运营必备的数据分析入门知识：5种分析类型+2类分析方法

↑点击关注↑开启精益成长

上一篇文章《如何设计一套“看得明、埋得准、实施快”的埋点方案》中，我们详细介绍了埋点方案的设计流程、三大组成等，带领大家落地如何拉通各个部门，形成一套让非技术人员看得懂、且达成认知一致的；让技术人员看得明、埋得准、实施快的埋点方案。

埋点方案实施完毕后，数据便可以通过易观方舟自定义可视化呈现。接下来，我们就可以进入到“理数——收数——看数——用数”数据运营闭环的“看数”环节。

这个环节最重要的就是数据分析，其实质就是通过数理思维来推导、指导我们的运营工作。数字化时代，数据分析思维和数据洞察能力将成为运营的核心竞争力之一。

作为运营，数据分析有时候是为了探究发生了什么、有时候是为了找到某件事情发生的原因，还有时候是为了预测分析可能会发生某件事情......

在正式进行数据分析之前，我们需要弄清楚数据分析的5种类型。这里总结了5种数据分析的类型，从描述性分析到规范性分析，数据分析的复杂性和工作量随之增加，且越往后越依赖机器。

描述性分析是任何数据分析过程的起点，旨在回答发生了什么的问题，是我们通过对各种来源的原始数据进行整理，再将其转化为对业务有价值的洞察。

通过易观方舟可视化看板，我们可以将采集的数据自定义可视化成线图、柱状图、气泡图等，很直观地看到发生了什么。

易观方舟数据看板示例

顾名思义，探索性分析的主要目的是探索，其最典型的应用领域就是数据挖掘。通过探索性分析，能够帮助我们发现原本不相关事物之间的数据变量联系。

数据挖掘领域有一个典型的案例：沃尔玛通过数据挖掘，发现纸尿裤与啤酒的销量数据呈相关关系。于是，调整了超市货架的摆放位置，将纸尿裤与啤酒放在相近的位置，没想到双双增加了这两种完全不同品类的销量。

诊断性分析是最常见的数据分析类型。运营人员通过诊断性分析能探究某件事情发生的原因，引发这件事情的前置事件是什么，这件事情发生后又会引发什么后置事件。

例如，某天客户电话投诉突然减少：为什么会发生这种情况？通过数据分析发现，可能是因为雇佣了新客服、或者产品的某个界面添加了投诉功能等。

如果能知道某件事情发生的原因以及是如何发生的，我们将能很快确定解决问题以及面临挑战的具体可落地方法。

预测性分析通过分析已知的数据假设未来，回答将来会发生什么的问题。预测性分析不仅会用到前文所提到的3种数据分析类型，还需要用到机器学习（ML）和人工智能（AI）等前沿的数据科学技术。

例如，根据某零售店过去5年的销售数据，我们能预测该零售店下个月、下个季度的总销售额，以及某个单品的销量。

通过预测性分析，不仅可以了解事情的发展趋势、模式以及某件事情发生的原因；还可以根据某件事情在特定领域的发展现状，做出明智的预测。易观方舟内置用户流失预警、商品销量预测等预测模型，大幅提升运营竞争力。

规范性分析是最高级的数据分析类型，通过以上所有数据分析，并结合数据模型，回答要采取什么行动的问题。规范性分析会分析多个场景，预测每个场景的结果，并根据结果决定哪个是最佳行动方案。

人工智能（AI）是处于数据分析前沿的规范性分析的例子。人工智能（AI）建立在大数据的基础之上，通过摄取和分解大量的数据，自学如何使用数据信息并做出明智的决策。

我们在进行数据分析时，大多是进行描述型分析、探索型分析和诊断型分析，预测性分析和规范性分析大多交由机器去学习和解决。

回到数据分析的实际应用中，不管是产品迭代优化分析，还是运营活动分析等，似乎总会涉及到很多数据分析的方法。

但万变不离其宗，最终总结下来其实都是这5种方法或者他们的交叉组合。如下图所示，易观数科将其总结为数据分析的三板斧和双股剑。

趋势分析可以说是最基础且最常用的数据分析方法。通过对有关指标的各期对基期的变化趋势的分析，分析该指标的趋势变化，从中直观地发现问题，让运营决策更准确和更实时。

例如，对于品牌零售行业，GMV是最核心的指标，我们就可以根据日、周、月等时间维度描绘GMV的趋势图，这样便可以很直观的看到按照不同时间维度GMV的变化。

当趋势分析过于宏观，细分分析则是精细化运营的必备，通过按照不同的维度一步步地对数据进行拆分，不断接近问题发生的起源，让运营获取更加精细的数据洞察。

例如，某品牌零售企业的GMV某天有明显的下降，那么我们就可以根据全国各省级行政区的维度，细分湖南省、广东省、北京市、云南省等34个省级行政区，查看具体是哪个省级行政区的GMV有所下降。定位到具体的省级行政区后，还可以继续往市级、区级层层细分。

对比分析是将两个或两个以上的数据进行比较，分析差异并揭示数据所代表事情的发展变化情况以及规律。其特点是可以非常直观地看出事情某方面的变化或差距，并且可以准确、量化地表示出这种变化或差距是多少，主要是为了给孤立的数据参考系。

例如，同样以品牌零售企业的GMV为例，通过对比不同年份的GMV变化趋势，我们可以很直观地看到这家企业的年度增长情况，判断是否值得投资。

追溯到事情的源头去分析，是避免运营做过多无用分析的方法。

举个例子，当一批用户到来我们的产品内，购买转化率比较低。通常情况下我们去分析，可能会围绕产品流畅度的问题、运营活动力度的问题，或者商品吸引力的问题。但很有可能从源头分析，这批用户就并非我们的目标用户，而是虚假流量。

通过一种或者一组规则，将销售功劳或者转化功劳等分配给转化路径中的各接触点，即为归因分析。

本质上归因分析都是为了衡量和评估用户触点对总体转化目标达成所作出的贡献，评价的核心指标为转化贡献度。但具体如何衡量和评估，就需要我们用到归因分析模型。

常见的归因模型主要有5种，分别为首次触点归因模型、末次触点归因模型、线性归因模型、位置归因模型和时间衰减归因模型。关于归因分析的详细文章可跳转《都说归因是门“玄学”，从头到尾了解一下？》

• 找对北极星指标！才是一切运营的起点

• 运营过程中，我们都应该关注哪些数据指标？

• 如何搭建一套完整的指标体系？2个模型+1个原则

• 一文读懂代码埋点、全埋点、可视化埋点 | 5000字浅显易懂解析

• 数据埋点如何“下手”？手把手带你从需求梳理到落地

• 如何设计一套“看得明、埋得准、实施快”的埋点方案