分享五个常用的数据分析方法论,让你的数据分析报告更上一层楼~

简介: 如果你在做数据分析的时候,发现自己常常不知道从哪些维度去开展分析或者分析出来的报告总感觉逻辑上不连贯,内容上不完整,那么你一定是缺乏一个合适的数据分析方法论来指导你进行数据分析。

大家好,我是志斌~

如果你在做数据分析的时候,发现自己常常不知道从哪些维度去开展分析或者分析出来的报告总感觉逻辑上不连贯,内容上不完整,那么你一定是缺乏一个合适的数据分析方法论来指导你进行数据分析。

而且别人在看你的数据分析报告时,首先看的就是你的数据分析方法论,如果你的分析方法论是不对,那么后面的数据分析报告也不需要在看了,因为在一个错误或者不合理的方法论的指导下,数据分析报告也是错误或者不合理的,所以选择正确或者合适的数据分析方法论,对数据分析师来说,是非常重要的。

数据分析方法论有很多种,志斌选取其中较为常用的五种方法论来跟大家分享~


一、PEST分析理论


当对企业进行宏观环境分析时,大多需要使用PEST分析法,其中宏观环境是指一些影响企业的各种宏观力量。

PEST分别指的是:

  • P代表的是政治(Political)
  • E代表的是经济(Economic)
  • S代表的是社会(Social)
  • T代表的是技术(Technological)


61.jpg


图1-1  PEST分析方法示例

这四类因素的关键指标分别为:

  • 政治环境的关键指标:政治体制、经济体制、财政政策、税收政策、产业政策、投资政策等。
  • 经济环境的关键指标:GDP 及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
  • 社会环境的关键指标:人口规模、性别比例、年龄结构、出生率和死亡率、购买习惯、城市特点等。
  • 技术环境的关键指标:新技术的发明与进展、折旧和报废速度、技术更新速度、技术商品化速度、专利个数等。

以游戏行业分析为例,来学习PEST分析法:

  • 政治:国家出台了什么政策,对行业有何影响。
  • 经济:价格消费指数、GDP及增长率。
  • 社会:游戏玩家的人数规模、人口分布、性别比例、年龄结构等。
  • 技术:游戏技术的研发费用、专利的个数、游戏技术的发展趋势。

这里我们只是做一个示例,并不是说对游戏行业分析只需要做这几个方面,我们要做到具体问题具体分析。


二、SWOT分析理论


如果数据分析报告是让领导者或者管理者做决策和规划的话,那么就可以考虑使用SWOT分析法。

它可以将问题按轻重缓急分类,明确哪些是目前急需解决的问题,哪些是可以稍微拖后的事情,哪些属于战略目标上的障碍,哪些属于战术上的问题,并将这些研究对象列举出来,依照矩阵形式排列,然后用系统分析的思想,把各种因素相互匹配起来加以分析,从中得出一系列相应的结论。

SWOT指的是:

  • 优势(Strength)
  • 劣势(Weakness)
  • 机会(Opportunity)
  • 威胁(Threat)


62.jpg


图2-1  SWOT分析方法示例

以产品未来规划分析为例,来学习SWOT分析法:

  • 列出产品现在存在的所有优势。
  • 列出产品现在存在的所有劣势。
  • 列出未来存在的所有机会,机会是未来潜在的优势。
  • 列出未来存在的所有威胁,机会是未来潜在的劣势。

这里我们只是做一个示例,并不是说对产品未来规划分析只需要做这几个方面,我们要做到具体问题具体分析。


三、5W2H分析理论


如果你的数据分析报告缺乏逻辑性,那就尝试使用5W2H分析法,该方法简单、方便且易于理解和使用,普遍用于用户行为分析、企业营销和业务问题专题分析。

5W2H指的是:

  • 为什么(Why)
  • 什么事(What)
  • 谁(Who)
  • 什么时候(When)
  • 什么地方(Where)
  • 如何做(How)
  • 什么价格(How much)


63.jpg

图3-1  5W2H分析方法示例

以用户购买行为分析为例,来学习5W2H分析法:

  • Why:用户为什么要买?产品的吸引点在哪里?
  • What:产品提供的功能是什么?
  • Who:用户群体是什么?这个用户群体的特点是什么?
  • When:什么时间购买的?再次购买的时间是?
  • Where:产品在哪里最受欢迎?在哪里卖出去?
  • How:用户选择的支付方式什么?
  • How much:用户购买的成本是多少?

