你不得不知的数据分析法

数据分析，最先要明确的是目的，没有目的，就没有方向。目的是做数据分析的一条主线，根据目的才能去想要什么数据，要经过哪些处理，再进行什么样的分析，得出什么样的报告。

那么，我们就来进行数据分析的第一步，我们先来假设一个命题，也就是我们的目的。做电商的人都知道，流量对于店铺来说，是一个很重要的东西，而要有流量，就要有展现，展现分很多，各种活动，直通车钻展，当然还有大家最喜欢的免费流量，免费的展现。那最核心的还是，想要有展现，就得有排名。那我们不妨来研究一下，排名到底有什么样的规则。

一篇文章，必然讲不完那么大的一个命题，所以我给大家演示的也是其中的一部分。众所皆知，在免费流量里面，综合入口是最大的，而影响综合入口一个很大的因素就是上下架时间点对于排名的影响（当然除了3个豆腐块之外），那这次就来看看上下架的时间点，对于排名来说，它的影响到底是什么样的。

目前有了目的，我们就要来选择数据，我们需要什么数据来分析，那第一个能想到的，必然就是在某一个时间点，在某一个关键词下面，综合排名前几页的宝贝的具体下架时间。

查找你想了解的宝贝关键词，拉出相关数据（我用的驭宝魔盒拉的数据，也可以用其他软件采集）：

这里已经有了我们所需要的上下架时间，这时候你要做好记录，什么关键词，词的宝贝数是多少，什么时间点拉下来的。

我会这样做一个记录。这个记录方便以后查看，包括可能后续的需要更加大数据或者其他方面的研究。

好了，我们完成了第二个步骤，我们有了数据，接下去，就是考验大家用工具的一些基本功底了，我们要对整个数据进行一些处理。光光这么看数据，可能能看出一些东西来，但是必然不严谨，偶然性比较大，而且我们需要分析的维度是时间，时间在这里，还不是一个序列，只是一个变量，但是这又不是一个数值型的变量，不能直接拿来做一个直观的比较。而且有时候不处理直接看几万条数据，看见头都会大。所以数据处理和清理这一步很重要。

所以这里，我就对于这个时间变量进行一个模拟变量的数字化：

首先一步，我会把这个时间点，单独提取出来，当然，日期也是，日期必然也会有好多个日期：

但是我会先把其他日期屏蔽掉，因为其他日期的量很少，属于离群值，大家也都知道，离群值不同于异常值（当然也要经过分析看看是不是异常值，由于软件跟系统原因，出现异常值也是正常），但是这些离群值，数量不大，除了3个是豆腐块之外，也就一只手不到的数目。这些数目，我们可以单独作为研究，其实这也是一个很好的维度，我们可以看看，为什么这些宝贝离下架时间点明明还有很长的时间，但是却能在前面几页，当然这不是我们目前主要的课题，所以不深入讨论，大家感兴趣可以自行研究。

好了，异常值也没有了，接下去，我们要做的就是模拟变量的一个数字化，以便于我们分析，这里就是让时间变量，变成我们可以分析的数值，大概的意思就是离我查询的那个时间点为标准，离的近的数字小，离的远的数字大。

其中的14点，就是我查询的时间，所以就以这个为一个标准点。经过这些处理之后，我们就大概的得到了我们想要的一个数据，就是我们有了排名，有了上下架时间。

接下去，就是展现我们数据分析师功底的时候了，我的做法是，先把这个导入到常用的数据分析软件SAS中，一般我个人使用的话，一般使用的是SAS Enterprise Guide这个模块，比较无脑党一点。

大概简单的这么做了一个过程流：

这是大概做的一个数据流，我还是跟大家讲讲我那时候做的一个思路吧，那个才是最重要的，也是我希望大家能学到的。

这个就是我刚刚弄好的两个变量，其中假设排名分，就是设的一个根据排名越高，给分越高的一个设定，在这个分析中，并没有什么作用，大家不必去在意。然后，需要做一个初步判断，最简单的方法，就是作图，直观，简单，能看出很多东西。我先做了一个散点图，看看分布。

其实就这个图，就能说明很多的问题了，我们已经可以初步的下一个结论，这个词，时间点到了某一个点之后，排名最前面的一些，和后面的完全不是一个规则，或者说权重。然后也可以初步判断，在某个时间段之内后，排名靠前之后，其中的权重应该为差不多，而不是再根据时间点的推移，加大权重。当然这需要验证，包括可以研究，究竟是这个词的原因，还是说这个量级的宝贝数都是这个规则。大家可以自己去做一个验证。

图其实已经告诉我了，这样发分布规则，基本做不了其他什么数据的分析了，这里规则分两个，但是其中的关联基本没有，我这边也可以演示给大家看：

很明显，这个P值太大，根本没法拒绝原假设，这个词基本不能正常的做一个逻辑回归的分析，当然也可以分类做个验证：

我是把排名前40位做了个验证，也可以看到，至少可以说吗，单单根据上下架，是无法做出什么判断了。

当然，我们也可以看看，是否说，天猫店跟集市店，对于排名是否有影响：

可以看出，1为天猫店，0为集市店。在这个词，确实天猫店在第一页的占比会比后面几页要高，具体当然还需要大家去找更多的证据去证明。我这边更多的是提供一种思维思路，指引大家自己去做一个分析。

当然，我们会想到的是，词的一个宝贝数，量级的一个影响，我们可以把上面的看成是一个50万宝贝数的量级。

那我接下去再分析了两个词，一个是10万，一个是100万左右宝贝数的词。我们先来看10万的：

这边纵坐标的1，已经是代表了1天，因为这个词的宝贝数比较少，已经不能把日期看做一个离群值来考虑了。可以看到，这边明显分为3个层级，在一天到一天半之内的时间，也是可以上首页的，那我们是否也可以考虑，把这三个层级分下，看看具体他们宝贝有什么区别，也可以作为我们排名靠前该怎么做的一个依据。

我大致用EXCEL做了一下，这个图是用透视表之后做的，可以看到，如果提前一天就想上第一页，可以对于宝贝的销量要求就增高了，这些大家都可以自己去做一个分析，比较简单。也可以让自己获得很多东西。当然这也需要再看看别的词是否也这样，我强调了很多次，因为电商规则的数据分析很大程度上，也算是大量样本下的验证分析。

然后我们看看100万左右的：

这里我没有对那些离群值做一个处理，也是为了让大家看看效果，前面3个点是豆腐块，后面基本都是靠近下架时间点的宝贝了。

这篇文章就先写这么多吧，相对比较简单，操作步骤需要大家自己去实践和继续分析。我们可以初步推断，词下面宝贝数量级越大，上下架权重越大，特别是到达某一个特定的时间点之后，而且不同量级，规则会有所不同。当然还可以做下一步：大量验证，量级可以为10，20...500万量级，每个量级3~5个词，验证上面结果，得出更加详细结论，比如详细的改变权重时间点，异常值为何出现等细化研究，可以验证——同一个层级之类，排名是否就按照人气排名......主要给大家提供的还是一个思路，而不是直接告诉大家规则，那样的话，很快就没用了，教大家的是可以提前比别人知道的一些方法。