说到数据分析，啤酒和尿布的例子大家应该都听腻了。再具体、深入一些的内容，往往因为数学就令很多人望而却步了。给大家分享9个不带数学推导的数据分析思路，希望大家能喜欢~
1. 分类
分类分析的目标是：给一批人（或者物）分成几个类别，或者预测他们属于每个类别的概率大小。
举个栗子：“京东的用户中，有哪些会在618中下单？”这就是个典型的二分类问题：买or不买。
分类分析（根据历史信息）会产出一个模型，来预测一个新的人（或物）会属于哪个类别，或者属于某个类别的概率。结果会有两种形式：
形式1：京东的所有用户中分为两类，要么会买，要么不会买。
形式2：每个用户有一个“会买”，或者“不会买”的概率（显然这两个是等效的）。“会买”的概率越大，我们认为这个用户越有可能下单。
如果为形式2画一道线， 比如0.5，大于0.5是买，小于0.5是不买，形式2就转变成形式1了。
2. 回归
回归任务的目标是：给每个人（或物）根据一些属性变量来产出一个数字（来衡量他的好坏）。
举个栗子：每个用户在618会为京东下单多少钱的？
注意回归和分类的区别在：分类产出的结果是固定的几个选项之一，而回归的结果是连续的数字，可能的取值是无限多的。
3. 聚类
聚类任务的目标是：给定一批人（或物），在不指定目标的前提下，看看哪些人（或物）之间更接近。
注意聚类和上面的分类和回归的本质区别：分类和回归都会有一个给定的目标（是否下单，贷款是否违约，房屋价格等等），聚类是没有给定目标的。
举个栗子：给定一批用户的购买记录，有没有可能分成几种类型？（零食狂魔，电子爱好者，美妆达人……）
4. 相似匹配
相似匹配任务的目标是：根据已知数据，判断哪些人（或物）跟特定的一个（一批）人（或物）更相似。
举个栗子：已知一批在去年双十一下单超过10000元的用户，哪些用户跟他们比较相似？
5. 频繁集发现
频繁集发现的目标是：找出经常共同出现的人（或物）。这就是大名鼎鼎的“啤酒和尿布”的例子了。 这个例子太容易扩展，就不再举栗子啦。
6. 统计（属性、行为、状态）描述
统计描述任务的目标是最好理解的：具有哪些属性的人（或物）在什么状态下做什么什么事情。
举个栗子：5月份一个月内每个用户在京东7天内无条件退货的次数
统计描述常常用户欺诈检测，试想一个用户一个月退货100+次，这会是一种什么情况？
7. 连接预测
连接预测的目标是：预测本应该有联系（暂时还没有）的人（或物）。
举个栗子：你可能认识xxx？你可能想看xxx？
8. 数据压缩
数据压缩的目的是：减少数据集规模，增加信息密度。
举个栗子：豆瓣想分析用户关于国外电影的喜好，讲国内电影的评分数据都排除掉
大数据，也不是数据越多越好，数据多带来的信息多，但是噪声也会变多。
9. 因果分析
顾名思义，因果分析的目标是：找出事物间相互影响的关系。
举个栗子：广告的效果提升的原因是广告内容好？还是投放到了更精准的用户？
这里最常见的手段就是A/B test啦
数据分析是非常强大的，不过当然还是要在具体的情景下，严格的选择假设，采用科学的分析方法才能产出有价值的结果。数据会说谎的经典案例就是“安慰剂效应”了。
数据分析对于运营来说是一个数据抽象的过程。
现实情况是连续的、复杂的、互相影响的，而数据抽象的过程，就是将这些复杂多变的现实情况简化为数字量，搭建数据模型，计算相关因子，推断事件归因，并推进自身改进优化。
由于现实的复杂性，我们作为产品、运营或者数据分析师，在实际问题处理时，就需要做归因分析，需要屏蔽其他因子的干扰，因此我们常常使用用户分群。
分群后，我们的用户群可能简化为：
在每一个分群下，我们可以简化地对比某个因素对关键路径或者关键指标的影响因素。
分群是手段，是工具，简单来说，分群分析就是通过聚类的方式，把相似的人群合并，考察同一事件或同一指标在不同人群上的表现，以推断并定位对该事件/指标有明显影响的因子。
我们将用户精细分群与用户画像结合起来，助力精益化运营的深度与精度。
细分目标人群，结合用户画像的实践
那么，用户分群与用户画像如何结合使用？
接下来，我们举个App案例进行说明：
某电商App，现在面临的问题是用户成交量较低，与投放推广的成本相比，ROI较低。
这个问题，我们应该如何分析？
首先，我们想看看成交的这部分用户与大盘用户之间有什么区别。我们在用户中选出成交的用户，建立用户群对比大盘用户。
此处定义高价值用户为成交单价>100元的用户。
1. 用户分群分析
得到了三个用户群之后，我们使用数据分析工具，对比这三个用户群特点间的区别。
以下为三个用户群特征的对比：
从图中我们可以发现，大盘用户中男性较多，但实际成单与高价值用户中，都是女性偏多，且此部分用户对购物类App、金融类App的兴趣要明显高于大盘用户，表现出了较强的消费能力。
现在我们的问题是投放回报率较低，ROI不符合预期。
那么，我们可以初步判断，可以优化的有以下两个方向：