这里我们只是做一个示例,并不是说对用户购买行为分析只需要做这几个方面,我们要做到具体问题具体分析。


四、4P营销理论


4P营销理论产生于 20 世纪 60 年代的美国,它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素,这些要素可以概括为以下4 类:

  • 产品(Product) :从市场营销的角度来看,产品是指能够提供给市场,被入们使用和消费并满足人们某种需要的任何东西,包括有形产品、服务、人员、组织、观念或它们的组合。
  • **价格(Price) **:是指顾客购买产品时的价格,包括基本价格、折扣价格、支付期限等。影响定价的主要因素有三个:需求、成本与竞争。
  • 渠道(Place):是指产品从生产企业流转到用户手上全过程中所经历的各个环节。
  • 促销(Promotion):是指企业通过销售行为的改变来刺激用户消费,以短期的行为(比如让利、买一送一,营销现场气氛等等)促成消费的增长,吸引其他品牌的用户或导致提前消费来促进销售的增长。广告、宣传推广、人员推销、销售促进是一个机构促销组合的四大要素。


64.jpg



图4-1  4P营销理论示例

如果需要对公司的运营情况进行数据分析时,就可以尝试使用4P营销理论来对数据分析进行指导。我们以公司业务分析为例,使用4P营销理论为方法论,搭建一个框架。

  • 产品:购买产品的人都是什么群体的?那些产品的销量最好?
  • 价格:公司的收入是盈利还是亏损?产品的价格如何?
  • 渠道:用户是通过什么平台进行购买?不同地区的用户是什么群体?
  • 促销:促销方式有哪些?广告的投放是多少?

这里我们只是做一个示例,并不是说对公司业务分析只需要做这几个方面,我们要做到具体问题具体分析。


五、逻辑树分析理论


逻辑树又称问题树、演绎树或分解树等。它是分析问题最常使用的方式之一,它其实就是把一个问题当成一颗树的主体,每想到一个问题,就给这颗树加一个树枝,并标注该树枝代表的问题。

逻辑树的使用必须遵循以下三个原则:

  • 要素化:把相同问题总结归纳成要素。
  • 框架化:将各个要素组织成框架,遵守不重不漏的原则。
  • 关联化:框架内的各要素保持必要的相互关系,简单而不孤立。


65.jpg


图5-1  逻辑树分析法示例

逻辑树的优点就是可以将一个繁琐复杂的大问题细分成多个易于解决的小问题,并将每个小问题明确的分配给指定人员,落实了大家的责任和流程的优先顺序,从而确保解决问题的完整性,同时它还可以帮你理清自己的思路,避免做重复和无关的工作。

