发动机纵向和横向的区别,数据分析没思路

导读：发动机纵向和横向的区别，数据分析没有概念。为了更好地了解用户，洞察他们的需求，数据分析可以帮助解决这种需求。但是在数据分析中，没有头绪怎么办？对此，本文从整体思维框架5W2H、

发动机纵向和横向的区别，数据分析没有概念。

为了更好地了解用户，洞察他们的需求，数据分析可以帮助解决这种需求。但是在数据分析中，没有头绪怎么办？对此，本文从整体思维框架5W2H、问题描述现状对比分析等七个方面进行了分析。希望对你有帮助。

对于产品经理来说，产品的每一次迭代和升级都需要对效果进行评估，以供未来改进。如果仅仅依靠肉眼观察和主观感受，接下来类似“用户反馈很好”“用户很喜欢这个新功能”这样的结论是很苍白无力的。更多的时候，误判会是主观感受造成的。此外，数据分析还可以帮助产品经理更好地了解用户，洞察用户需求。

就运营而言，作为与用户和产品接触最频繁的人，他也是策略的制定者和实施者。但是产品运营最直观的体现就是数据，可以用数据的高低来衡量。对于运营来说，数据生成和决策之间一定有很大的优化空间，这很大程度上可以来自于数据。从数据中发现知识，优化决策，将大大提高运营效率。

因此，在数据驱动的商业环境下，数据分析是产品和运营的必备技能。本文介绍了七种常用的数据分析方法以及一个完整的数据分析过程中可能用到的一系列方法:

定义问题→诊断现状→定位问题环节→追溯问题原因→判断问题发展趋势。

一、总体思路框架:5W2H

著名教育家陶行知先生曾写过一首小诗:

我有几个好朋友，他们在任何事情上都指导我。

如果你想问他的名字，

不同的名字，都是姓，

什么，为什么，谁，何时，何地，如何，

像哥哥和哥哥一样，

还有一种西方派，

倒过来的名字叫几何，

如果你向七贤求教，

即使是愚蠢的人也不会错。

这首诗讲的是5W2H:What(什么)When(什么)When(哪里)Who(谁)Why(为什么)How(如何)多少(如何)。5W2H是对目标计划进行分解和决策的思维框架，它完整地刻画了要解决的问题，从而明确问题，找到解决方案。

什么:是什么？发生了什么事？一般用来指问题是什么？真的发生了吗？例如，DAU真的下降了吗？;什么时候:什么时候？什么时候发生的？问题是什么时候发生的？例如，DAU放弃了。空投的具体时间是什么时候？是不是放假等等；哪里:哪里？在哪里发生的？其中一个问题，DAU掉了，哪个地区掉了，哪个终端用户掉了？或者哪个功能的使用人摔了，等等；谁:谁？比如DAU掉了，用户群体哪部分掉了，什么年龄，性别，活跃用户等等；为什么:为什么？为什么会这样？问题的原因是猜想，比如安卓用户的DAU下降了，但是其他终端的并没有下降。有没有bug在新版安卓中？如何:如何？在明确了上述问题之后，我们应该采取什么方法和策略来解决DAU的衰落问题；多少:多少？到什么程度？DAU下降后，我们相应策略的成本是多少，我们要在多大程度上解决这个问题；5W2H分析法从问题出发，有一套科学完整的分析思路，推测问题产生的原因，并提出相应的解决方案，最终解决问题，形成闭环。

当然，5W2H只是一种思路。在实际应用过程中，可能会遇到各种业务场景。对于不同的业务场景，总体思路是一样的，只是分析维度需要根据不同的产品形态和业务特点进行调整。

二。描述问题的现状:比较分析

通过5W2H，我们已经有了一个整体的思维框架，形成了一个大致的分析思路。接下来要具体问题具体分析，从问题的现状入手。

没有对比，就没有优化和提升的方向。在数据分析中，没有比较就没有结论。

比如小虎有一次期末考试没考好，数学只考了40分。

小虎妈妈对他说:“你上次数学考了70分。你这次为什么考得这么差？看看你的同学，这次都在80分以上。我之前跟你说过90%会给你买机动奥特曼，你就别想了……”

常见的对比思维有五种:

