?

科學方法必須包括：問題陳述、產生假設、收集數據、分析數據，然后獲取結果并采取行動.......當你使用科學方法做事情時，你會更快取得成功。

—— Bob Hayes?博士，百老匯商業總裁

?

前面我們已經介紹了評估和定位問題、確定潛在原因和分析數據的必要性和方法，詳情請戳?極簡數據分析實操指南（上）

下面將為你重點介紹：

• 數據分析實操指南實例解讀

• 如何避免數據分析中的坑？

• 解決問題，做出明智的決定

數據分析實操指南實例解讀

下面我們將按照極簡數據分析實操指南（上）中提到的方法，對文章中提到的幾個場景進行詳細解讀。

SaaS 公司的營銷實例

SaaS 公司的營銷經理 Jody ，需要向產品副總裁匯報注冊量下降的原因。

◆?核心問題：最近我們產品的注冊量下降，是什么原因導致？

◆?假設：由于......注冊量下降

o??最近對營銷網站的更改

o??某些地區的公眾假期

o? 廣告投放轉化率下降減少了注冊量

o??有機搜索排名（針對我們的產品頁面）下降到搜索結果的第二頁

◆?數據分析：

Jody 第一步思考數據有多少變化？是否是真的異常？

她開始分別按照天和小時查看數據的變化，發現更改網站（網站注冊會出現中斷）時注冊量確實有下降，但網站更改完成后注冊量仍然在下跌，且進一步分析發現對注冊表單樣式的更改，使轉化率略有上升，因此不是對營銷網站的更改導致。

Jody?通過進一步查看數據，發現在總體注冊量下降期間，到達注冊頁面的人數減少了大約 10％，因此，可能是上游問題導致的。

接下來，Jody?考慮假期假設（下跌開始時間是某些地區的公眾假期）。但隨著時間的推移，各國的注冊量都有所下跌，所以該假設排除。

此時，她整理了一下思緒，決定分析點擊付費廣告投放更改后的數據。發現其中一個廣告系列轉化率下降了 50％，但這個只占注冊量的 1％，所以不是主要原因。

Jody?又通過渠道查看注冊率，發現有機搜索（占注冊量的 70％）下降了 20％，推測是幾周前頁面更改引起的頁面排名的變化。于是，她開始檢查 SEO 數據，發現主要關鍵字已降低排名，現在位于第二頁，這樣一來，除了注冊量其他方面也會受影響。

最終，Jody?除了解釋注冊量下降之外，還創建了一個策略來恢復注冊，并將分析報告呈現給了產品副總裁和首席執行官。

電子商務示例

電商運營主管?Tyler 想弄清楚為什么購物車到下單的轉化率正在降低？

◆?核心問題：許多潛在客戶在購物車結算這一步流失，我們該如何降低其流失率？

◆?假設：由于......轉化率下降

o??放入購物車的人絕對數量增加

o??最近對付費流程的更改

o??季節性（即假期，學校休息等）

o??促銷結束導致更多人放棄下單

o? 某些商品出現問題，影響下單

Tyler 第一步思考加入購物車的人絕對數量是否增加？如果有大量人開始向購物車添加商品但完成購買的人數保持不變，那么可以判斷有一批購物者的轉化率降低，他注意到加入購物車的人數略有增加。

然后他開始詢問相關團隊的人，如有沒有促銷活動？有沒有推出新產品？會不會有季節性影響？付費過程有什么變化嗎？價格是否經過調整？（注意：根據業務和產品范圍的不同，這可能會有很大差異。）

Tyler 最終得知付費流程發生了一些小變化。現在，他們不僅僅列出購物車中的商品，而是展示每件商品的圖片。

為了進一步分析這種變化的影響，他將付費流程分成了不同的步驟，發現用戶的瀏覽數據正常，事實上，更多的人正在進行下一步，所以這似乎不太可能是罪魁禍首。

接下來，Tyler?通過將本周的購物車轉化率與前幾年的同一周進行比較來尋找任何季節性影響，他還通過快速瀏覽日歷，了解任何可能的線索，但由于會話和電子郵件開放率等相關指標未受影響，季節性因素假設也排除。

Tyler 之前咨詢到最近的促銷結束了，按照常識，當人們意識到促銷已經結束時，他們更有可能放棄下單。Tyler?在購物車轉化率下降之前使用促銷代碼查看付費比例，發現只占 5％，但放棄率的變化是三倍，所以這只能算一個促成因素。

Tyler 又開始思考這是商品庫存的原因嗎？但所有商品的性能相當一致，這個假設也不成立。

在考慮其他可能的原因時，Tyler?再次審查付費流程。發現商品價格頁面中對運費的描述部分大大減少，他回憶起之前對產品頁面進行一些外觀修改的時間與流失率增加時間完美吻合。

回顧這些變化后，他的新假設是潛在客戶放棄下單，是因為他們期望下單時購買的價格是產品頁面設定的較低價格，一旦他們看到全價（包括運費），就會放棄下單。

發現這一點后，Tyler 非常有自信的準備使用?A / B 測試來檢驗假設，如將產品更改恢復到以前的設計，或者嘗試使用包含運費的版本。最終，他驗證了假設，并調整了頁面。

