用户数据包含哪些类型，一文读懂业务数据的分

编辑导语：在业务数据分析中，新人常常会面临这样一个尴尬的处境：明明掌握了数据分析工具，但对于数据仍无从下手，发现不了其中的业务问题。其实，这是缺乏数据分析思维的表现，作者介绍了一些基础的数据分析思路，希望对正在迷茫的你有所帮助。

在业务数据分析中，无经验的新人常面临这样一种现象：即便已经掌握了数据分析工具，但有时候拿到数据仍然不知道从何下手，即便已经做出了很多的图表，但仍然无法发现业务问题。为什么简单的数据在经验者手里能分析出不同的洞见，而有些却只能得到非常简单的结论？

若要通过数据来深入分析业务问题，首先需要具备一定的数据分析思维，充分的利用好可获得的数据，挖掘到现象背后更多的潜在信息，本文将介绍一些基础的数据分析思路。

一、充分利用可获得数据

在开展一个调研，执行数据分析的阶段，我们可以首先去思考下，除了我们调研中设置的数据以外，还有哪些数据我们是可以获取并进行分析的。从便于理解数据分析思维的角度，我们把数据类型可分为：用户数据、行为数据、态度数据、产品数据。

用户数据：是指用户本身的属性和基本情况，比如：性别、年龄、身份、职业、地区等，了解用户数据便于我们在后续的分析阶段更好的对用户进行细分和拆解。

行为数据：是用户与产品交互过程中产生的数据，即记录用户做过什么的数据，常通过产品埋点等方式记录收集，比如：用户点击酷家乐设计入口的次数、在某个页面的停留时间、查看过的页面类型/数量、使用过哪些工具类型等，行为数据主要包括用户做了哪些行为、发生行为的时间等。

态度数据：是用户对于某个事情或者观点的态度，通常是通过我们在研究中设置好的问题来获取，比如常见的：用户的满意度、NPS、某个问题对用户的影响程度等。

产品数据：是产品本身属性或者具备的数据，例如：产品名称、产品价格、产品种类、功能个数、产品评论、产品销量、产品满意度等。

不同的数据类型可能来源于不同的获取渠道，有些来自公司内部数据库，有些是通过自己主动投放获取，在实际进行业务问题分析时，要有充分调用不同渠道、不同数据类型的意识，不仅关注同一类型数据的表现，还可以分析不同数据类型之间的关联，从而对业务问题背后的原因进行更深层次的洞察。

二、基础的数据分析思路

数据分析的目的是为了回答某个业务问题，通常来说，常见的业务问题主要有两类：

一是业务现状分析（即通过业务数据分析，来发现当前业务问题），二是业务问题原因分析（即在发现某个业务问题后，层层深入挖掘问题背后的原因）。

例如，我们在工作中面临着这样的业务诉求：当前产品用户NPS如何，是高还是低？是升了还是降了？产品NPS上升/下降的原因是什么？

1. 对比分析法：绝对数据意义不大，要看相对数据

对比分析法是进行业务现状分析和发现问题最基本的方法，单一的数值并不能说明什么问题。比如，了解某产品NPS达到30%，只了解这个数值是没有太大意义的，因为并不能判断这个NPS是高还是低？是升了还是降了？所以只有通过对比分析，才能让数据变得有意义。

常见对比分析思路：

和行业比：想知道NPS是高还是低，可以和行业的平均水平进行对比，或者和行业内的标杆进行对比。

和目标比：与既定的目标比，来了解当前NPS的距离目标的差距。

和同类/同级比（横向对比）：和同一行业内/生态内的其他产品水平，找到相对更高或者更低的答案。

和不同时期的自己比（纵向对比）：可以从时间维度来看数据随着时间发生的变化，也称为趋势分析，用来追踪业务动态是否有异常。

在使用对比分析时，需要注意的是：如果是对总体数值进行比较，那么各对比维度的规模需要一致。

因此，在数据分析中，通常会使用比例或者平均数作为指标来进行对比。例如，对比A地区的总销售额高于B地区，但并不能直接得到A地区的销售业绩更好，有可能A地区的销售门店数量远多于B地区，因此此处用平均销售额会更合理。

