趋势分析法的主要步骤 三个数据分析的技巧

对很多公司来说，数据整理不是难事，难就难在业务数据如何解读？如何呈现才能说明问题？从中能发现什么业务问题？有没有改善的机会？
数据分析说白点就是知道要什么数据，了解数据走势，懂得如何分析。

在数据分析呈现后，要根据分析得出结论，结论中需要用简单明了的语言表明出现的问题，导致问题的原因，最后就是针对问题的解决方法。

趋势、分布、细化这三点包含了数据分析的大部分内容。

无论是数据的收集、数据的整理，还是数据的分析，都需要不断地找趋势、看分布、做细化，这样才能找出最有价值的结论。

01

找趋势

数据分析中的看趋势一般适用于对产品核心指标的长期追踪，例如，点击率、活跃用户数、在线时长等。

依据这些数据制作出简单的数据趋势图，还不能算作趋势分析。

趋势分析不仅需要明确数据的变化，还需要明确变化背后的原因。

孤立地看数据的趋势变化，很难说明问题。

比如一个企业利润增长10%，单单凭借这一个数据，我们很难判断该企业的经营状况，如果该企业的同行业企业增长速度普遍为5%，则说明该企业增长速度很快，而如果其他企业增长速度普遍为20%，那么说明该企业的增长速度很慢。

想要让数据趋势变得有意义，就必须给孤立的数据一个合理的参考值，也就是要引进对比的数据。

首先跟大家聊一聊趋势分析中的一些基本概念：环比、同比、定基比。

1.环比
环比用来表示连续两个统计周期的量的变化比。

一般所说的环比增长，即环比增长率。

计算公式为：环比增长率=（本期统计数据-上期统计数据）/上期周期数据×100%
反映本期比上期增长了多少。

比如：2020年3月份某的月活跃用户数达到2000万，2月份的月活跃用户数是1800万，相比2月份，3月份月活跃用户数的环比增长率=（2000-1800）/1800×100%=11.11%。

2.同比
同比分析的主要目的是降低季节变动带来的影响，用以对比今年发展情况与上一年同期发展情况。

在实际工作中，经常使用某年、某季、某月与上一年同期的数据进行对比计算。

计算公式为：同比增长率=（本期统计数据-上一年同期统计数据）÷上一年同期统计数据×100%。

例如，某企业2019年3月的产值为100万元，2020年3月的产值为300万元，同比增长率为：（300-100）÷100×100%=200%。

虽然同比和环比反映的都是数据的变化速度，但由于二者对比的时间不同，反映的结果也是完全不同的。

一般来说，环比能够与环比相比较，但不能与同比相比较。

但在一些特殊的情况下，比如要考虑时间纵向发展趋势，偶尔也需要将环比与同比放在一起进行比较。

3.定基比
定基比=（报告期水平÷某一固定时期水平）×100%
它是报告期水平与某一固定时期水平之比，菜叶说说，体现的便是企业某段时间内的总发展速度。

以上三种对比分析虽然各有不同，但都能互相结合，为数据的趋势分析提供必要的支持。

以数据为例：
如果只是看一个绝对值数据是远远不够的，公司的决策层、产品方或者运营方往往需要查看一个月、一个季度的表现，观察这些指标的变化趋势，同时与上个月、去年同期、某个基点值进行对比，进而明确这些数据背后的业绩表现。

