七种常见的数据分析法之:对比分析法

2018 年 12 月 1 日 数据猿

导读

对比分析在于看出基于相同数据标准下,由其他影响因素所导致的数据差异,而对比分析的目的在于找出差异后进一步挖掘差异背后的原因,从而找到优化的方法。

来源:诸葛io数据教练丨作者:诸葛io

数据猿官网 | www.datayuan.cn

今日头条丨一点资讯丨腾讯丨搜狐丨网易丨凤凰丨阿里UC大鱼丨新浪微博丨新浪看点丨百度百家丨博客中国丨趣头条丨腾讯云·云+社区

上面这张图表是一个常见的柱状图,而柱状图的作用在于直观对比各项数据之间的差异。


上面这张柱状图是针对9月份各渠道获客统计的一个对比分析图表,针对各渠道的下载量、访问量、注册量进行对比。


对比要点一:对比建立在同一标准维度上


在这张图中,首先要关注到的对比要点是各项数据的对比要基于同一维度。这张图是针对9月份的渠道推广效果的对比统计,9月份就是第一个对比标准,也就是时间维度。


在时间维度下,后续对比的结果都是基于这个标准产生的,也就是在9月份这个时间范围内的数据对比,并不能用10月份的数据与这个图表中的数据对比。当然,除了时间维度,也可以使用空间维度,例如渠道A在1-12月每月的数据对比。无论用什么维度,对比要建立在一个大的标准下。


对比要点二:拆分出相关影响因素


在时间这个大维度下,我们对各渠道的获客效果进行了拆分,也就是将获客效果衡量分为了访问量、下载量和注册量。这三个维度的数据作为判断渠道获客的标准,从对比中找出各渠道的优劣。


例如通过这个图表可以看出,渠道A的访问量最高,渠道B的下载量最高,渠道A的注册量最高,那么这样的对比结果能够说明什么问题呢?


我们能够看到,渠道A从访问到下载的流失比较严重,渠道B从下载到注册的流失比较严重,而渠道C在访问量、下载量都低于其他渠道的基础上,渠道C的注册量与渠道A并没有相差太多。


也就是说,我们可以提出一个假设,渠道C的获客效果更好,为了印证这个假设,我们可以在影响因素中再加入渠道投放花费这个维度,如果渠道A的高访问是因为高花费,渠道C的低访问是因为低花费,那么基本可以印证这个假设。


对比要点三:各项数据对比需要建立数据标准


在这张图中能够看到一个比较奇怪的现象,渠道B的下载量比访问量还要高,为什么会这样呢?


我们在这张图表中加入了一个中间标准数据,对各项数据进行了一次标准换算。假设访问量的真实数据为1万是,标准数据为1,下载量的真实数据为1千时,标准数据为1,注册量的真实数据为100时,标准数据为1.


经过标准数据的换算,我们将各项数据放在一张图表上时,对比的差异化会更明显。


so,现在明白对比分析法要怎么做了么?


对比分析法的维度可以分为同比、环比、定基比等不同的对比方法:


同比:例如去年9月与今年9月的对比,同比一般被看做是基于相同数据维度的时间同期对比,也可以看做基于时间维度的影响因素对比,例如相同的营销活动在不同的渠道投放所带来的转化数据,也可以看做是同比。


环比:例如9月份与8月份数据的对比,这是从时间维度的对比,也可以以周期性维度对比,例如第一阶段推广投放了10个渠道,第二阶段推广投放了15个渠道,那么第二阶段与第一阶段环比上涨还是下降,进而找出数据变化的原因。


定基比:定基比是指针对一个基准数据的对比,例如在各推广渠道中,渠道B与渠道A相比,渠道C与渠道A相比,而两者的比值是渠道B与渠道C的定基比。


对比分析在于看出基于相同数据标准下,由其他影响因素所导致的数据差异,而对比分析的目的在于找出差异后进一步挖掘差异背后的原因,从而找到优化的方法。


▲向上滑动


采访/报道/投稿

yaphet.zhang@datayuan.cn


商务合作

18600591561(微信)



长按右方二维码

关注我们ˉ►


登录查看更多
0

相关内容

【2020新书】实战R语言4,323页pdf
专知会员服务
100+阅读 · 2020年7月1日
近期必读的五篇KDD 2020【图神经网络 (GNN) 】相关论文_Part2
专知会员服务
160+阅读 · 2020年6月30日
【实用书】学习用Python编写代码进行数据分析,103页pdf
专知会员服务
194+阅读 · 2020年6月29日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
193+阅读 · 2020年3月12日
主流互联网平台广告业务对比分析
百度公共政策研究院
29+阅读 · 2019年5月20日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
网络舆情分析
计算机与网络安全
20+阅读 · 2018年10月18日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
你用 Python 做过什么有趣的数据挖掘项目?
计算机与网络安全
4+阅读 · 2018年2月11日
【入门】数据分析六部曲
36大数据
18+阅读 · 2017年12月6日
【社交网络】一文读懂社交网络分析
产业智能官
15+阅读 · 2017年10月14日
你以为自己真的了解用户画像?其实猫腻可多了
THU数据派
8+阅读 · 2017年7月12日
Arxiv
35+阅读 · 2020年1月2日
Arxiv
136+阅读 · 2018年10月8日
Arxiv
5+阅读 · 2018年6月12日
Arxiv
8+阅读 · 2014年6月27日
VIP会员
相关资讯
主流互联网平台广告业务对比分析
百度公共政策研究院
29+阅读 · 2019年5月20日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
网络舆情分析
计算机与网络安全
20+阅读 · 2018年10月18日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
你用 Python 做过什么有趣的数据挖掘项目?
计算机与网络安全
4+阅读 · 2018年2月11日
【入门】数据分析六部曲
36大数据
18+阅读 · 2017年12月6日
【社交网络】一文读懂社交网络分析
产业智能官
15+阅读 · 2017年10月14日
你以为自己真的了解用户画像?其实猫腻可多了
THU数据派
8+阅读 · 2017年7月12日
Top
微信扫码咨询专知VIP会员