做过数据分析的同学一定接触过很多分析方法，比如漏斗法、同期组、A/B检验等等。而且由于不同版本的演绎，分析方法五花八门，眼花缭乱，甚至高深莫测。其实真的没必要把分析方法想的太高。所有的分析方法都可以归纳为两种:分类对比，分类对比，分类对比，重要的事情说三遍，大部分的分析方法都是两者的结合。
为什么数据分析意味着分类和比较？
以我家宝宝为例。我家宝宝3岁多了。现在他可以使用分类和比较来做数据分析。有一天，他妈妈给他带了一个大白兔奶糖和一个德芙巧克力，问他选哪个。小家伙犹豫了1分钟，最后选择了德芙巧克力；第二天，他妈妈给他带了两个大白兔奶糖和一个德芙巧克力，问他选哪个。小家伙又犹豫了一分钟，但这次他选了两个大白兔奶糖。
事实上，这两个选择被分类和比较。首先他把太妃糖和巧克力分了两类，没有混淆，不然也不会犹豫那么久。然后做个对比。第一次对比的结果是一块太妃糖不如一块巧克力，所以我选了一块巧克力。第二次比较的结果是两片太妃糖比一块巧克力好吃，所以选了两片太妃糖。看，一个3岁的孩子都能做数据分析。当然，实际业务中的分析方法确实比较复杂，但总结起来也是这两种方法的推演。我们先来看看最基本的比较分析和分类分析是如何应用的:
对比分析
分析，顾名思义，就是比较两个或两个以上的数据，分析它们之间的差异，发现数据的变化和规律。比较分析分为静态比较和动态比较两大类，用于判断某一数据的好坏，以及某些数据之间的差异。
怎么对比分析？在一般的数据分析中，我们可以从以下几个角度进行比较。
时间对比：同比、环比、变化趋势空间对比：不同城市、不同产品对比目标对比：年度目标、月度目标、活动目标用户对比：新用户vs老用户、注册用户vs未注册用户等竞品对比：渠道、功能、体验和流程、推广和收入分类分析
分类是将整个分析对象中具有不同属性的对象区分开来，将具有相同属性的对象进行合并，保持各组内对象属性的一致性和组间的差异性，从而进一步利用各种数据分析方法揭示内部的数量关系。最终目的是便于比较，所以常与对比分析一起使用。
分类分析一般包括以下分类方法:
不同时间分组：日、周、月、年等不同产品类型分组：产品属性；产品区域不同用户类型分组：人口属性（性别、年龄）；客户价值；消费频次不同渠道分组：线上渠道、线下渠道；付费渠道、免费渠道
案例:在分析一个App的留存率时，发现有下降的趋势。为了更好的定位问题，对不同渠道的留存率进行分组分析。通过分析发现，IOS渠道和应用市场渠道的留存率下降比较明显，而且由于这两个渠道的用户占比最大，应该对整体留存率影响最大。通过对这两种渠道的订单完成情况分析发现，订单接收情况对留存的影响最大，订单接收时间越长留存越差，发布订单的未接收率越高留存越差。所以目前要提高接单率和完成订单的及时性。
了解了最基本的分类对比分析方法，我从分类对比的角度帮你了解五种常用的数据分析方法:转化漏斗分析、同期群体分析、AB检验、用户来源分析、矩阵分析。
转换漏斗分析
漏斗分析是最常用的模型，也是增长黑客理论的基础。特别适合事务性业务。
最典型的例子就是电商行业。获得多少新用户(浏览)，激活多少用户(注册)，还有多少用户访问网站(留存)，有多少用户购买产品(收益)，有多少用户帮助推广(传播)。漏斗主要帮助我们解决哪个环节用户流失最多的问题。
转化漏斗也是一个分类对比的过程。分类把用户的行为过程分为五步，对比就是看用户在哪一步输的严重。比如注册阶段用户流失严重。如果推测是注册流程太繁琐，体验太差，可以对症下药。
同时分组分析
队列分析在数据运营领域非常重要，尤其是在产品改版后的用户整体留存方面。防止某个时间点改版后用户留存率急剧下降而不被察觉。
所谓同步分组分析法，就是根据初始行为的发生时间，将用户分组(即同步组)。然后对同一生命周期阶段的用户进行纵向分析，比较相似群体随时间的差异。通过同期不同群体的对比，大致可以看出用户的表现是变好了还是变差了。从而验证产品改进是否取得成效。
该模型的分类按照时间窗口划分，对处于同一生命周期阶段的用户进行分类；就是比较同一生命周期阶段不同用户群体的表现。横向分类，纵向比较
案例:9月新增用户10万，10月新增用户15万，但9月30日新增用户1万，10月30日新增用户1万。哪个月的经营业绩比较好？
通过队列分析可以发现，9月和10月的新用户留存是一样的，所以9月的留存率更高。从用户质量来看，9月份运营效果较好；从有效用户来看，两个月的运营结果是一样的；从新用户来看，10月份的运营效果更好。
共时组分析的目的是通过现象发现结果，在时间维度上建立共时组。除了考虑时间维度，还可以在来源渠道和其他维度建立共时群体。
AB测试方法
精益数据分析的一个主要思路，不是一开始就做一个大而全的产品，而是不断做出小而精的功能或策略，并快速验证。如何快速验证？主要方法是AB测试。
比如你发现漏斗转化有一个环节，用户流失严重。假设是商品价格的问题，那么策略就是改变定价。但策略是否正确还要看真实的用户反应，所以采用AB测试。有些用户看到的是旧价格，有些用户看到的是新价格。如果策略奏效，看到新价格的用户应该会有更好的转化。然后我们可以根据结果决定是否采用新价格。
这里的分类是将用户分为实验组和对照组。对比是什么？就是这两类用户的后期表现。通过对比两组用户的表现来判断产品功能或营销策略是否有效。
用户来源分析
随着流量红利的消失，我们更加重视客源。如何有效标签化用户来源至关重要。传统的分析工具，渠道分析只有单一维度，需要深入分析不同渠道在不同阶段的效果。SEM付费搜索等来源渠道与用户所在区域进行交叉分析，得出不同区域客户的详细信息。维度越细，分析结果越有价值。
这里的分类是不同的用户来源渠道，比较的是各个渠道的投入产出比，从而决定哪个渠道增加投入，哪个渠道减少支出。
矩阵分析方法
矩阵分析是指通过分析事物(如产品、服务等)的两个重要属性(指标)来寻找问题解决方案的一种分析方法。)，也叫矩阵相关分析。它在资源分配方面非常有用。
矩阵分析可以为决策者在解决问题和分配资源时提供重要的参考。先解决主要矛盾，再解决次要矛盾，有利于提高工作效率，将资源配置到最能产生绩效的部门和岗位。
常见的矩阵分析方法有波士顿矩阵、SWOT矩阵等。下面简单说说波士顿矩阵模型。其主要思想是通过研究产品在一个企业中的市场份额和市场增长率，将企业现有的产品分为四种不同的类型(明星、金牛、问题、瘦狗)。事实上，它也适用于结合分类的思想。例如，上图是基于“需求增长率”和“市场份额”两个维度的组合
作者从事数据分析多年，编写了10G数据分析学习包。需要转发收藏这篇文章的朋友可以在后台私信我的“数据包”获取！
