一、內外因素分解法
在數據分析的過程中，會有很多因素影響到我們的指標，那么如何找到這些因素呢？在此向大家推薦內外因素分解法。內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然后再一步步解決每一個問題。
舉個例子：
某社交招聘類網站，分為求職者端和企業端。其盈利模式一般是向企業端收費，其中一個收費方式是購買職位的廣告位。業務人員發現， “發布職位” 的數量在過去的 6 月中有緩慢下降的趨勢。對于這類某一數據指標下降的問題，可以怎么分析呢？
根據內外因素分解法，我們可以從四個角度依次去分析可能的影響因素。
內部可控因素：產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化。
外部可控因素：市場競爭對手近期行為、用戶使用習慣的變化、招聘需求隨時間的變化。
內部不可控因素：產品策略（移動端/PC端）、公司整體戰略、公司客戶群定位（比如只做醫療行業招聘）。
外部不可控因素：互聯網招聘行業趨勢、整體經濟形勢、季節性變化。
有了內外因素分解法，我們就可以較為全面地分析數據指標，避免可能遺失的影響因素并且對癥下藥。
二、DOSS 思路
DOSS 思路是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。首席增長官需要快速規模化有效的增長解決方案，DOSS 是一個有效的途徑。
三、數據分析的方法
我們以一個電子商務網站為例，用數據分析產品對該網站進行快速地數據采集、清晰和可視化展示，然后給大家分享這幾種常見的數據分析方法。
3.1 數字和趨勢
看數字、看趨勢是最基礎展示數據信息的方式。在數據分析中，我們可以通過直觀的數字或趨勢圖表，迅速了解例如市場的走勢、訂單的數量、業績完成的情況等等，從而直觀的吸收數據信息，有助于決策的準確性和實時性。
對于電子商務網站，流量是非常重要的指標。上圖中，我們將網站的訪問用戶量（UV）和頁面瀏覽量（PV）等指標匯匯聚到統一的數據看板（Dashboard），并且實時更新。這樣的一個數據看板，核心數字和趨勢一目了然，對于首席增長官來說一目了然。
3.2 維度分解
當單一的數字或趨勢過于宏觀時，我們需要通過不同的維度對于數據進行分解，以獲取更加精細的數據洞察。在選擇維度時，需要仔細思考其對于分析結果的影響。
舉個例子，當監測到網站流量異常時，可以通過拆分地區、訪問來源、設備、瀏覽器等等維度，發現問題所在。圖中，當天網站的訪問用戶量顯著高于上周，這是什么原因呢？當我們按照訪問來源對流量進行維度拆分時，不難發現直接訪問來源的訪問量有非常大的提升，這樣就進一步把問題聚焦了。
3.3 用戶分群
針對符合某種特定行為或背景信息的用戶，進行歸類處理，是我們常常講到的用戶分群（segmentation ）的手段。我們也可以通過提煉某一群用戶的特定信息，創建該群體用戶的畫像。例如訪問購物網站、寄送地址在北京的用戶，可以被歸類為“北京”用戶群體。而針對“北京”用戶群體，我們可以進一步觀察他們購買產品的頻度、類別、時間，這樣我們就創建出該用戶群體的畫像。
在數據分析中，我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產品優化，效果會更加明顯。上圖中，我們通過用戶分群功能將一次促銷活動中支付失敗的用戶挑選出來，然后推送相應的優惠券。這樣精準的營銷推廣，可以大幅度提高用戶支付的意愿和銷售金額。
3.4 轉化漏斗
絕大部分商業變現的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一，無論是注冊轉化漏斗，還是電商下單的漏斗。通過漏斗分析可以從先到后還原用戶轉化的路徑，分析每一個轉化節點的效率。
其中，我們往往關注三個要點：
第一，從開始到結尾，整體的轉化效率是多少？
第二，每一步的轉化率是多少？
第三，哪一步流失最多，原因在什么地方？流失的用戶符合哪些特征？
上圖中注冊流程分為 3 個步驟，總體轉化率為45.5%；也就是說有 1000 個用戶來到注冊頁面，其中 455 個成功完成了注冊。但是我們不難發現第二步的轉化率是 56.8% ，顯著低于第一步 89.3% 和第三步轉化率 89.7%，可以推測第二步注冊流程存在問題。顯而易見第二步的提升空間是最大的，投入回報比肯定不低；如果要提高注冊轉化率，我們應該優先解決第二步。
3.5 行為軌跡
關注行為軌跡，是為了真實了解用戶行為。數據指標本身往往只是真實情況的抽象，例如，網站分析如果只看訪問用戶量（UV）和頁面訪問量（PV）這類指標，斷然是無法全面理解用戶如何使用你的產品。
通過大數據手段，還原用戶的行為軌跡，有助于增長團隊關注用戶的實際體驗、發現具體問題，根據用戶使用習慣設計產品、投放內容。
上圖中展示了一位用戶在某電商網站上的詳細行為軌跡，從官網到落地頁，再到商品詳情頁，最后又回到官網首頁。網站購買轉化率低，以往的業務數據無法告訴你具體的原因；通過分析上面的用戶行為軌跡，可以發現一些產品和運營的問題（比如是不是商品不匹配等等），從而為決策提供依據。
3.6 留存分析
在人口紅利逐漸消褪的時代，留住一個老用戶的成本要遠遠低于獲取一個新用戶。每一款產品，每一項服務，都應該核心關注用戶的留存，確保做實每一個客戶。我們可以通過數據分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關聯，找到提升留存的方法。
在 LinkedIn，增長團隊通過數據發現，如果新用戶進來后添加 5 個以上的聯系人（上圖紅色線條），那么他/她在 LinkedIn 上留存要遠遠高于那些沒有添加聯系人（上圖綠色和紫色的線條）的留存。這樣，添加聯系人稱為 LinkedIn 留存新用戶的最核心手段之一。
除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的注冊用戶回訪率，產品團隊關注每一個新功能對于用戶的回訪的影響等等，這些都是常見的留存分析場景。
3.7 A/B 測試
A/B 測試用來對比不同產品設計/算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產品或者功能設計的效果，市場和運營可以通過 A/B 測試來完成不同渠道、內容、廣告創意的效果評估。
舉個例子，我們設計了兩種不同的產品交互形式，通過比較實驗組（A 組）和對照組（B組）的訪問時長和頁面瀏覽量兩個衡量指標，來評估哪一種交互形式更佳。
要進行 A/B 測試有兩個必備因素：第一，有足夠的時間進行測試；第二，數據量和數據密度較高。因為當產品流量不夠大的時候，做 A/B 測試得到統計結果是很難的。而像這樣大體量的公司，每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數據規模較大時使用會更加精準，更快得到統計的結果。
3.8.數學建模
當一個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數學建模、數據挖掘的手段進行建模，預測該商業結果的產生。
作為一家 SaaS 企業，當我們需要預測判斷客戶的流失時，可以通過用戶的行為數據、公司信息、用戶畫像等數據建立流失模型。利用統計學的方式進行一些組合和權重計算，從而得知用戶滿足哪些行為之后流失的可能性會更高。
我們常常說，不能度量，就無法增長，數據分析對于企業商業價值的提升有著至關重要的作用。當然，僅僅掌握單純的理論還遠遠不夠，實踐出真知。數據分析的方法大家不妨在自己日常工作中，有分析相關項目里嘗試使用，相信可以事半功倍，創造更多商業價值。
文章部分來源于互聯網。
