時間:2021-02-23來源:Rain0808瀏覽數:166次
導讀:從美食來說, 我們每天都在運用數據分析的方法在生活中運用數據分析, 比如你今天做了一個土豆燉排骨, 你會跟其他的菜比較比如跟炸豆腐對比, 從色香味來對比, 同樣的你也會跟自己上一次做的這一道一模一樣的菜做對比。
假如我們只有對比,我們只知道我們的菜比如更好了或者變差了, 但是沒有細分, 細分就是尋找差異, 從色香味, 從調料、選材、火候、加工順序等等多個方面去找尋差異。 01 互聯網中的細分 在互聯網的數據分析中, 經常我們去分析比如今天的活躍人數降低了, 我們經常要從多個維度去分析為什么降低。 同時我們還要跟上周, 昨天, 去年同期等做對比, 分析雖然是降低了, 但對比去年是否有變化。 那么我們如何做一個有效的細分呢。 首先我們有很多可以細分的維度, 比如從時間上拆分, 一個月的活躍人數我們可以拆分到每一天的人數, 活躍人數可以拆分新的活躍人數, 老的活躍人數。 同樣都是活躍人數, 我們可以拆分不同活躍等級的人數, 這里的活躍人數指的就是比如一個月活躍1天、活躍3天、活躍7天等不同活躍天數, 又可以拆分成一天活躍1小時, 3小時, 7小時等不同時長的用戶。 我們還可以對地區進行細分, 比如活躍人數降低了, 我們可以細分到是哪個地方降低比較多, 是廣東還是廣西, 是湖南還是湖北。 除了以上拆分的維度, 我們還可以有很多拆分的維度, 比如另外一個例子, 我們發送的表情總數量跌了, 我們就可以拆分成發送的小黃臉小表情, 還有很騷氣的大表情。 這些拆分是跟特地業務相關的。 對于電商類的業務比如總的訂單量,我們可以拆分來自不同的店鋪, 不同的品類, 不同的商品類型, 不同的價格類型等等。 對于游戲類型的業務比如總的賣的游戲皮膚,我們可以拆分不同角色的皮膚, 武器也是類似的。 對于視頻類app,比如抖音的關注數, 我們可以拆分不同用大v的粉絲數量。 單單細分, 沒有對比, 就沒有洞察, 那么我們細分好了分析維度之后, 怎么對比呢。 02 互聯網中的對比 對比就是在細分的基礎上選擇合適的指標進行對比。比如我們要分析現在朋友圈在某一天的情況如何。 我們會想一些指標去評估, 比如朋友圈活躍人數, 活躍次數, 活躍時長, 活躍到發表的轉化率等, 然后我們就會把這些指標去跟去年同期做對比看漲跌如何, 也就是自己跟自己比。 除了自己跟自己比, 我們會拿到一個具體的漲跌的數字, 但我們不知道一個數字是有沒有明顯的異常, 這時候就可以借助其他的業務。 比如我們會看表情活躍今年跟去年同期對比的漲跌, 然后看朋友圈的漲跌跟表情的漲跌, 就可以科學評估這個漲跌是否是非常異常的。 03 數據報告中的細分和對比 在數據分析報告中, 貫穿整個數據報告的其中一周思維就是細分和對比, 我們在描述一個業務, 一個產品, 一個功能的時候, 我們就會拆分多個維度去對比分析。 比如以questmobile報告為例, 我們可以發現, 首先是細分從社交, 視頻, 網購等多個維度進行細分, 然后對比他們的活躍占比。 但除了對比這些興趣度以外, 本身興趣度自己跟自己又有同比的增量情況, 這個主要是刻畫如果一個興趣度的占比比其他興趣更活躍的時候, 這個興趣度本身的活躍占比、相比上周、相比去年同期是否有變化。 另外一種細分我們可以看到在算知乎app和知乎百度小程序的占有率的時, 細分了知乎app自己獨占率, 知乎小程序的獨占率, 就可以對比app 和小程序的獨占率的差異, 知乎app(97.0%)> 知乎小程序 (93.3%),同時還可以對比知乎app 中 單純app獨占率(97.0%) 和 小程序 3% 的占比之差。 除了同一個app獨占率自己的對比, 同種類型的app的獨占率還做了對比. 比如百度知道app 獨占率 95.6%, 宣布內附知乎app 獨占率(97.0%)略低。但百度小程序的獨占率(99.0%)要大大高于 知乎小程序的獨占率 93.3%。 04 細分和對比方法的總結 細分和對比方法在數據分析中的應用非常之多, 同樣的在面試的時候也經常會問到一些問題的分析, 也會經常要用到細分和對比的分析方法。 同樣在生活中, 我們的購物貨比三家, 旅游的時候攻略也是多家對比, 我們時時刻刻都在面對需要細分和對比的方法去解決問題的時候。發布時間:2023-09-26瀏覽量:79次
發布時間:2022-06-28瀏覽量:970次
發布時間:2022-06-15瀏覽量:263次
發布時間:2022-06-14瀏覽量:544次
發布時間:2022-06-14瀏覽量:755次