PR（付费率）、 ARPU（平均每用户收入）、ARPPU（平均每付费用户收入））、LTV（生命周期价值）
 
5.R（Do users tell others?）
 
K-factor、NPS等

举个例子，用AARRR模型来衡量一个渠道的好坏。

如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

高流量≠高转化

误区：只关心最后一步转化

转化率提升≠用户体验提升

提升转化四步曲：正确的用户→流程的体验→最佳转化路径→复购与增购

业务的了解和用户的了解，才是提高转化率本事。

7、漏斗分析模型

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中（流量监控、产品目标转化等日常数据运营工作中）。之所以称为漏斗，就是因为用户（或者流量）集中从某个功能点进入（这是可以根据业务需求来自行设定的），可能会通过产品本身设定的流程完成操作。

对于我们要做的就是对按照流程操作的用户进行各个转化层级上的监控，寻找每个层级的可优化点；对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间。运用漏斗模型比较典型的案例就是电商网站的转化，用户在选购商品的时候必然会按照预先设计好的购买流程进行下单，最终完成支付。如果没有整个业务流程的梳理，就不会有这种漏斗模型的产出，更别说去查找每个步骤出现用户流失的问题了。

当然有些时候也要做一些竞品分析，对于同行业同类数据的转化情况做到心中有数。尽可能降低用户流失是我们的目标，但是如果可以做到不低于行业平均水准同时资源有限的话，降低这个转化漏斗的用户流失就需要被放置较低的优先级里。

还有一些比较经典的漏斗转化模型就是用于用户注册流程上：我们需要知道多少用户点击了注册按钮（漏斗的开端），多少用户完成了信息填写（多少用户放弃填写），多少用户点击发送验证码按钮（验证码到达率），成功完成注册的人数。如果一旦在运营过程中发现某一天的注册用户数出现波动，那么除了去查一下市场渠道及广告投放，产品本身的注册功能也是可能出现这个问题的重要因素。

对于产品的非功能页面，比如某个活动页，公司简介页等等，用户可能不会按照我们既定的流程到达，那么就要根据实际的目标来确认是否有讲这类非功能页面的转化流程做优化的必要性。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%；浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

8、交叉分析法

通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。

举个例子：

a. 交叉分析角度：客户端+时间

从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

那接下来要分析下为什么Android端二季度新增用户数据在下降呢？一般这个时候，会加入渠道维度。

b. 交叉分析角度：客户端+时间+渠道

从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

9、A/B测试

A/B测试就是通过数据支撑，不同渠道、不同人群、最终选定方案。

A/B测试需要有一定的数据支撑，建立准确性与效率高的框架，比如针对不同渠道、用户分群发布、灰度发布等来得出合适方案,这里不加以展开.

10、归因模型

归因模型，更准确的描述其实是一种既定的规则，我们需要根据产品的实际需求，将达成目标（形成转化）之前的功劳根据设定的权重分配给每一个转化节点。产品形成一次转化，用户可能要经历很多个转化节点（转化并不一定只完成销售。一次注册也可以看作一次转化，一次访问也可以看作一次转化，要根据业务实际需求制定）。

归因模型在使用过程中通常分为几类：最终互动模型、首次互动模型、线性归因模型、时间衰减归因模型、自定义等，这里逐一进行描述：

产品情景描述：用户在Baidu上搜索一个关键词，点进了一个叫a.com的网站之后放弃继续搜索。过了几天他又在自己的Facebook上看到了这个关键词的广告，随后他点击了广告最终完成购买。

最终互动模型：最后一个节点将被分配100%的功劳，那么Facebook（社交媒体）上的广告获得100%的功劳；

首次互动模型：用户首先是在Baidu进行关键词搜索的，那么Baidu（搜索引擎）将被分配100%的功劳；

线性归因模型：用户从开始搜索到转化，共经历了三个渠道（节点），那么每个节点将被平均授予33.3%的功劳；

时间衰退归因模型：用户在Baidu搜索和访问了a.com是几天之前的事情，那么这两个渠道因为时间经历比较长的原因将被分配较低的功劳（如各20%），Facebook将被分配相对较高的功劳（60%）；

当然，实际的业务流程和渠道转化流程不会像描述的这样简单，我们也可以根据需求自行定义。归因模型的意义在于寻找到真正对于现阶段产品发展有利的渠道，并将优势扩大化。当然，它是具有时效性的，也就是说产品的不同阶段归因模型所得到的结果很可能是不一样的。

三、总结

10 大数据分析模型的应用场景根据数据分析所选取的指标不同也有所区别

PEST分析模型主要针对宏观市场环境进行分析，从政治、经济、社会以及技术四个维度对产品或服务是否适合进入市场进行数据化的分析，最终得到结论，辅助判断产品或服务是否满足大环境。

5W2H分析模型的应用场景较广，可用于对用户行为进行分析以及产品业务分析。

逻辑树分析模型主要针对已知问题进行分析，通过对已知问题的细化分析，通过分析结论找到问题的最优解决方案。

4P营销理论模型主要用于公司或其中某一个产品线的整体运营情况分析，通过分析结论，辅助决策近期运营计划与方案。

用户行为分析模型应用场景比较单一，完全针对用户的行为进行研究分析。

当然，最后还是要说，模型只是前人总结出的方式方法，对于我们实际工作中解决问题有引导作用，但是不可否认，具体问题还要具体分析，针对不同的情况需要进行不同的改进，希望成为一个数据专家，最重要的一点还是多实践！实践才是真理！