一个产品，如果你不能衡量它，你就不能了解它，自然而然，你就无法改进它。数据分析说到底，就是这样一个工具——通过数据，我们可以衡量产品，可以了解产品，可以在数据驱动下改进产品。

在数据分析领域，我们套用道家强调的四个字来说，叫“道、法、术、器”

• “道”则是指方向，是指导思想，是战略；
• “法”则是指选择的方法，有句话说“选择比努力重要“
• “术“则是指操作技术，是技能的高低、效率的高下。比如使用分析工具的技术（如用Excel进行数据分析的水平）；
• “器“则是指物品和工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”。

而在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”。

那么数据分析方法都有哪些呢？下面诸葛君为大家介绍数据分析过程中常用的6种分析方法。

01 细分分析法

细分分析法是最常用的数据分析方法，对一个指标按不同的维度进行细分查看，往往就能找到影响数据指标涨幅的原因。细分方法可以分为两类：

一类是逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；

另一类是维度交叉，如：来自付费SEM的新访客。

以诸葛io电商demo为例：

对【付款成功】事件按【省份】属性细分查看，能够清晰的看出【北京】区域的涨幅与【付款成功】数据指标涨幅关系非常紧密。

（图为诸葛io demo实操页面）

细分分析法除了对指标异常进行深入分析之外，平时的数据指标，如果想要知道该指标的各占比情况，也会经常用到细分功能。比如注册成功指标中有多少占比是男性，多少占比是女性；付款成功中会员的占比是多少，非会员的占比是多少。细分是个常用到不能常用的功能。

02 漏斗分析法

转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。在使用漏斗过程中除了选择各步骤的事件外，还需要特别注意漏斗的转化时间。不同应用场景转化时间各不相同。比如在申请获得贷款授信上，可以按同一会话来看转化情况；电商类的转化时间可以按同一天内来看转化情况；具体的要根据实际业务场景来设置转化的周期。

（图为诸葛io demo实操页面）

除了通过漏斗的方式来看各流程之间的转化，还有一种情况是计算转化率，比如新增用户到注册成功的转化率是多少，这类转化一般通过两个事件进行四则运算来实现。

（图为诸葛io demo实操页面）

漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。

03 留存分析法

留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利

当下获客成本非常昂贵，通过广告渠道获取的用户当然希望他们尽量多的能够留存下来。通过留存分析找到留存下来的用户，找出留存下来的用户他们是因为平台给他们传递什么价值他们才留存下来，如果把这个平台价值能更好的传递给新来的用户，那就能让更多新用户留存下来。

除了提升新增用户留存外，还需要时刻关注整体用户的留存情况，通过细分、对比等方式，寻找高留存用户的特征，提升整体用户的留存情况。

（图为诸葛io demo实操页面）

04 画像分析法

在数据分析中，经常会用到用户画像分析，比如在漏斗转化过程中，有200个用户在某个流程中流失了，那我们需要对这200个用户进行画像查看，查看具备什么样特征的用户特别容易流失。再比如我们去广告投放之前，我们需要知道产品核心用户的用户画像，这样在选择广告渠道上面就会非常得心应手，在换量的渠道上，也可以评估他们的用户群体和我们产品的用户画像是否一致，有多大比例上重叠的。

（图为诸葛io demo实操页面）

05 对比分析

对比分析主要是将两个相互联系的指标数据进行比较，一个指标本身可能看不出多少有用信息，但将两组数据进行对比，能够解读的维度就相较之前会多一些，通过相同维度下的指标分析，可以发现业务在不同阶段的问题。

常见的对比方法包括：时间对比、空间对比、标准对比。

比如绝对值或比例值对比，环比或同比对比，跟同行业或者自己进行对比，亦或者通过划分不同用户群，用户群之间进行对比分析。

以诸葛io电商demo为例：

对「查看商品详情」事件以「商品分类」属性细分，对「搜狗用户群」与「百度用户群」进行对比分析，我们可以很清晰的查看到「来自百度」的用户比例更高，为之后运营工作开展奠定了基础。

（图为诸葛io demo实操页面）

06 AB测试

增长黑客的主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西，快速验证，那如何验证呢？主要方法就是AB测试。当我们从数据中找到问题的时候，我们需要验证洞见是否正确，这时候就需要AB测试的帮忙，将一批用户引导到新的运营方案上，之后来验证洞见是否正确。只有从用户中得到验证的假设才是有价值的。

比如：你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题，也想出了主意。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

当然除了上面提到的分析方法之外，还有其他的分析方法，比如热力图分析、归因分析等等，分析方法更多是术的层面，在使用哪种分析方法之前，还是需要定义清楚问题和通过那些维度去寻找突破口，再借助数据分析方法，这样才能达到事半功倍的效果。