一句话回答
analytics 是用计算机辅助、系统地分析数据,以发现规律、支持决策。通常分四种:描述性(发生了什么)、诊断性(为什么)、预测性(将会怎样)、规范性(该怎么做)。
分析(analytics)是什么意思
分析(analytics)是用计算机辅助、系统地分析数据,找出规律、支持决策。IEEE 把它描述为一个用结构化的计算方法检查数据、发现规律、得出结论并为决策提供依据的领域,用到统计学、运筹学和计算机科学(IEEE Technology Navigator)。Wikipedia 的说法相近:对数据或统计量的系统计算分析,用来发现、解释并传达有意义的规律(Wikipedia)。
有两个词容易和它混淆。分析(analysis)是检查某件事的动作;analytics 是围绕「反复用数据做这件事」形成的学科和工具。数据是原材料:一张事件表是数据,「注册增长了 8%,是邮件带来的」才是 analytics 的产出。
实用的检验:只有最后落到一个人能据此决定或行动的东西上,才算 analytics。没有人看的图表只是记录。
分析的四种类型
组织分析工作的常见方式,是按它回答的问题分类。IEEE 页面描述了四种:
| 类型 | 问题 | 做什么 | 常用方法 |
|---|---|---|---|
| 描述性 | 发生了什么? | 汇总历史数据 | 聚合、图表、汇总统计 |
| 诊断性 | 为什么发生? | 找出与结果相关的因素 | 拆分、相关分析、根因分解 |
| 预测性 | 将会发生什么? | 根据当前和过去的数据预测 | 回归、决策树、机器学习 |
| 规范性 | 我们该怎么做? | 推荐达成目标的行动 | 优化、模拟 |
这几种互相依托。没量过的数字解释不了,预测不了的决策优化不了。多数团队大部分时间花在前两种,这没问题,因为它们见效最快。
算例:同一份数据,四个问题
示例数据:一个产品 1 月到 6 月的每月注册数:3,100、3,300、3,500、3,600、3,900 和 4,200。
描述性。 6 月注册 4,200,5 月是 3,900:4,200 ÷ 3,900 − 1 = +7.7%。
再细化一点:5 月有 31 天,6 月有 30 天。按天算,6 月是 4,200 ÷ 30 = 140,5 月是 3,900 ÷ 31 = 125.8,日均上升了 11.3%,比月度合计显示的变化更大。得出结论之前,要对比长度相同的时段,或者按天来比。
诊断性。 这 +300 按渠道拆开是:
| 渠道 | 5 月 | 6 月 | 变化 |
|---|---|---|---|
| 自然搜索 | 1,500 | 1,550 | +50 |
| 付费 | 1,200 | 1,240 | +40 |
| 邮件 | 1,200 | 1,410 | +210 |
| 合计 | 3,900 | 4,200 | +300 |
复算:50 + 40 + 210 = 300,邮件占变化的 210 ÷ 300 = 70%。增长主要来自邮件。拆分只有在你接着追问最大那一块里发生了什么时,才算解释了变化:如果这 210 来自某一天发出的一次活动,诊断出的就是一次活动,而不是一个趋势。
预测性。 对这六个月拟合一条直线(最小二乘),斜率约为每月 211 个注册,7 月约 4,340。这只是粗略的推算:它假设最近的趋势会延续,而一次性的邮件活动可能不会。
规范性。 假设预算 10,000 美元,邮件每个注册 4 美元、最多能带来 2,000 个注册,付费每个注册 12 美元。先把预算投到更便宜的来源:2,000 × 4 美元 = 8,000 美元换 2,000 个注册,剩下 2,000 美元 ÷ 12 ≈ 166 个来自付费,合计约 2,166。对半分的话,5,000 ÷ 4 = 1,250,加 5,000 ÷ 12 ≈ 417,合计约 1,667。这个建议从描述性图表里看不出来,而且取决于成本和容量这两个数是否准确。
判断规则:停在足以支持这个决策的那一种。每周复盘通常用描述加诊断就够;预算分配要用得更多。
哪种决策用哪种类型
让类型和决策匹配,既不会做得不够,也不会做过头。
| 决策 | 背后的问题 | 够用的类型 | 需要先具备什么 |
|---|---|---|---|
| 给团队的每周通报 | 这周发生了什么? | 描述性 | 可信的计数和一个对比时段 |
| 解释注册的突增 | 为什么变了? | 诊断性 | 同一个指标按渠道、设备或页面拆开 |
| 规划客服排班 | 下个月有多少对话? | 预测性 | 几个月稳定的历史数据 |
| 分配固定预算 | 钱该往哪里投? | 规范性 | 每个选项的成本和容量 |
开始任何分析之前先做三个检查:指标有一条书面定义(什么算一次注册);数据足够完整(机器人和测试流量已排除,同意覆盖率已知);对比对象已确定(上个月、去年、对照组)。关于分析的争论,大多其实是在争这三件事之一。
分析与相关术语
| 术语 | 关注点 | 和分析的区别 |
|---|---|---|
| 网站统计 | 网站上的访问和行为 | 用在一种数据上的分析 |
| 数字分析 | 网站、App 和其他数字渠道合在一起 | 来源范围更宽 |
| 商业智能 | 汇报业务状况 | 多为描述性,数据经过整理 |
| 数据科学 | 构建模型和算法 | 更偏重预测方法 |
| 统计学 | 推断的数学 | 分析借用的理论 |
想看更长的方法对比,见博客 数据分析的类型。
常见误区
- 「分析就是一个工具。」 工具负责收集和展示;分析是从问题走到结论的过程。
- 「仪表盘越多,分析越多。」 报表只有改变了决策才有用。
- 「预测比描述高级。」 建立在没量过的基线上的预测,只是带小数点的猜测。
- 「相关就是答案。」 诊断工作找到的是有关联的因素;证明因果通常需要对照比较。
- 「一个数字就是答案。」 7.7% 的增长,如果没有对比时段、定义,以及平时月与月之间波动的大小,说明不了什么。
- 「数据自己会说话。」 收集什么、怎么定义一个访客、拿什么来比较,都是人选的。
TapCub 里的分析是什么样子
用注册的例子,看看每种类型在 TapCub 里分别在哪。
- 描述性。 网站统计 › 概览 和 网站统计 › 来源 显示访客、会话和转化随时间和渠道的变化。目标用来统计注册;上面的渠道拆分来自来源报表。
- 诊断性。 在 全端分析 › 智能运营 › AI 助手 里可以问某个指标为什么变了。它的变化归因按渠道、来源域名、国家、设备和着陆页拆解,并显示每一部分贡献了多少。数字来自对你的项目跑的分析查询,不是查表。
- 检查基线。 全端分析 › 智能运营 › 监控 把一个指标和一个基线带比较,基线带取自最近 7 天和同一个星期几,超出就通知你。这是对照近期常态的告警,不是预测模型。
- 预测性和规范性。 TapCub 不提供预测或优化。它提供的是这些方法需要的、已经量好的历史数据,你可以导出。
TapCub 报告发生了什么、帮助解释为什么;该怎么做,决定留给你的团队。机器人和 AI 爬虫单独统计,所以基线不会被抬高。
资料来源
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
