
在日常工作中遇到简单的业务问题,可以直接查看数据进行验证并解决,但遇到复杂的问题时,可能看到数据都无从下手,拿到数据也看不出什么问题。
下面介绍几种常见又比较通用的数据分析方法,希望这些分析方法能够成为你进行数据分析和解决业务问题的利器。
在数据分析工作中,你可能经常遇到这样的问题:从浏览到消费的转化率一直很低,那到底该优化哪里呢?如果你要投放广告该怎么选择对象人群呢?
遇到类似的问题,我们需要将具体的业务问题和数据之间建立一种关系,然后通过一些分析方法和分析工具,让我们在遇到此类问题时知道:我该选择什么样的分析工具或分析方法去解决实际业务中的问题。
对比分析法
俗话说:没有对比就没有伤害。数据分析的最终目的是对现实的情况或一个功能的好坏做评估,这里最常用的方法就是对比分析法啦。 接下来介绍对比分析法中的三个问题:比什么?如何比?跟谁比?
——比什么
1.绝对值
绝对值是本身就具备价值的数字 ,比如:电商平台的销售金额、公众号的阅读数等。当然,如果只看绝对值,是无法得知事情严重到什么程度的。
2.比例值
在具体环境中看比例值才具备对比价值,比如:电商平台的详情页转化率,复购率等。需要注意的是:比例值是一个除法计算,很容易把数量级的一些数字给忽略了,比如说:85除100和85000除100000得到的都是同样的值。
——如何比
1.环比
环比是与当前时间范围相邻的上一个时间范围对比。 以下图为例:如果是日环比,则是拿星期二的数据与星期一的数据比,同理,周环比呢,则是拿本周的数据和上一周的数据对比,那月环比自然也是拿本月的数据与上一个月的数据对比了。
环比适合分析短期内具备连续性数据的业务场景。
举个栗子:比如说我们要做一个为期10天促销活动,在做这个活动的过程中,每天都会去观察活动的效果,根据前一天的活动效果来优化后面的活动过程,而这个活动之前没有做过,没法与以前的活动效果进行对比,这个时候就要看日环比数据了。 环比适用于根据相邻时间范围的数字对当前时间范围的指标进行设定。
比如给我们的产品设定每月新增用户为100000,但是第一月我们只做到10000,第二个月只做到12000,那我们就需要跟据前面两月的实际情况进行对比,调整第三个月及之后的目标了。
2.同比
同比是与当前时间范围上层时间范围的前一范围中同样位置数据对比。 举个栗子:今天是4月16日(当前时间范围),月同比就是选择3月16日来同4月16日进行同比计算。
同比的使用场景有:打赏的流水、销售流水等。像旅行、餐饮、骑行这些会受季节性影响的产品,会拿今年的这个日/月或一个时间段跟去年的同期进行比较。
同比更适合去观察长期的数据集。
举个栗子:公司每年都会进行“双十一”大促,这个时候我们对比数据时可以把今年的同去年的,或者去年同前年的数据进行对比。
同比适用于观察的时间周期里有较多干扰,而我们希望某种程度上消除这些干扰。比如说短视频类的产品,是不是需要考虑工作日和周末以及其他节假日呢。
——和谁比
1.和自己比
时间维度:拿昨天跟前天比,拿这个星期跟上个星期比(环比、同比)等等。 不同业务线:跟公司不同的业务线进行对比,比如说做线上汽车交易的,拿新车和二手车比。
二手车数据涨跌厉害,那新车有这种情况吗?
往期均值:这里不同于时间维度,像留存、销售额、日活这些都是比较连续的数据,每天都会产生新的指标。但是有很多事情不是连续性的,它不会每天都产生数据,这个时候就要根据往期这些数据的均值进行对比。
2.各行业比
在实际的业务中,如果跟自己比找不到原因,那么就需要跟行业比,看是自身的原因,还是行业的趋势导致的跌或者涨。
都跌:如果都跌,咱能不能比同行跌得少? 举个栗子:A公司的跌了10%,咱们公司跌了30%,那么在这个相对竞争的环境中,咱跌的是更多的,通过这样的对比,就可以找到原因并解决这个问题。
都涨:如果都涨,咱能不能比同行涨得快? 都涨也是一样的道理,如果A公司涨了30%,咱们只涨了10%,也能找到原因,并给出解决方案。因为如果不这样做,那么相对于竞争对手而言,咱还是在跌的。
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10