環球時訊：零、分析方法基礎——PEST分析法（行業分析篇）

文章目錄

零、分析方法基礎一、5W2H分析法二、邏輯樹分析法（類似思維導圖）三、PEST分析法（行業分析方法）四、多維度拆解分析法（維度+拆解）五、對比分析法六、假設檢驗分析法七、相關分析法八、群組分析法九、RFM分析法十、AARRR分析法十一、漏斗分析法（定位問題節點）十二、結合（其他分析方法）

零、分析方法基礎

(資料圖)

1、分析方法很重要作為一個數據分析師，第一個要求是懂業務，第二個是溝通表達，第三個要求是掌握分析方法。業務是根據實際場景和前人經驗積累而得，溝通表達是自己鍛煉出來出來的，分析方法則完全靠自己去學習、理解并掌握。

2、什么是分析方法若將分析方法和蓋房子類比，分析方法就好比在蓋房子前的設計圖，它用來指導如何蓋房子。數據分析中的工具就好比蓋房子的水泥車、沙鏟等工具，在設計圖的指導下才知道如何使用水泥車、沙鏟來蓋房子。同樣，在分析方法的指導下在知道如何使用Excel、SQL、Python、Tableau等軟件工具去分析數據，從而解決業務問題。

3、數據分析常用分析方法

一、5W2H分析法

1、內容

What是什么

When什么時候

Where什么時候

Why為什么

Who是誰

How怎么做

How much多少

2、用處該方法只適合比較簡單的問題進行分析，不適合比較復雜的商業問題，因為復雜的問題是由很多個原因共同引起的，因此無法簡單地進行歸因。

3、使用What：這是什么產品？ When：這個產品什么時候上線？ Where：在哪里發布這些產品？ Why：用戶為什么需要它？ Who：這個產品是給誰設計的？ How：這個產品需要怎么運作？ How much：這個產品又付費功能嗎，需要支付多少錢？

二、邏輯樹分析法（類似思維導圖）

1、概念邏輯樹分析方法就是把復雜的問題簡單化，也就是一個拆解和細分成若干個子問題的過程，就像樹枝展開一樣。 2、用處通過邏輯樹分析方法，可以把一個復雜的問題變成一個個容易處理的子問題。

三、PEST分析法（行業分析方法）

1、概念能從各個方面把握宏觀環境的現狀及變化趨勢，主要用戶行業分析，主要就是四個單詞。 P：政策（policy） E：經濟（economy） S：社會（Society） T：技術（technology

2、用處1）當個人在對自己進行職業規劃時，思考哪個行業比較好時； 2）當公司需要外部環境，或者行業競爭對手有所了解，需要發展規劃的時候； 3）當面對重大問題，需要分析行業問題的時候。

3、使用宏觀環境又稱一般環境，是指影響一切行業和企業的各種宏觀力量。對宏觀環境因素作分析時，由于不同行業和企業有其自身特點和經營需要，分析的具體內容會有差異，但一般都應對政治、經濟、技術、社會，這四大類影響企業的主要外部環境因素進行分析。

政治環境：政治體制、經濟體制、財政政策、稅收政策、產業政策、投資政策等。

社會環境：人口規模、性別比例、年齡結構、生活力式、購買習慣、城市特點等。

技術環境：折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度等。

經濟環境：GDP 及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數、居民可支配收入、失業率、勞動生產率等。

4、政策方面分析例子

四、多維度拆解分析法（維度+拆解）

1、概念多維度拆解法就是從不同的角度看待問題。維度就是觀察的角度，拆解就是在多個維度進行加法，也就是多個維度構成一個答案。

2、舉例評價一個公司好壞需要從多個維度出發： 1）加班強度 2）通勤時間 3）專業是否對口 4）晉升路勁 5）行業水平如何 6）行業水平 7）同時關系如何 8）薪資福利 通過多維度拆解過后就是： 好公司=加班強度低（維度1）+通勤時間短（維度2）+專業對口（維度3）+薪資福利好（維度4）+…

