數據有什么用？

數據驅動產品進步！

現在人們對數據的要求越來越高，我們在數據分析的時候，一個好的數據分析思維加上一個好的數據分析工具，兩者必不可少，今天主要是為大家講解三個數據分析思路和一個好工具。

首先我們來看看數據分析思路是什么：

1 數據趨勢分析

趨勢分析一般而言，適用于產品核心指標的長期跟蹤，比如，點擊率，GMV，活躍用戶數等。做出簡單的數據趨勢圖，并不算是趨勢分析，趨勢分析更多的是需要明確數據的變化，以及對變化原因進行分析。

趨勢分析，最好的產出是比值。在趨勢分析的時候需要明確幾個概念：環比，同比，定基比。

環比是指本期統計數據與上期比較，例如2019年2月份與2019年1月份相比較，環比可以知道最近的變化趨勢，但是會有些季節性差異。

為了消除季節差異，于是有了同比的概念，例如2019年2月份和2018年2月份進行比較。

定基比更好理解，就是和某個基點進行比較，比如2018年1月作為基點，定基比則為2019年2月和2018年1月進行比較。

比如：2019年2月份某APP月活躍用戶數2000萬，相比同年1月份，環比增加2%，相比去年2月份，同比增長20%。

趨勢分析另一個核心目的則是對趨勢做出解釋，對于趨勢線中明顯的拐點，發生了什么事情要給出合理的解釋，無論是外部原因還是內部原因。

2 數據對比分析

數據的趨勢變化獨立的看，其實很多情況下并不能說明問題，比如如果一個企業盈利增長10%，我們并無法判斷這個企業的好壞，如果這個企業所處行業的其他企業普遍為負增長，則5%很多，如果行業其他企業增長平均為50%，則這是一個很差的數據。

對比分析，就是給孤立的數據一個合理的參考系，否則孤立的數據毫無意義。

一般而言，對比的數據是數據的基本面，比如行業的情況，全站的情況等。有的時候，在產品迭代測試的時候，為了增加說服力，會人為的設置對比的基準。也就是A/B test。

比較試驗最關鍵的是A/B兩組只保持單一變量，其他條件保持一致。比如測試首頁改版的效果，就需要保持A/B兩組用戶質量保持相同，上線時間保持相同，來源渠道相同等。只有這樣才能得到比較有說服力的數據。

3 數據細分分析

在得到一些初步結論的時候，需要進一步地細拆，因為在一些綜合指標的使用過程中，會抹殺一些關鍵的數據細節，而指標本身的變化，也需要分析變化產生的原因。這里的細分一定要進行多維度的細拆。常見的拆分方法包括：

??分時：不同時間段數據是否有變化。

??分渠道：不同來源的流量或者產品是否有變化。

??分用戶：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。

??分地區：不同地區的數據是否有變化。

??組成拆分：比如搜索由搜索詞組成，可以拆分不同搜索詞；店鋪流量由不同店鋪產生，可以分拆不同的店鋪。

細分分析是一個非常重要的手段，多問一些為什么，才是得到結論的關鍵，而一步一步拆分，就是在不斷問為什么的過程。

4 一個好工具

ABI---一站式數據分析平臺。

全能型數據分析平臺，打通企業數據分析應用的全場景需求。

我們能做到：

數據可視化

數據可視化：近百種組件特效任意組合即可制作酷炫靈動的大屏駕駛艙

可視化地圖：支持各類地圖應用，包括圖片式地圖，GIS地圖，動態3D地圖

領導駕駛艙：以圖表結合的形式生動直觀地展示企業KPI指標，為領導提供的“一站式”決策支持

3D可視化：逼真的動態模型仿真、擬實場景交互和實時數據監控，輕松掌握城市一手信息，賦能智慧城市高效運營

敏捷分析

敏捷看板：面向業務人員，一分鐘上手，滿足各類用戶對業務數據綜合分析需要

分析報告：快速制作圖文并茂的數據分析報告并進行匯報展示

幻燈片：制作動態數據的幻燈片既省時又省力，在眾多幻燈片中脫穎而出

預測挖掘

多樣的算法：分類分析，關聯分析，回歸分析，聚類分析，時間序列預測等等

全程可視化：不懂算法也不用擔心，拖拽式操作輕松掌握數據挖掘

模型評估：提供科學的模型評估方法，根據評估結果智能的推薦最佳模型

數據填報

數據采集：制作全新的表單用于錄入數據

數據補錄：制作分析表進行數據回填，補錄缺失的數據

個性化業務流程：靈活輕便的工作流引擎，實現了用戶業務過程的自動化

數據處理

構建數據倉庫：用于幫助政府和企業構建數據倉庫

ETL工具：通過拖拽式的流程設計，實現了數據抽取、清洗、轉換、裝載及調度

一體化：無需多套工具，數據處理和分析完美銜接