用户引流渠道可能有问题，需要调整渠道引流策略，包括渠道选择、人群针对性优化等，引入与消费行为匹配的新用户群，提高销售量；
商品定位的调整：现有产品对男性的吸引力不足，导致大量大盘用户并没促成成单，这也是导致ROI较低的另一方面原因，可能需要调整的包括商品品类、商品推荐等；
其中，第一种优化方式的见效周期较短，而第二种调整方式相对影响层面较大、周期较长。我们优先实践第一种优化方式，以调整渠道引入流量为主，优化引入人群的匹配程度，实现提高ROI的目标。
后续还需要斟酌是否需要优化产品定位，比如打造针对男性的亮点频道，进行产品改善迭代。
2. 渠道优化策略
那么，渠道应该如何做改善？我们先对单周渠道引入量的数据，进行初步评估。
从图表上看，我们当前主要的流量渠道是渠道D与渠道E，而且渠道D的留存率很高，可以认为是我们的优质渠道。
但从成交上看，我们认为渠道A其实有很大的潜力，虽然现在的引入量较小，但与成交人群重合度较高，考虑到A渠道的获客成本低于渠道D，加大投放之后很可能会有一个不错的收益，能够实现我们提高ROI的目标。
3. 渠道人群画像验证
我们对渠道人群A进行画像分析，女性比例高达62.36%，其用户群对购物类App的兴趣也高于大盘用户，与我们高价值人群特征匹配度较高。
现在渠道A给我们带来的流量还比较小，但由于其渠道收益上ROI比例较高，且其群体画像与我们高价值用户的画像吻合度高，表现出了很高的投放潜力。
我们的改善方法是：调整渠道投放的比例，减少渠道B、渠道C的投放，增强渠道A的投放，以周为单位，迭代优化渠道投放效果，并监测ROI的变动。
4. 渠道投放优化效果
在投放一周后，对新增用户有了增长，我们临时决议再次加大渠道A的投放比例。
这里是一个月的时间周期内，我们的新增用户数在渠道上的分布有了显著变化。
优化投放渠道前后，购买转化漏斗转化率的改变：
由于渠道A的平均客单价约是渠道D的1/2~1/3，我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了优质低价的渠道，降低了获客成本。
细分漏斗画像，改善关键节点
通过数据挖掘，我们发现了优质渠道A，其用户群与我们的高价值用户比较吻合，同时平均客单价约是原有主要渠道D的1/2~1/3，我们的投入产出比例得到了优化。
这主要依赖于通过数据分析找到了优质低价的渠道，降低了获客成本。
漏斗改进效果如下图：
那么，这个漏斗是否存在其他可以改进的地方呢？
当然有！我们的现实世界并非是简单的数据逻辑结构，很多结果都是多种原因综合导致的，我们可以用多种角度去分析同一个问题。
下面我们将结合漏斗分析与用户分群来做一个深度分析，通过漏斗的细致拆分和交叉对比，定位问题所在。
1. 漏斗分析
那我们就从这个漏斗开始分析：从上面都是漏斗中，我们可以看到，加入购物车之前的转化率都较高，但在购物付款的流程中，转化率急剧降低至14.65%，这里应该也有改进的空间。
我们再看页面浏览数据，可以发现，用户在订单确认页面停留的时间长达95秒，这与我们平时的认知不相符。
2. 漏斗拆分
为了验证我们的假设，我们建立两个小用户群——“确认要付款的人群”&“成功付款的人群”，即把漏斗中“订单人群”到“付款人群”进行了拆分，把确认付款的动作独立出来。
我们能够发现，在“确认要付款”到“成功付款”确实是损失转化的主要环节。
3. 分群分析
我们看这群“确认付款”&“未成功付款”的人群：通过几个人群的对比，我们发现“付款失败”组的人群离线环境陡增约14%，另外，其3G、2G网络的比例要高于大盘人群（5.68% vs. 1.36%），且设备品牌中，相对机型较小众、低端。
我们实际测试了品牌1和品牌2的实际几个机型，主要针对的就是付款页面的页面体验，存在以下问题：
于是我们做了以下改善：
紧急修复版本，在小众机型的主要推广渠道上升级了版本适配性的App；
页面加载量优化，包括切割、压缩、删减图片，框架优化，预加载等策略，恶劣网络下加载速度提升至约15秒；
加载等待页面设计，增加了动画的等待页面，给用户卖个萌，增加用户等待的耐心。
4. 效果验证
页面优化后，我们的漏斗转化流程有明显改善：
我们针对这群“付款失败”用户群所做的改善，为转化漏斗提高了3%的转化效率，这是非常大的一个收益。另外，我们在后续的漏斗改进中，还尝试结合了页面点击/页面流转的分析，删去了付款页面中不必要的信息、按钮，保证了付款流程的顺畅性，对于提升漏斗也有一定的作用。
5. 总结一下
数据运营的优化思路其实就是通过细致拆分，把复杂的、多因子的事件分析拆分为独立的、单因子的归因分析，以确定改进的思路。
via：荆花知了窝
在9月12日~22日购买小蚊子数据分析系列视频课程（Excel、SPSS、R、Python等），可享三重优惠：5-8折、用券、赠书
点击“阅读原文”进入活动页面