3、用處（辛普森悖論：既要關注整體也要關注局部）在有些情況下，考察數據整體和考察數據的不同部分時，會得出相反的結論。只看整體數據，我我們可能注意不到“數據內部各個部分構成的差異”。因此，需要從多個維度去觀察數據，才能得出相對可靠的結論。

五、對比分析法

1、概念就是自己內部比、和整個行業的水平比。

2、《經濟學人》訂閱實驗

3、使用（三個維度進行比較）1）數據整體的大小:某些指標可用來衡量整體數據的大小。常用的有平均值、中位數,或者某個業務指標 2）數據整體的波動:標準差除以平均值得到的值稱為變異系數。變異系數可用來衡量整體數據的波動情況。 3）趨勢變化:從時間維度來看數據隨著時間發生的變化。常用的方法是時間折線圖，環比和同比。

4、注意1）時間折線圖是以時間為橫軸、數據為縱軸繪制的折線圖。從時間折線圖上可以了解數據從過去到現在發生了哪些變化,還可以通過過去的變化預測未來的動向環比是和上一個時間段對比，用于觀察短期的數據集。例如:本周和上周對比，本月和.上月對比。.同比是與去年同一時間段進行對比，用于觀察長期的數據集。例如:某數據在2020年10月比2019年10月下降14.8%。

2）比較的對象規模要一致，才有可比性。

5、A/B測試本質就是一種對比分析方法。 簡單來說， A/B測試就是為了同一個目標制定兩個版本，這兩個版本只有某個方面不一樣， 其他方面保持一致。 例如兩個版本只有按鈕顏色不一樣，讓一部分用戶使用A版本(實驗組)，一部分用戶使用B版本(對照組)。試運行一段時間后， 分別統計兩組用戶的表現，然后對兩組數據進行對比分析，最后選擇效果更好的版本正式發布給全部用戶。

6、A/B例子比如發現漏斗轉化中中間有漏洞，假設一定是商品價格問題導致了流失，你看到了問題漏斗，也想出了主意-改變定價。但主意是否正確，要看真實的用戶反應，于是采用AB測試，一部分用戶還是看到老價格，一部分用戶看到新價格，若你的主意真的管用，新價格就應該有更好的轉化，若真如此，新價格就應該確定下來，如此反復優化。

六、假設檢驗分析法

1、概念

過程說明

1）提出假設根據需要解決的問題，提出假設的情況

2）收集證據通過收集需要的材料來證明假設成立

3）得出結論此處的結論不是個人主觀猜想出來的，而是依靠找出的證據來證明和檢驗出來的

2、用處1）顯著提升思維能力 2）進行歸因分析

3、使用1）從用戶、產品、竟品這3個維度提出假設，可以輔助檢查提出的假設是否又遺漏

2）從4P營銷理論提出假設（產品、價格、渠道、促銷）

3）從業務流程提出假設 主要是使用多維度拆解分析方法進行進行提出假設和驗證結論。

七、相關分析法

1、用處1）就是判斷兩個問題相關性的分析方法。在研究兩種或者兩種以上的數據之間有 什么關系，或者某個事情收到其他因素影響的問題時；

2）在解決問題的過程中，相關分析可以幫.助我們擴大思路，將視野從一種數據擴大到多種數據；

3）相關分析通俗易懂，方便溝通。不需要專業人士解讀也可以很好的理解，溝通雙方都不需要解釋“相關”的含義。

2、相關系數（畫散點圖）如果相關系數絕對值在0~0.3，則認為是低度相關。 如果相關系數絕對值在0.3~0.7，則認為是中度相關。 如果相關系數絕對值在0.7~1,則認為是高度相關。

