数据分析不应该只属于技术流派，而是一种思维习惯，用来辅助我们梳理业务流程，找到优化方向。能达成目的的数据分析才是真正的数据分析。

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，才是真的数据分析。

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。

建议收藏以便翻阅，也可以分享给想要提升数据分析能力的朋友和运营萌新。

                                          ❶

                                    3个步骤

这三个步骤是：确定目标、列出公式、确认元素。

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。

图片发自简书App

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。

                                          ❷

                              3个模型

确认需要提升的元素后，问题来了：

• 如何提升每个元素的量级？

• 怎样制定策略，分配资源？

• 如何验证策略是否有效？

你需要掌握3个模型：

A. 漏斗模型

适用范围：需要多个步骤达成的元素。比如投资用户数。

达到投资用户的状态，需要多个步骤。每个步骤都存在转化率，放在一起就成了层层缩减的漏斗。

图片发自简书App

漏斗模型作用：提升量级。通过提升转化率，提升单个元素量级。

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。

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。

图片发自简书App

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。

B. 多维坐标

适用范围：具有多重属性的单个元素。

比如，本文公式中的投资用户，就有投资金额和投资时长两个属性。可以将其作为横纵坐标轴，把所有投资用户分成四组。

图片发自简书App

电商品类运营有个经典坐标，按流水和利润划分品类。

用户运营也有个经典坐标，叫RFM坐标。

• R=最近一次行为（Recency）

• F=行为频率（Frequency）

• M=行为量级（Monetary）

这里的行为指和你的核心目标密切相关的行为。比如在本文的金融产品中，就是投资。

• R代表可触达，毕竟6个月没来投资的用户，说不定都卸载了，甚至已经忘了你这个App；

• F代表忠实度，高频次的使用App，虽然ta可能每次只投几块钱的活期；

• M代表价值，比如累计投了50万，这可是个高净值用户。

多维坐标作用：精细化运营。

通过多维坐标将用户分组，对不同组用户采取对应的运营措施。

首先，一定有一个象限是好的。

比如下面的坐标图，高金额、高时长的A象限，就是好的。

图片发自简书App

A象限的用户，是核心用户（俗称爸爸），公司的现金牛，你的重点运营对象。

A象限往往占整体流水的80%。你的活动效果好不好，运营策略给不给力，往往要看这些爸爸们的反应。你甚至可以建立一个微信群，把爸爸们都拉进去，多多交流，做好服务，时不时发个红包啥的。

接下来，你要把B、D两个象限的用户往A象限拉。

D象限，是高潜力用户。可以定向发一些大额度长期标的优惠券，比如投20w，6个月，送3000元红包。提升他们的投资时长。

B象限，是高忠诚用户。虽然可能没什么钱，但使用频次很高。可以定向发送梯度优惠券，比如投资1000送10元，投5000送投资80元，投10000送200元，逐步拉升他们的投资额度。

A是现金牛，D是A的孵化器，B用户价值低但忠诚度高，产品开拓新场景后也有可能进化成现金牛。

重要性，A>D>B。

资源有限时，请参照此排序。

多维坐标的适用范围非常广。比如一篇文章可以按阅读量和点赞率做一个二维坐标，分析下如何写出叫好又叫座的文章。

比如你可以按事物价值的精力投入和价值衰减速度建立二维坐标，优化你的精力分布。

C. 分组表格

适用范围：随时间变化的用户属性元素。

比如投资用户数。

分组表格的原理，是将某一周（或一天，一个月）进入App的新用户，作为单独的一组用户。

图片发自简书App

上面的表格，就是投资用户分组表格。

横向看，是某组用户的投资用户数，随时间变化的留存情况。

比如第一行，第一周共新增200名投资用户，到第二周留存100名，到第三周留存80名……

纵向看，是某一周投资用户的构成情况。比如第三列，显示第三周的730个投资用户，是由第一周进入的80个+第二周进入的250个+第三周进入的400个构成的。

通过投资用户分组表格，我们还能计算出留存率分组表格，只需将每一行，每周的留存用户除以对应的新增用户数，即可获得下表：

图片发自简书App

这个表格也可以做适度变形，比如将所有数据向左对齐：

作用：监测&验证。

分组表格可以帮你分析清楚一个复杂元素的变化。

比如你发现投资用户数在提升，你其实很难判定原因，因为投资用户是由很多组用户构成的。

因此提升的可能原因有很多，比如：

• 新增用户量级增大

• 渠道质量提高

• 运营策略起作用

这时候，把留存率分组表格掏出来瞅瞅。

图片发自简书App

先看新增用户数这一列，发现新增用户量级确实在提升；

纵向看每一列，比较不同组用户留存。发现次周留存确实上升了，说明运营策略可能起到了一定作用。但后续的留存情况都在下降，可能是渠道质量在下降。

横向看，留存始终没能稳定在一个值，说明产品的粘性还不够。

是不是很溜？

                                        ❸

                              总结

确定核心目标，通过公式拆解成元素，找到发力点。

用漏斗模型提升元素量级；用多维坐标进行精细化运营，更好的分配精力和资源；用分组表格检验效果，监测数据。

以上，就是极简数据分析法。