2019年3月22日，原本只是个平平常常的周五，但自国务院在10点发出「好消息！#五一放假4天#」这条公告通知后，一切都变得不再寻常。

作为一名互联网产品运营人，面对如此巨大流量，心里是乐开花的，但是这种突发状况，更应该准确定位问题，快速给出新的应对方案。

这就要求运营人需要结合自己的业务现状，实时洞察数据异常，选择适合的数据分析方法，真正做到数据驱动产品，精细化运营。

一、回顾

我们先来看一下，当天国务院通知发出后，各大产品都做了什么。

1.「消息push不约而至」

官宣！五一假期延长至4天啦！

好消息！今年五一放假四天

休4天！你想要的五一小长假回来了

喜大普本！今年劳动节放4天假

视频、地图、旅游、社交…各家媒体的消息push接踵而至，真真儿是感受到了新媒体运营人的灵敏嗅觉及强执行力。

2.「马蜂窝旅游消费指南」

根据国务院最新通知，及时同步更新最新版2019放假安排。

盘点了国内外最适合出行的24个旅行目的地。

High玩春游季大促活动更是蹭的一波热点，730元新客优惠券礼包及时送上，门票、酒店、机票、自由行全覆盖，还有688.8元红包挑战吸引用户。

对普罗大众而言，短长假出门旅行已是一种习惯，更是一种生活方式，#五一放假4天#消息一出，旅游爱好者瞬间进入旅游筹备进程。

就这样，一条「好消息！#五一放假4天#」出乎意料的放假消息，顿时成了全网热点，媒体追捧营销，大众欣喜买单，浏览访问数据瞬间飙升。

二、用数据分析问题

回过头来看，做到上面这些动作已经反应速度非常快了，而且和自家的产品调性结合的非常棒，实属优秀。

面临海量数据飞速上涨，下一步该怎么办？

这些熟悉的场景你一定都还记得：

比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析；

比如，某一时段数据异常涨跌，老板要个准确说法，你一脸懵逼；

比如，某天你负责的M站浏览量狂涨，亟需找准原因好借势再涨一波流量；

所有这些场景都需要基本的数据分析能力。

数据分析的价值所在就是将一连串的问题现象与业务数据建立对应关系，通过一定的分析套路，快速分析并解决问题。

而我接下来将重点分享三种常见的数据分析方法，再通过一个【某款社交APP在国庆期间数据猛涨原因分析】的案例来辅助理解和说明。

三、三种数据分析方法

首先，常见的数据分析方法有9种：对比分析，多维度拆解分析，漏斗观察，分布分析，用户留存分析，用户画像，归因查找，路径挖掘，行为序列分析。

这里将重点展开分享前三种数据分析方法：对比分析，多维度拆解分析，漏斗观察。

1、对比分析

对比分析是最基础最常见的数据分析方法，能直观的看出事物某阶段的变化，并且可以准确、量化地表达出这种变化/差距是多少，重点从「比什么」「怎么比」「跟谁比」三个维度进行分析。

（1）比什么

比什么，分为绝对值（#）和比例值（%）的比较。

绝对值本身已是具备“价值”的数据，比如销售金额2000元，阅读数10000万，单看数字不易得知问题的严重程度；

比例值只有在具体环境中看比例才具备对比价值，比如活跃占比，注册转化率，单看比例值容易受到极端值的影响。

（2）怎么比

怎么比，分为环比和同比。

常见的环比有日环比，月环比，是指与当前时间范围相邻的上一个时间范围对比，主要用于对短期内具备连续性的数据进行分析，如指标设定；

常见的同比有周同比，年同比，是指与当前时间范围上层时间范围的前一范围中同样位置进行数据对比分析，主要用于观察更长期的数据集，消除短期数据的干扰。

（3）和谁比

和谁比，分为和自己比、和行业比。

和自己比，可以从不同的时间维度，不同的业务线，过往经验估计，跟自己比较；

和行业比，可以观察分析得出是自身因素，还是行业趋势，比如都跌的时候，能否比同行跌的少？都涨的时候，能都比同行涨的快？

2、多维度拆解

多维度拆解，是最重要的一种思维方式，一个单一指标是不具备分析价值的，我们需要从多个维度进行拆解分析才有意义，最终以获得更加全面的数据洞察。

数据分析的本质是用不同的视角去拆分，观察同一数据指标。多维度拆解的本质多维度拆分指标/业务流程，来观察数据变动。

多维度拆解的适用场景：

分析单一指标的构成、比例时，比如分栏目的播放量、新老用户比例；

针对流程进行拆解，比如不同渠道的浏览、购买转化率，不同省份的活动参与漏斗；

还原行为发生时的场景，比如打赏主播的用户的等级、性别、关注频道，是否在WiFi或4G环境下。

现在回到第一个场景：“比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析…”

这时就需要用到多维度拆解分析方法，大致的分析思路这样这样：

（1）从APP启动事件来分析

按照设备类型查看，比如Android、iPhone…不同机型的启动情况；

按照启动来源来看，比如是从桌面、短信、PUSH…不同来源的启动情况；

按照城市等级观察，比如一线、二线、三线及以下…不同城市的启动情况；

按照新老用户细分，比如总体、新用户、老用户...不同用户群体的启动情况。

（2）从业务流程拆解

比如对于简单的“注册——>下单——>支付”流程而言：

支付漏斗按照渠道查看，渠道可能分为百度、头条、微信公众号…

支付漏斗按照城市来看，城市可能分为一线、二线、三线及以下…

支付漏斗按照设备来看，设备可能分为Android、iPhone…

3、漏斗观察

漏斗观察的分析方法我们常见且熟悉，它的运作原理是通过一连串向后影响的用户行为来观察目标。

适用于有明确的业务流程和业务目标的业务，不适用于没有明确的业务流程、跳转关系纷繁复杂的业务。

通过漏斗观察核心业务流程的健康程度。

盘点一下在建立漏斗时容易掉的坑：

（1）首先漏斗观察需要有一定的时间窗口，具体需要根据业务实际情况，选择对应的时间窗口。

按天观察，适用于对用户心智的影响只在短期内有效的情况，比如一些短期活动（当前有效，倒计时设置等）；

按周观察，适用于业务本身复杂，用户决策成本高，需要跨日才能完成的情况，比如投资理财，开户注资；

按月观察，适用于用户决策周期更长的情况，比如装修买房。

（2）其次漏斗观察是有严格顺序的，不可以用ABCDE（仅搜索途径的数据）的漏斗，看ACE（包含分类、搜索、推荐位三条途径的数据）的数据 。

（3）漏斗的计算单位可以基于用户，也可以基于时间。

观察用户，是关心整个业务流程的推动；

观察事件，是关心某一步具体的转化率，但无法获知事件流转的真实情况。

（4）结果指标的数据不符合预期时，需要自查是否只有一个漏斗能够触达最终目标，也就是检查下，是否出现第二个坑的情况。

不论是产品还是运营，我们每天所做的事情都与实际业务息息相关，业务与数据又是密不可分，想要在各自的岗位做好业务支持工作，都需具备一定的数据分析能力

不懂数据分析的产品运营，将注定过不好这一生，你的老板嫌弃你不够全栈，你的同事鄙视你不懂数据，最后连你也要怀疑自己是否OK。

既入行产品运营，就得设法过好这一生，数据分析必要不在话下。