3+3极简数据分析法（一）

数据分析很简单：

技术流的老司机，左手SQL右手BI，溜的飞起。其实SQL、Python是数据挖掘；PPT、BI是数据展示。学会了当然很棒，不会也没关系。

数据分析不是技术流，是一种思维习惯。能帮你梳理业务，找到方向，达成目的数据分析，才是真·数据分析。而建立这种思维习惯，你只需要记住3个步骤，掌握3个模型。

这就是极简数据分析法。

3个步骤

这三个步骤是，确定目标（明确问题）、分析原因（列出公式）、给出建议（确认元素并找到根因）。我们以某互联网金融公司A为例。假设A公司正准备上市，当前核心目标为利润。针对利润，我们列出公式。上面公式中，利润拆解成了 付费用户数、投资金额、投资时长、对应利率 四个元素。其中对应利率取决于资产端，跟用户侧关系不大。

因此如果我想提升核心KPI—利润，就要尽可能的提升付费用户、投资金额和投资时长。恭喜你，已经找到了发力点。

注意，核心目标会随着业务发展不断变化，比如用户运营，App初期看重新增，中期看重转化，后期看重留存。如果仍然难以确定，看看你的核心KPI。

3个模型

确认需要提升的元素后，问题来了。

1.如何提升每个元素的量级？

2.怎样制定策略，分配资源？

3.如何验证策略是否有效？

你需要掌握3个模型。

A. 漏斗模型

有了漏斗模型，就可以分析每层漏斗衰减的原因。有些原因显而易见，有些需要做A/B测试。你可以逐层提升转化；也可以改变用户路径，减少漏斗层级。

人们发现，在许多事物向前发展的过程中，都会呈现倒金字塔的形状。在同一起跑线出发的马拉松选手，随着段位的增加，越来越少的人可以继续留在赛道上，最终也只有极少数的人可以通过全程的最终点。这种淘汰或是流失的模式可以被抽象化为漏斗模型。

1.模型背后的意义：

关于实际应用场景中漏斗模型，人们期望的无非就两点：

1）最终漏出的数量多

2）最终漏出的比率高

针对这两点目标，可行的措施是：

1）增加最初的流入量

2）提高每一个关键点的留存率

2. 经典的“销售漏斗”

关于漏斗分析，听到比较多的可能是“销售漏斗”。销售漏斗模型中，每一个关键点都代表一个销售阶段的机会数，可以清晰的展示销售代表在开展销售到最终成交的过程中，机会的变化情况。行业不同，业务不同，应根据具体业务构建“销售漏斗模型”。下图某行业用的销售漏斗模型：

3. 漏斗建模的关键

一般来说，遇见的都是有序漏斗分析，这种顺序体现在关键节点的路径中。在有序漏斗中，路是越走越窄的，换句话说，后面的每一步留下的数据量都不可能大于前面一步留下的数据量。如果不符合这个条件，则表明关键路径的流程顺序可能是有问题的，需要调整路径顺序。

4. 一个简单的案例

数据分析需求描述：产品运营部门想要提升APP产品的成功注册并投资的用户数，需要数据分析师给予决策依据。

拿到这个分析专题，首先要理解业务意图。用户注册时一般需要完成几个步骤，每一步都完成后才能完成成功注册，由于外部和内部各种可控的、不可控的原因，用户可能在任何一个步骤会终止注册。

制定分析计划的时候，需要对这个看似很小的业务场景进一步拆分，拆分为几个关键的步骤，比如支持H5内投资的理财产品漏斗，要比下载App投资的漏斗少2个层级，转化率要高很多。

盈利还是亏损，有时只取决于一个漏斗。注意，优化漏斗是个长期过程，需要每天关注。

案例所见的“销售漏斗”都是相对简单的，为了简化模型的设计及实现，其建模中通常只是抓取了几个比较大的、数据获取相对容易的关键节点去分析。但数据分析从来都是慢工出细活，要想锁定转化的问题所在，实际工作场景中往往需要构建更细致的模型。

俗话说，无数据不改善。所有数据分析的终极价值都体现在改善事物发展态势的实践中。

漏斗分析可以揭示每个关键环节的转化率、流失率，锁定主要问题所在，为全流程的改善提供参考建议。