所以，同比、环比、定基比便成为了数据趋势分析中的关键方法。

比如3月份的日均自然搜索流量与2月份的日均自然搜索流量进行对比。

通过两期数据的对比，能够很直观地看到数据的增长或下降情况。

而计算出相应的“环比增长率”则能够快速明确两期数据的变化幅度。

2020年3月份的日均自然搜索流量与2019年3月份的日均自然搜索流量进行对比。

环比数据是为了减少季节或行业周期对数据产生的影响，对于淡旺季明显的行业非常适用。

再比如将2019年全年的日均自然搜索流量作为一个基点，2020年每个月的日均自然搜索流量与这个值进行对比，便可以明确超越了2019年平均水平多少。

02

看分布

统计学中数据分布一般从三个方面进行描述：

分布的集中趋势，体现各数据聚集的程度；

分布的离散程度，体现各数据远离中心值的程度；

#p#分页标题#e#

分布的形状，体现数据分布的偏态和峰态。

我们拿到数据之后，首先要对数据要有个基本了解，可以从集中趋势，离散程度及分布形状出发，来了解自己的数据。

分析数据之后，对数据有初步了解，通过数据分布可以展现出用户对产品的依赖程度。

1）找到用户分布规律
对同一指标下有关数据的统计和分析，挖掘用户使用产品的规律，进一步修正和制定产品策略。

（2）增加客户回访率
分布分析从多角度分析帮助公司判断用户对产品的依赖程度。

（3）快速识别核心用户群体
核心用户群体是对公司贡献最大的用户群体，是公司最大的利润来源。

分布分析通过不同的维度筛选出核心用户群体，做好资源配置，以最小的成本实现公司利润最大化。

03

做细化

数据的细致化划分是数据分析技巧的核心思想之一，它能够帮助企业实现客户流量的几何级增长、运营能力的翻倍提升、服务能力的显著提升等。

在数据分析的过程中，如果想要得到一些较为精确的结论，我们需要将其进一步细化，因为在一些复杂数据的分析过程中，我们可能会忽略一些关键的数据细节。

这里的细化一定要进行多维度的拆分。

常见的拆分方法包括以下几种。

分时：对不同时间段的数据进行观察，查看数据是否产生变化。

例如，通过某餐饮店上午的营业数据与下午的营业数据的对比，可以分析不同时间段的客流量变化。

分渠道：对不同渠道的产品与用户进行观察，查看数据是否产生变化。

例如，通过对点击网页直接进入的用户与通过链接转入的用户进行分析，得出不同渠道用户的转化率。

分用户：对新老用户进行观察，分析二者是否有差异。

例如分析新注册用户与老用户的消费水平是否有差异，VIP和普通用户的满意度是否有差异等。

分地区：对不同地区的数据进行观察，看看数据是否有变化。

例如，通过对河南与山东用户的分析，得出不同地区的消费习惯是否有差异等。

组成拆分：对数据的构成进行观察，查看数据之间是否能够继续拆分。

例如在搜索引擎上的搜索词组，可以拆分出不同的关键词。

接下来，我们以用户流量细化为例，来看看到底如何利用数据的细致化分析呢?

1.用户流量概览
在对流量数据进行分析前，我们需要通过多种指标判断基本的用户流量情况，例如，用户访问量、点击量等。

此外我们还需要关注用户的平均访问时长、平均浏览页数、平均关闭率等。

这几个指标的基础组合能够帮助我们了解用户的转化率。

这里面还需要注意区分新老用户，例如新用户与老用户的比例、新用户与老用户各自的停留时长等，这些都可以作为用户流量的判断依据，也可以用于判断流量的基本质量。

2、用户流量分析
在简单了解用户流量概况之后，我们还需要进一步对用户流量进行细分，研究用户流量增长方面所遇到的问题，并以此制订下一步的策略。

一般来说，用户流量分析有两种方式。

（1）按访问来源分析按访问来源进行分析，用户流量可以分为直接访问、外链访问、搜索引擎访问、社交媒体访问等类别。

而这些访问类别又存在多种形式与多种渠道。

（2）按流量入口分析在对用户流量的分析中，我们主要关注的重点是流量的来源，这也就导致了我们很容易忽视流量的入口方面。

对于一般的来说，流量的入口指客户点击之后直接进入的页面，也就是所谓的落地页。

通过分析落地页可以明确客户到达的第一个网页，避免出现大部分流量被导入无效页面的情况。

3.流量转化分析
我们假如有100人通过搜索该商品，那么可能只有60人选择查看商品详情，之后会有40人选择加入购物车，而最后只有20人成功支付。

依据这样一个漏斗图，我们能够明确每个过程中客户流量的损失情况。

当然不同渠道的转化率是有所不同的。

4.渠道的优化配置
接下来，我们可以对不同渠道的转化率进行优化配置。

例如，某的直接访问量一天只有2000人，但转化率为15%，而通过百度搜索引擎点击进入的转化率仅为5%，但客户流量达到10000人，这个时候我们可以适当提高百度搜索引擎的广告投入，提高百度搜索引擎的转化率。

通过对流量渠道转化率的分析，我们能够判断客户的行为是否存在差异，并由此推断客户的特征，进行一些差异化的优化。

数据的细化是数据分析中一个十分重要的手段，多问一些为什么，才能更准确地得出结论，而一步一步细化，便是不断问为什么的过程。

#p#分页标题#e#

以上就是我们在日常做数据分析时的三个技巧，数据分析不能为了分析数据而分析，需要带着问题去做数据分析、关注数据分析背后的利益和资源分配，以及数据呈现出来的背后的这个真实的世界，更好的总结过去，并且对未来的趋势作出判断。

作者：诸葛君（zhugeio1），关注我了解更多数分知识