3、使用先通過假設檢驗，找出各種導致問題發生的可能原因，再通過相關分析，計算每個原因對問題產生的相關系數，分析得到的因素中對問題產生影響最大的那個。

八、群組分析法

1、概念按照某個特征，將數據分成不同的組，然后比較各個組的數據。

2、用處1）產品會隨著時間發布新的版本，產品改版的效果如何?用戶量是增長了還是下降了?需要對用戶進行分組。

2）然后比較不同組的留存率，所以，群組分析常用于分析留存率隨著時間發生了哪些變化，然后找出留下和流失的原因。

九、RFM分析法

1、概念1）RFM分別代表三個單詞： Recently：最近一次消費的時間間隔 Frequency：消費的頻率 Monetary：消費的金額

2）判斷方法 對于消費時間間隔R：離上一次消費越近，也就是R值越小，用戶價值越高 對于消費品率F：購買頻率越高，也就是F的值越大，用戶價值越高 對于消費金額M：消費金額越高，也就是M的值越大，用戶價值越高

2、用處當需要將用戶進行分類時可以按照RFM進行，對應不同RFM的用戶，可以進行總結，得到不同用戶分類的規則，實現精細化運營。

我們可以從這三個維度，對用戶進行一個分級,我們可以把它分成8類，這8類可以涵蓋我 們想要說明的這個用戶的價值。比如說近期有購買或者有使用的這樣高頻次使用，同時 高金額消費這樣的用戶，我們可以把它定義為我們網站，或者我們平臺、APP的高價值用 戶：

3、使用對每一-個用戶都計算處RFM值并計算出他們的R、F、M的平均分，再看每一項時高于平均分還是低于平均分，然后就可以得到用戶屬于“高”、“低”。最后就可以根據他屬于的類別進行精細化營銷。 4、與RFM類似的分類方法1 ）根據會員屬性進行分類，如用戶的性別、城市、設備、登陸次數等。 2 ）根據用戶的活躍度進行分類，把用戶分為未轉化會員、新會員、活躍會員和沉寂會員。什么是未轉化會員?就是指那些注冊了，但是從來沒有購買的用戶。 3 ）根據用戶的購買偏好，結合實際購買的場景，給他做一個分類。同時也可以根據用戶 的預定平臺和推廣渠道的敏感來給他分。 4 ）也有通過注冊來源，比如說PC/APP/H5。假如說我們的網站中大多數會員通過APP端 注冊來的。那我們做一些激活活動的話,應該著重發力在APP，而不是選擇在PC或者H5這樣的端口。

十、AARRR分析法

1、概念分別代表了：

過程說明

獲取用戶用戶如何找到我們？

激活用戶用戶的首次體驗如何？

提高留存用戶會回來嗎？

增加收入如何獲得更高的利潤？

推薦用戶會推薦給其他人嗎？

2、使用1）獲取用戶：日應用下載量、獲客成本、日新增用戶數、渠道曝光量、渠道轉化率；

2）激活用戶：用戶路徑圖；

3）提高留存：讓用戶養成習慣，可以通過群組分析來找到原因；

4）用來衡量業務總量的指標(如成交額、成交量)，用來衡量每個人均情況的指標(如客單價)，用來衡量付費情況的指標(如付費率、復購率)，注意"夾點”損失，潛在收益的地方。

十一、漏斗分析法（定位問題節點）

1、概念也叫轉化漏斗分析，是業務分析的基本模型， 最常見的是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鐘。

2、用處1）在一個過程中是否發生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過進一步的分析堵住這個泄漏點。 2）在一個過程中是否出現了其他不應該出現的過程，造成轉化主進程收到損害。

3、說明1）環節轉化率=本環節用戶數/上一環節用戶數：衡量相鄰業務環節的轉化情況 2）整體轉化率=某環節用戶數/第一環節用戶數：衡量從第一環節到該環節為止的總體轉化情況

