很多新人入門數據分析的時候，要么胡子眉毛一把抓，要么無從下手。這都是缺少分析思路的表現，在日常工作學習中需要熟記以下具體的方法來進行。
Q：一般常用的分析方法有哪些？
A：一般分為7種，分別是趨勢分析；多維分解；用戶分群；用戶細查；漏斗分析；留存分析； A/B測試與A/A測試。
Q：這7種具體是些什么？
A：具體如下：
1. 趨勢分析
趨勢分析是最簡單、最基礎，也是最常見的數據監測與數據分析方法。通常我們在數據分析產品中建立一張數據指標的線圖或者柱狀圖，然后持續觀察，重點關注異常值。
在這個過程中，我們要選定第一關鍵指標(OMTM，One Metric That Metter)，而不要被虛榮指標(VanityMetrics )所迷惑。
以社交類APP為例，如果我們將下載量作為第一關鍵指標，可能就會走偏;因為用戶下載APP并不代表他使用了你的產品。在這種情況下，建議將DAU(Daily Active Users，日活躍用戶)作為第一關鍵指標，而且是啟動并且執行了某個操作的用戶才能算上去；這樣的指標才有實際意義，運營人員要核心關注這類指標。
2. 多維分解
多維分解是指從業務需求出發，將指標從多個維度進行拆分；這里的維度包括但不限于瀏覽器、訪問來源、操作系統、廣告內容等等。
為什么需要進行多維拆解？有時候一個非常籠統或者最終的指標你是看不出什么問題來的，但是進行拆分之后，很多細節問題就會浮現出來。
舉個例子，某網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。如果你要提升用戶的參與度，顯然這樣的數據會讓你無從下手；但是你對這些指標進行拆解之后就會發現很多思路。
下面展示的是一個產品在不同操作系統下的用戶參與度指標數據。
仔細觀察的話，你會發現移動端平臺（Android、Windows Phone、IOS）的用戶參與度極差，表現在跳出率極高、訪問深度和平均訪問時長很低。這樣的話你就會發現問題，是不是我們的產品在移動端上沒有做優化導致用戶體驗不好？在這樣一個移動互聯網時代，這是非常重要的一個問題。
3. 用戶分群
用戶分群主要有兩種分法：維度和行為組合。第一種根據用戶的維度進行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的用戶；從用戶登錄平臺進行分群，有PC端、平板端和手機移動端用戶。第二種根據用戶行為組合進行分群，比如說每周在社區簽到3次的用戶與每周在社區簽到少于3次的用戶的區別，這個具體的我會在后面的留存分析中介紹。
4. 用戶細查
正如前面所說的，用戶行為數據也是數據的一種，觀察用戶在你產品內的行為路徑是一種非常直觀的分析方法。在用戶分群的基礎上，一般抽取3-5個用戶進行細查，即可覆蓋分群用戶大部分行為規律。
我們以一個產品的注冊流程為例：
用戶經歷了如下的操作流程：【訪問官網】-【點擊注冊】-【輸入號碼】-【獲取驗證碼】。本來是非常流暢的一個環節，但是卻發現一個用戶連續點擊了3次【獲取驗證碼】然后放棄提交。這就奇怪了，用戶為什么會多次點擊驗證碼呢？
這個時候我建議您去親自體驗一下您的產品，走一遍注冊流程。你會發現，點擊【獲取驗證碼】后，經常遲遲收不到驗證碼；然后你又會不斷點擊【獲取驗證碼】，所以就出現了上面的情況。
絕大多數產品都或多或少存在一些反人類的設計或者BUG，通過用戶細查可以很好地發現產品中存在的問題并且及時解決。
5. 漏斗分析
漏斗是用于衡量轉化效率的工具，因為從開始到結束的模型類似一個漏斗，因而得名。漏斗分析要注意的兩個要點：
第一，不但要看總體的轉化率，還要關注轉化過程每一步的轉化率；
第二，漏斗分析也需要進行多維度拆解，拆解之后可能會發現不同維度下的轉化率也有很大差異。
某企業的注冊流程采用郵箱方式，注冊轉化率一直很低，才27%；通過漏斗分析發現，主要流失在【提交驗證碼】的環節。
經過了解發現，郵箱驗證非常容易出現注冊郵箱收不到郵件的情況，原因包括郵件代理商被屏蔽、郵件含有敏感字被歸入垃圾郵箱、郵件送達時間過長等等。既然這么多不可控因素影響注冊轉化率，那就換一種驗證方式。換成短信驗證后，總體轉化率提升到了43%，這是非常大的一個增長。
6. 留存分析
留存，顧名思義就是新用戶留下來持續使用產品的含義。 衡量留存的常見指標有：次日留存率、7日留存率、30日留存率等等。我們可以從兩個方面去分析留存，一個是新用戶的留存率，另一個是產品功能的留存。
第一個案例：以社區網站為例，“每周簽到3次”的用戶留存率明顯高于“每周簽到少于3次”的用戶。簽到這一功能在無形中提升了社區的用戶的粘性和留存率，這也是很多社群或者社區主推這個功能的原因。
第二個案例：首次注冊微博，微博會向你推薦關注10個大V；首次注冊LinkedIn，LinkedIn會向你推薦5個同事；申請信用卡時，發卡方會說信用卡消費滿4筆即可抽取【無人機】大獎；很多社交產品規定，每周簽到5次，用戶可以獲得雙重積分或者虛擬貨幣。
在這里面“關注10個大V”、“關注5個同事”、“消費4筆”、“簽到5次”就是我想說的Magic Number，這些數字都是通過長期的數據分析或者機器學習的方式發現的。實踐證明，符合這些特征的用戶留存度是最高的；運營人員需要不斷去push，激勵用戶達到這個標準，從而提升留存率。
7. A/B測試與A/A測試
A/B測試是為了達到一個目標，采取了兩套方案，一組用戶采用A方案，一組用戶采用B方案。通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。在A/B測試方面，谷歌是不遺余力地嘗試；對于搜索結果的顯示，谷歌會制定多種不同的方案（包括文案標題，字體大小，顏色等等），不斷來優化搜索結果中廣告的點擊率。
這里需要注意的一點，A/B測試之前最好有A/A測試或者類似準備。什么是A/A測試？A/A測試是評估兩個實驗組是否是處于相同的水平，這樣A/B測試才有意義。其實這和學校里面的控制變量法、實驗組與對照組、雙盲試驗本質一樣的。