它的缺点就是分析问题时,很容易有遗漏,所以在使用逻辑树的时候,一定要把问题考虑全面。


小结


  1. 本文跟大家详细介绍了5种数据分析方法论,我们根据自己分析的问题来选取最适合自己的方法论。
  2. 我们一定要深入的了解问题,根据实际情况来对问题进行分析,灵活的运用方法论,切不可生搬硬套,否则很可能得出无用的分析报告。
  3. 五种方法论分别适用的场景为:
  • PEST分析理论常用于行业分析
  • SWOT分析理论常用于决策和规划类分析
  • 5W2H分析理论常用于用户行为分析
  • 4P营销理论常用于对公司整体运营情况分析
  • 逻辑树分析理论常用于繁琐复杂的专题分析
  1. 各个方法论之间并不是相互独立的,也可以嵌套进行适用。
相关文章
|
数据采集 SQL 人工智能
google数据分析方法论
写在前面作为开发同学,年初至今做了4个多月的数据分析工作,从刚开始的无从下手,到后来输出多个核心报表,解决了多个实际问题。这一路走来,的确有蛮多的心路历程,也积累了一些方法论。在此分享给同在数据分析路上摸索的小白同学。参考书籍:谷歌数据分析方法文章宗旨摒弃旧的思维模式,重新审视网络决策过程。更多的关注精确度,而不是准确度附:odps sql指令大全。(含示例数据构建,可以轻松学习各种用法)核心观点
266 1
|
新零售 大数据 数据挖掘
|
数据挖掘
从5W2H数据分析方法论谈起
看了小蚊子的书,里面有一个例子让我印象很深刻: 数据分析员对公司的某个业务进行了专项研究。每当完成专题分析向老板汇报分析结果是,老板首先问:“你的分析方法论是什么?将给我听听,我看分析报告就首先看你的分析方法论,如果分析方法论不正确或者不合理,那后面的分析结果也就没有必要看了,在一个不正确或者不合理的方法论的指导下,得到的分析结果是不可能正确的”。
793 0
|
19天前
|
机器学习/深度学习 数据采集 数据挖掘
如何用Python进行数据分析?
【6月更文挑战第13天】如何用Python进行数据分析?
121 66
|
6天前
|
数据可视化 数据挖掘 知识图谱
精选:15款顶尖Python知识图谱(关系网络)绘制工具,数据分析的强力助手
这里有15款免费工具推荐:NetworkX(Python基础),Graph-tool(C++速度),Graphviz(可视化库),ipycytoscape(Jupyter集成),ipydagred3,ipySigma(NetworkX + Web),Netwulf(交互式),nxviz(Matplotlib绑定),Py3plex(复杂网络分析),Py4cytoscape(Python+Cytoscape),pydot(Graphviz接口),PyGraphistry(GPU加速),python-igraph,pyvis(交互式图形),SNAP(大规模网络分析)。绘制和理解网络图从未如此简单!
17 0
|
7天前
|
机器学习/深度学习 自然语言处理 数据挖掘
使用Python和大模型进行数据分析和文本生成
Python语言以其简洁和强大的特性,成为了数据科学、机器学习和人工智能开发的首选语言之一。随着大模型(Large Language Models, LLMs)如GPT-4的崛起,我们能够利用这些模型实现诸多复杂任务,从文本生成到智能对话、数据分析等等。在这篇文章中,我将介绍如何用Python连接和使用大模型,并通过示例展示如何在实际项目中应用这些技术。
|
16天前
|
数据采集 数据可视化 数据挖掘
数据挖掘实战:使用Python进行数据分析与可视化
在大数据时代,Python因其强大库支持和易学性成为数据挖掘的首选语言。本文通过一个电商销售数据案例,演示如何使用Python进行数据预处理(如处理缺失值)、分析(如销售额时间趋势)和可视化(如商品类别销售条形图),揭示数据背后的模式。安装`pandas`, `numpy`, `matplotlib`, `seaborn`后,可以按照提供的代码步骤,从读取CSV到数据探索,体验Python在数据分析中的威力。这只是数据科学的入门,更多高级技术等待发掘。【6月更文挑战第14天】
52 11
|
10天前
|
数据采集 机器学习/深度学习 数据可视化
利用Python和Pandas库构建高效的数据分析流程
在数据驱动的时代,数据分析已成为企业决策的关键环节。本文介绍如何利用Python编程语言及其强大的数据分析库Pandas,构建一套高效且可扩展的数据分析流程。与常规的数据分析流程不同,本文不仅涵盖数据加载、清洗、转换等基础步骤,还强调数据可视化、模型探索与评估等高级分析技巧,并通过实际案例展示如何在Python中实现这些步骤,为数据分析师提供一套完整的数据分析解决方案。

热门文章

最新文章