2. 多维度拆解对比法：结构化&公式化

（1）结构化拆解：不只对比整体，还要看内部的构成差异

结构化拆解对比，是对业务问题进行原因分析过程中最常用的分析方法。

只对比数据整体，无法注意到数据内部各个部分构成的差异。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。比如，某产品销售额下降20%，背后的原因是什么，该如何分析？

从用户角度来拆解：例如，该产品用户由新用户和老用户构成，可以拆解为新用户销售额和老用户销售额，来看销售额下降是否跟用户类型有关。

还可以把用户拆解为不同年龄组、不同的性别、不同地区、不同等级等属性，可参考数据类型中的用户数据包含内容。

从产品角度来拆解：例如，该产品的销售包含了不同的产品版本，可以拆解为不同的版本对比销售额，来看销售额下降是否跟产品版本有关。当然还有其他产品相关的属性，可参考数据类型中的产品数据包含内容。

从数据结构角度来拆解：例如，某产品销售额按照一定区间分组对比，某产品满意度按照不同满意层级拆解对比，来了解不同结构数据下的用户占比分布。

交叉分析也是非常常见的对比分析方法，就是讲拆解后的多个维度结合进行对比，从而发现更深层次的差异。

（2）公式化拆解：对数据指标进行拆解

结构化的拆解可以帮助我们得到一个有逻辑的分析框架，在具体执行原因分析时，我们还需要对变量进行层层拆解才能找到问题产生的根源。例如在上述销售额下降的案例中，通过对用户类型进行结构化拆解对比，发现新用户的销售额明显下降，那么如果业务继续追问：为什么新用户的销售额下降了呢？

此时，我们就可以把销售额（数据指标）进行公式拆解，拆解成多个细分指标后，再针对细分指标进行对比分析。

比如，销售额=销量×客单价，在拆解之后就可以再从客单价和销量两个角度去进行对比分析，深挖销售额下降的原因。是新用户的销量变少了，还是新用户的客单价变低了导致新用户销售额下降的？

假设对比后发现客单价没有变化，主要是销量变少导致销售额下降。还可以继续对销量进行拆解：销量=人均购买数×购买人数，进而分析是购买人数下降了，还是人均购买数下降了呢？通过公式化的对指标剥离拆解，就可以实现层层深入到问题本质。

结构化和公式化拆解还可以应用在我们对业务进行分析时的思路梳理中，比如当我们要去对某个业务的的GMV为什么高或者低进行原因分析时，我们可以对GMV进行公式化拆解，分别从流量×转化率×客单价三个具体的方面着手，去罗列出影响这些指标的因素，逐渐完善我们的数据分析网络。

三、常见的数据分析技巧

（1）对比分析法

在前文业务现状分析中，已经有详细阐述，是描述现象和发现问题最基本的分析方法。

从对比对象上来看，可以和目标比、和同类比、和不同时期的自己比；从对比方式上来看，可以整体对比，也可以通过变量拆解后分组对比、多维交叉对比。

（2）象限法

象限法常用在需要进行落地推动的策略分析上，是通过将多个因变量因变量进行不同属性的划分，生成多个具备不同价值的象限，通过考察对象在象限中的位置来明确进一步的业务策略。象限分析法

举例：

RFM模型：把客户按照不同的维度进行划分，区分出不同价值的客户，从而针对不同价值的客户进行精细化运营。

（图片来源于网络）

行动优化矩阵：对多个待优化模块的具体优化优先级进行评估时，可以结合两个关键变量来构建出4个不同象限以进行优先级的区分。常用的变量有满意度和重要性，当然也可以根据具体的场景选择其他合适的变量（如下图选择了满意度和优化意愿两个变量）。

（3）漏斗分析法

漏斗分析主要应用在一个有起点和终点的业务流程分析中，用来定位问题发生的具体环节，分析指标一般为转化率或者流失率，转化率=某环节的用户数量/上环节的用户数量；流失率=1-某环节的用户数量/上环节的用户数量。

单看漏斗分析各环节的数值是没有意义的，需要将这些数值与历史数据或者目标数据进行对比，定位到哪一个环节转化率/流失率表现出异常。

（图片来源于网络）

业务数据分析的关键，是需要将零散的想法按照一定的逻辑进行梳理，有逻辑有依据的对问题进行剥离和分析，进而探寻问题的本质，这是数据分析最具有挑战性也是最有价值的环节。