跟目标对比：本月目标销售额500w，实际完成了300w，目标达成率60%；跟上个月比：上个月销售额200w，环比增长50%；跟去年同比：去年同期销售额400w，同比下降25%；分渠道对比：线上/线下渠道销售分别200w、100w；跟同类竞对比：同水平竞对A、B、C本月销售额分别为600w、500w、100w；

总结以上对比思路，主要是横向和纵向对比:

横向对比:同期，外部和竞争对比，内部各渠道对比。

同一时期和外部竞对对比，整体市场表现以及所占市场份额变化；同一时期自己内部各渠道对比，看销售额贡献和贡献占比变化；

纵向对比:不同时期的对比。

和上一期数据对比，近期有无提升/后退；和去年同期对比，季节周期性考量下对比，是否有提升/后退；

数据分析的过程就是在明确目标后，通过对比思考，找出问题的原因，得出分析的结论，提出可行的建议，从而帮助决策，指导行动。

三、定位问题环节:漏斗分析

通过横向和纵向的对比，我们已经大致了解了商家的现状，知道了商家在变好/变坏，以及变好/变坏的程度。如果业务继续恶化，我们需要漏斗分析来定位问题真正出现在哪个环节。

漏斗模型，其本质是分解和量化，这里举一个电商购物漏斗模型的例子。

也就是说，把购物的整个过程，从购买商品到最终转化为购买，拆解成一个子环节，每个环节的表现，用相邻环节的转化率/流失率来量化。所以整个漏斗模型就是先把整个购买过程拆分成步骤，然后用转化率/流失率来衡量每一步的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化步骤，最终达到提升整体购买转化率的目的。整个漏斗模型的核心思想其实可以归为分解和量化。

漏斗分析其实是一种业务流程拆解和量化的思路。任何业务流程都可以按照这个思路进行拆解。常见的商业漏斗模型有很多:消费者行为的AIDMA漏斗、用户生命周期的AARRR等。

四。细分分析原因:细分拆解。

通过漏斗分析，可以大致定位出问题发生的环节，但是这个环节到底是哪个环节出了问题，还需要进一步细分拆解问题的症结所在。

在数据分析中，细分是数据分析的灵魂。没有细分和拆解，就没有数据分析。

小虎期中考试总成绩不好。细分了一下，发现其他科目成绩都不错。只是数学成绩特别差，只有40分，三角函数一个都不对。

常见的细分方法有五种:比如本季度销售不达标，可以按照以下思路进行细分:

按时间细分：哪个时间段的销售额出了问题？按空间细分：哪个区域的销售额出了问题？按过程细分：售前导购、购买体验还是售后服务的哪个过程出了问题？按公式细分：GMV=流量*转化率*客单价，流量、转化率和客单价的哪个部分出了问题？按模型细分：用户价值分层模型，不同价值的用户的销售额贡献，是哪类用户出了问题？

拆解的方法有上千种。在运用细分拆解思维的过程中，要有的放矢，围绕数据分析的目标，找到合适的拆解方法。不然只能像无头苍蝇一样乱撞。

另外，发现数据异常时，尝试从不同维度进行细分，既能锻炼数据分析的思维，又能加深对业务的理解。

5.寻找相关因素:相关性分析

如果当一个变量变化时，另一个变量也以相同的方向变化，那么我们说这两个变量之间存在相关性。

通过分析某商场的产品销售数据，发现纸尿裤和啤酒的销售会呈现大致相同的趋势。啤酒和纸尿裤有什么关系？采访小虎的爸爸，他说下班后给小虎的弟弟买了尿不湿，同时，还买了他最爱喝的啤酒。

相关性分析是寻找变量之间的相关程度。相关性一般用相关系数来衡量。皮尔逊相关系数常用于计算线性相关系数，取值范围为1到-1。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越接近0，相关性越弱。

使用Excel进行简单的相关性分析通常包括以下3个步骤:

需要注意的是，相关性不等于因果性。两个变量的相关性不是指一个变量的变化，而是另一个变量的变化。

例如，分析发现，一个国家的诺贝尔奖数量与巧克力消费量之间存在正相关关系，但这并不意味着吃更多的巧克力有助于获得更多的诺贝尔奖。一个合理的解释是，诺贝尔奖的数量和巧克力的消费量很可能是由其他变量引起的，比如人民的教育水平和财富水平。