移動應用示例

產品經理 Sofia?想找出所負責的 App?激活率降低的原因。

◆?核心問題：初始下載后，打開和使用 App 的人數減少了，怎樣才能提高激活率？

◆?假設：由于......激活率下降

o? App 的更改使人們不太愿意激活。

o??一群新的（或不同的）人開始嘗試這種產品

她注意到在過去 3 個月中激活（打開并開始使用 App）的比例一直在穩步下降（與下載總數相比）。

Sofia 先查看一些數據來獲得更多背景資料。最終她發現下載的絕對數量明顯增加，而激活人數僅略有增加。不過兩個指標的絕對數字都在增加，讓她松了一口氣。（注意：根據不同的企業，這可能是也可能不是問題。最終，這取決于是否浪費了額外的注冊資金。）

Sofia 后續很快確定應用程序中與激活下降相關的初始體驗沒有任何變化。

現在，她更密切地關注哪些人正在下載應用程序以及人口統計數據是否發生了變化。因此，她按地區對下載人群進行了分層，發現來自較低激活區域的下載量略有增加，但這遠遠不足以解釋激活率的下降。

接下來，Sofia 分析不同渠道（例如，應用商店搜索，社交廣告，推薦等）的下載情況，發現推薦下載渠道的下載量大幅增加，且似乎與她之前提到的增加的下載次數大致相同。深入分析后，她發現通過推薦下載的激活率明顯低于其他渠道。

Sofia 通過咨詢營銷團隊，了解到基本是一個高流量文章引起的推薦渠道的下載量增加，而且它沒有任何成本，具有很大的潛力待開發。Sofia?和營銷經理下一步準備采取行動增加該渠道的激活量。

Sofia?最終通過一些快速的數據分析，使最初的問題變成了一個機會。

看完上面的例子，下一步該你分析了，在分析數據時，請記住要考慮差異的真實性（統計顯著性）以及差異的實際意義。

隨著業務中的運用數據分析的地方比以往任何時候都多，領導者需要培養一種數據驅動的文化，而不是相信他們的直覺。

—— Ronald van Loon，數據科學家，演講人，作家和創始人

如何避免數據分析中的坑？

在數據分析的過程中，即使是最有經驗的數據分析人員也必須提防數據謬誤（Data Fallacies）。以下提示，將幫助你避免一些最常見的數據謬誤。

避免數據偏見

在分析數據時受個人偏見和動機的影響，即僅選擇支持你聲明的數據，同時丟棄不支持聲明的部分。“數據偏見”將讓數據的客觀性蕩然無存。

避免這種謬誤的方法是在分析數據時，盡可能收集相關數據，并詢問他人意見。

一個人應該保持中立并且不要愛上你的假設是絕對必要的。

——?David Douglass，美國物理學家

避免數據疏浚

數據疏浚（Data Dredging）是指未能確認相關性，實際上是偶然的結果。

在尋找問題的原因時，很容易被數據蒙蔽。乍一看，這些數據可能具有統計學意義，但進一步測試（例如，檢查趨勢是否持續，查看相關指標等）可能會發現只是偶然結果。

避免這種謬誤的方法是在分析數據時，從假設開始檢查相關指標和觀察數據變化趨勢。

一個常見的謬誤是假設數據集是值得信賴的——直到后來在分析中發現數據是錯誤的。所以，在開始分析之前，請確保您的數據值得信賴。

——?Tamara Dull ，SAS 研究所新興技術總監?

區分因果關系和相關性

在數據分析時很容易將兩個事件同時發生（相關），判斷為因果關系。

避免這種謬誤的方法是，收集更多數據并查看可能的第三方原因，有時會發現他們的相關關系可能與第三個獨立因子相關，而不是彼此相關。

例如，我們發現放棄其在線購物車的潛在客戶往往具有較低的總購物車價值（放棄時購物車中物品的總成本）。此時，我們沒有足夠的數據來確定這是一致的相關性，是偶然結果，還是由其他因素引起的。深入挖掘我們可能會發現運輸成本導致購物車到下單的流失率上升，因為免費送貨僅適用于超過特定最低購物車價值的訂單。

如果你對數據進行足夠長時間的折磨，它就會承認任何事情。

——?Ronald Coase 諾貝爾經濟學獎

解決問題，做出明智的決定

這個極簡數據分析實操指南可以幫助你快速解決問題并做出明智的決策。無論你是領導團隊還是向執行官報告，你都可以對有數據支持的觀點充滿信心。

在任何競爭中，獲勝者都將是那些有效利用數據做出明智商業決策的人。

—— Kirk D. Borne，博士，天體物理學家，博思艾倫首席數據科學家

在找到數據支持的結論后，你需要記下一個簡短的摘要（包括問題，數據顯示的內容以及由此產生的決策 / 行動），這樣做有兩個目的：

1.將你所分析的數據和結論告知可能涉及或受影響的任何其他團隊，為其他人提供有價值的背景信息。

2.這個記錄也將使你在將來出現類似情況時更容易參考和以防其他人想要查看數據本身。

最終，問題解決了，也總結了有價值的經驗。

下面我們回顧一下整個《極簡數據分析實操指南》，當你遇到問題時，你可以隨時查看：

• 評估和定位問題

• 確定潛在原因

• 如何分析數據？

• 數據分析實操指南實例解讀

• 如何避免數據分析中的坑？

• 解決問題，做出明智的決定

總結

以上是生活随笔為你收集整理的极简数据分析实操指南（下）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。