数据分析流程及步骤怎么做数据分析( 七 ) _分析

但不管什么数据模型，核心都在于找到数据与数据之间的关联性，从海量数据中找出最核心的数据指标用以衡量目标是否达到，以系统和结构化视角思维来看数据分析。
四、数据呈现之数据分析方法
今天来讲数据分析的第四篇文章数据呈现之数据分析方法，是整个数据分析篇章中最后一部分内容。
在前面第二部分、第三部分文章中，我们讲了数据生成-获取数据-数据建模-数据指标搭建这样漫长的数据加工处理过程，到最后一步便是数据呈现和从数据中挖掘出来的问题或者机会点的数据应用。
有句话调侃讲，辛苦干活儿一年还比不过一个做 PPT 的，同样适用数据分析。如果前面做了大量数据加工处理工作，但是最后不会做数据分析和数据呈现，挖掘不到问题和机会点，那么前面的工作将白费。
（或者说前面的工作皆属于打地基，最后一步也就是本篇文章讲述的内容是收获果实。）
通过数据呈现，把分析的结果完整呈现出来，为决策者提供科学、严谨的决策依据，供决策者参考以做出决策。
好的数据呈现，需要有一个好的方式展现数据间的关系和规律，让人一目了然，这是接下来要说的数据分析方法。常见的漏斗分析、多维拆解、趋势分析、对比分析、帕累托分析和交叉分析等。
上篇讲的数据指标体系设计是从宏观层面指导如何进行数据分析，本章讲的数据分析方法主要从微观角度指导如何进行数据分析。从宏观到微观是不断细化的过程。
1. 漏斗分析
漏斗分析能够科学反映用户行为状态，以及从起点到终点各业务流程的用户转化率情况，是一种重要的流程式数据分析方法。
比如：对于电商产品来说，最终目的是让用户购买商品，但整个流程的转化率由每一步的转化率综合而定。这时，我们就可以通过漏斗分析模型进行监测。
如下图所示，我们可以观察用户在每一个环节上的转化率，寻找转化路径的薄弱点，优化产品，提升用户体验，最终提升整体的转化率。

所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单漏斗。需要关注两点，第一是关注哪一步流失最多；第二是关注流失的人都有哪些行为。转化率最低的环节，往往是 ROI 价值最大的地方。
2. 多维拆解
我自己本身是做支付业务的，日常呈现数据最多的形式便是多维拆解。（多维的意思是从多个维度拆解度量指标，如果对维度和度量不太了解的可以去看第三部分的内容。

首先呈现整体支付成功率，其次按照商户维度分别去看各商户支付成功率；
每个商户下有很多个国家，再按照国家维度去看支付成功率；
每个国家有很多个支付端，再按照各个端维度去看支付成功率；
每个端上有很多个支付方式，再按照各支付方式维度去看支付成功率。

至此，拆到最小颗粒度。
在分析数据时，若整体支付成功率发生异常，按照此路径拆解到最小颗粒度的支付方式，基本可以锁定发生问题的原因。

3. 趋势分析
建立趋势图表可以迅速了解市场、用户或者产品特征的基本表现，便于进行迅速迭代。趋势分析通常按时间维度的小时\天\周\月看度量指标的变化情况（像我每天早上来第一件事是看昨天的支付成功率有无异常）。
趋势分析有两大作用：趋势预测和数据监测。比如我现在正在做的项目业务数据监控，就是基于支付成功率在过去一段时间内的数据表现来预判当前支付成功率是否异常。如下图中的 7 月和 8 月明显低于其他月份，可判定这两个月数据发生了异常，需要去寻找原因。