六。可追溯性的影响因素:归因分析

在实践中，很多问题不是单一因素造成的，而是多种因素影响的结果。

所以数据分析中的光头问题是:问题的原因是什么？归因分析就是解决在多重因素的影响下，如何将最终效果的提升/下降合理地分配给过程中的各个因素的问题。

小胡在手机上看到朋友圈里宣传的最新款iPhone。午休时，他刷了Tik Tok，看到网络名人在评价这款手机。下班后在地铁上刷朋友圈的时候，他发现有朋友已经收到了他手机里的照片，于是他喝了一杯姜带着妻子回家申请资金的勇气。最后，他的妻子批准他去JD.COM买，这是有保证的。那么，朋友圈广告、JD.COM、Tik Tok、朋友圈各渠道对这笔交易贡献了多少价值呢？

现实往往很复杂。在衡量其贡献值时，仅仅依靠单通道归因分析得出的结果是不科学的，有必要引入多通道归因分析。常见的多渠道归因分析模型如下:

末次归因模型：将功劳100%分配给成交前的最后一个环节首次归因模型：将功劳100%分配给第一个环节线性归因模型：将功劳平均分配给过程中的每个环节时间衰减归因模型：距离最终结果时间越短的环节，可以获得越多的权重位置归因模型：第一次和最后一次环节各贡献40%，中间的所有环节平分剩下的20%贡献自定义模型：根据自身业务的需求，自定义各环节分配比例没有完美的归因分析模型，任何模型都有其局限性和不足。如何有效地结合使用场景和模型特征，是用好归因模型的前提。

七。预测变化趋势:预测分析

在了解了问题的现状，定位了问题的原因之后，我们还需要预测问题下一步的发展趋势。

另一方面，在所有行业和领域，只要有核心业务指标，就需要预测核心业绩的未来趋势，如销售、营销、运营、财务等。一方面可以对未来的发展趋势有个大概的把握；另一方面，我们也可以未雨绸缪，设定好每个细分行业的KPI，以便尽可能完成或超过KPI。因此，准确预测核心指标的变化趋势非常重要。

什么是预测？最简单来说，就是分析过去和现在的数据，然后预测未来的过程。我们主要是基于时间序列数据进行定量预测。我们通过一个案例来说明时间序列数据的主要组成部分。

以下是每年乘坐飞机的乘客人数的趋势。

趋势性：趋势是事物发展或变化的总体方向。在上面的例子中，我们看到时间序列呈增长趋势，这意味着在搭乘飞机飞行的乘客数量整体趋势上是在增加。如下图中第一张图所示。季节性：在上述时间序列中可以看到的另一个清晰的模式，就是该变化趋势以固定的时间周期重复，我们称为季节性。在特定时间周期内重复出现或重复的时间序列中任何可预测的变化模式都可以说是季节性。下图中第二张图所示。随机性：去除趋势性和季节性后，剩下的就是一些随机的、无任何规律的白噪声。下图中第三张图所示。时间序列预测有多种模型，主要分为以下两类:

(1)传统预测方法

AR(Auto Regressive Model)自回归模型MA(Moving Average Model)移动平均模型ARMA(Auto Regressive and Moving Average Model)自回归移动平均模型ARIMA(Auto Regressive Integrate Moving Average Model)差分自回归移动平均模型等

(2)现代预测方法

基于机器学习方法和深度学习的预测方法。机器学习方法，xgboost，random forest，SVM都有，没说哪个模型好用。要看具体场景和实验。简而言之，就是根据效果说话。

(3) Excel也可以用于预测。

黑猫白猫，能抓老鼠的就是好猫。不需要复杂的算法和模型，用Excel就可以进行简单的预测。

以上是产品和运营中七种常用数据分析方法的内容。

本文由@数据分析星球原创发布。每个人都是产品经理。未经许可，禁止复制。

来自Unsplash的图像，基于CC0协议。

此观点仅代表作者本人，大家都是产品经理。平台只提供信息存储空间服务。

总结:以上内容是发动机纵向和横向的区别。没有详细介绍数据分析中的思路，文章内容部分转载自互联网。希望对你了解纵向和横向的区别有所帮助和价值。