4、使用1）漏斗分析的整體轉化率，是從整體上評估各環節用戶占初始環節用戶的比例，這樣就可以根據一定 的比例，去預測未來的大致轉化或者流失情況；

2）漏斗分析的環節轉化率可以評估各業務環節之間的轉化情況，通過比較各環節轉化率，從而尋找業 務瓶頸點，也就是找到最低轉化率對應的業務環節；

3）將單純的線索發展到進件，是件并不是一件容易的事，但是這個點是否就是急需優化的流程，這就需要使用對比分析方法并且結合現在的行業平均值來比較。

4）注意：使用漏斗分析方法來分析用戶轉化問題時，不同行業的業務流程不一樣，所以漏斗分析圖也不 一樣

十二、結合（其他分析方法）

1、其他分析方法1）聚類分析 聚類分析具有簡單，直觀的特征， 網站分析中的聚類主要分為：用戶，頁面或內容，來源。 用戶聚類主要體現為用戶分群，用戶標簽法；頁面聚類則主要是相似，相關頁面分組法；來源聚類主要包括渠道，關鍵詞等

2）埋點分析 只有采集了足夠的基礎數據，才能通過各種分析方法得到需要的分析結果。 通過分析用戶行為，并細分為：瀏覽行為，輕度交互，重度交互，交易行為，對于瀏覽行為和輕度交互行為的點擊按鈕等事件，因其使用頻繁，數據簡單，采用無埋點技術實現自助埋點，即可以提高數據分析的實效性，需要的數據可立即提取，又大量減少技術人員的工作量，需要采集更豐富信息的行為（如： 重度交互（注冊，邀請好友等）和交易事件（加購物車，下訂單等）則通過SDK批量埋點的方式來實施。）

3）來源分析 流量紅利消失，我們對獲客來源的重視度極高，如何有效的標注用戶來源，至關重要。 傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來源渠道和用戶所在地區進行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價值。

4）用戶分析 用戶分析是互聯網運營的核心， 常用的分析方法包括：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。 可將用戶活躍細分為瀏覽活躍，互動活躍，交易活躍等，通過活躍行為的細分，掌握關鍵行為指標；通過用戶行為事件序列，用戶屬性進行分群，觀察分群用戶的訪問，瀏覽，注冊，互動，交易等行為，從而真正把握不同用戶類型的特點，提供有針對性的產品和服務。用戶畫像基于自動標簽系統將用戶完整的畫像描繪清晰，更有力的支撐運營決策。

5）趨勢分析 最簡單、最常見的數據分析方法，一般用于核心指標的長期跟蹤，比如點擊率、GMV、活躍用戶數。可以看出數據有那些趨勢上的變化，有沒有周期性，有沒有拐點等，繼而分析原因。

6）多維分解 也就是通過不同的維度對于數據進行分解，以獲取更加精細的數據洞察。舉個例子，對網站維護進行數據分析，可以拆分出地區、訪問來源、設備、瀏覽器等等維度。

7）交叉分析 交叉分析法就是將對比分析從多個維度進行交叉展現，進行多角度的結合分析，從中發現最為相關的維度來探索數據變化的原因

8）留存分析 留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行后續行為。衡量留存的常見指標有次日留存率、7日留存率、30日留存率等。

9）SWOT分析 SWOT分析法也叫態勢分析法，S （strengths）是優勢、W （weaknesses）是劣勢、（opportunities）是機會、T （threats）是威脅或風險。 SWOT分析法是用來確定企業自身的內部優勢、劣勢和外部的機會和威脅等，通過調查列舉出來，并依照矩陣形式排列，然后用系統分析的思想，把各種因素相互匹配起來加以分析。 運用這種方法，可以對研究對象所處的情景進行全面、系統、準確的研究，從而將公司的戰略與公司內部資源、外部環境有機地結合起來。

2、建議數據分析方法有很多，還有一些統計方法，這些都只是比較常用的數據分析方法。而且這些分析方法并不是各自獨立的，而是可以相互嵌套進行使用的。數據分析的目的就是通過分析數據找出問題，驗證找出的問題，最后 提出解決問題的方案。這是一個全程帶有有邏輯推理的的過程，應該十分嚴謹，根據真實的數據分析結果得出結論，而不是一拍腦袋想當然地提出一個建議。