提到資料分析，我們可能會想到很多大而難的資料分析方法，比如SQL查詢、Spark代碼、建資料庫等，但增長黑客不是程式員，也許隻會用Excel怎麼辦？
其實，會用Excel就夠了。資料分析的方法并不需要多麼複雜高深的算法與圖表，重點是要能看到資料背後的問題。
問題解析
資料分析是增長黑客的必備技能之一，同時越來越多的網際網路營運崗位招聘也都要求應聘者具備資料分析能力及經驗。增長黑客的觀念是通過資料的真實回報指導産品疊代、市場推廣以及營運活動的執行政策，用資料洞察業績增長契機。
掌握增長黑客思維的基礎在于掌握資料分析的思路、資料分析的模型和工具，但如何從資料變化中發現問題和契機，是增長黑客思維的關鍵技能。
增長黑客有哪些資料分析方法？
1.通過資料曲線總結趨勢。
折線圖、散點圖和柱狀圖等是資料分析必備的基礎資料圖表，這些圖表通過基礎的曲線回報階段時間内資料量的變化。從基礎曲線的觀察中，增長黑客善于總結不同曲線形狀反映的問題，将資料表現還原到資料發生的場景中。
例如，使用者增長曲線是最常見的資料分析圖表。當把産品最近1年或更長時間的使用者增長資料繪制成一張圖表時，就能看到不同的增長特征，如圖所示。
增長黑客從使用者量增長曲線中總結出丘陵曲線、過山車曲線和奶酪片曲線等不同特征，反映實際營運缺陷，如奶酪片曲線反映了初期産品增長快，但後期缺少獲客管道的問題。關于使用者增長曲線的特征，在005問中有具體說明。
2.拆解名額洞察問題。
從單一曲線中，可以還原曆史資料的形成過程。如果想從資料中找到問題，就要以單一名額為核心，拆解出影響名額的相關因素。
例如在新使用者增長相關的資料名額分析中，可以進行以下3步拆解。
第一步，拆解出各來源管道的使用者新增資料以及該管道新增使用者後續的留存、活躍等資料。
第二步，拆解出影響管道轉化的資料名額，包括各管道的點選率、推廣成本、落地頁轉化情況等。
第三步，拆解使用者在落地頁中的行為資料。例如從進入落地頁到注冊、領取優惠券等環節的流失資料，發現流失高的環節，進而分析問題。
在日常資料分析中，增長黑客要了解不同App版本、不同手機機型、不同作業系統、不同螢幕大小、不同地區使用者和不同通路來源等差異化情況，要對正常資料名額非常熟悉。
3.通過使用者行為建構使用者畫像。
增長黑客的使用者畫像分為單體使用者畫像和群體使用者畫像2類。單體使用者畫像記錄了使用者的全生命周期資料。一般從下載下傳、激活、注冊登入、通路頁面、浏覽頻次、使用時長等行為資料以及性别、年齡、地區、浏覽器品牌、系統版本、顯示器螢幕高度等屬性特征形成使用者畫像。
使用者通路行為往往是多裝置、多狀态和多終端的。在收集資料時，我們要收集同一使用者在不同裝置上（手機/電腦）、不同狀态下（登入/未登入）、不同終端上（多個手機登入）的所有行為資料，形成完整的使用者行為記錄。
而群體使用者畫像是基于某些共性行為特征建立的使用者分群機制。例如以30日通路時長大于60分鐘的使用者為次元建立使用者分組。從這一分組使用者的其他行為中，洞察地域分布、機型分布、使用時間分布等個性化屬性特征以及以電商為例的購物頻次、客單價等核心行為資料特征，對群組使用者發起精細化營運活動，有針對性地提升使用者數。
4.用漏鬥分析洞察流失原因。
每個産品都會給使用者提供一條“主路徑”。
電商産品的主路徑是“首頁—搜尋—搜尋結果頁—商品詳情頁—加入購物車—下單—确認訂單資訊—付款—确認收貨”。
資訊類産品的主路徑是“首頁—内容清單頁—文章頁—評論/轉發/收藏—相關閱讀—回到清單頁—回到首頁”。
漏鬥分析的能力是發現在設定的路徑下，使用者在各個環節的流失情況。通過漏鬥分析找到使用者流失的節點，然後回到相關頁面找原因。
例如在資訊類産品中，使用者在從内容清單頁向文章頁轉化的過程中流失比較多，那麼有可能是使用者對目前清單的内容不感興趣。進一步通過對比使用者日常閱讀内容的标簽與清單内容标簽，确認推測是否正确。
5.多元度的使用者分層分析政策。
精細化營運要基于群組使用者特征滿足群組使用者的共性需求。增長黑客在使用者分組上，需要通過多元度的使用者篩選，找到使用者群的具體需求。
如果增長目标是提升商品銷售額，那麼可以針對兩類使用者群策劃活動，一類是購買頻次高的使用者群，另一類是購物金額高的使用者群。
在使用者管理中，我們可以用RFM（詳見第36問）進行使用者分組。通過最近購物時間、消費金額、消費頻次3個條件進行使用者篩選，可以篩選出以下不同使用者組。
（1）最近30天内發生過購買行為且最近7天内沒有購買的使用者。
（2）每30天下單次數在3次以上的使用者。
（3）最近30天消費金額大于1000元小于2000元的使用者。
基于這3個條件，我們篩選出最近30天内消費頻次高且最近7天内未消費的使用者。在建立分組後，下一步是分析這個群組使用者日常購物品類的分布、集中消費區間的分布、使用時間的分布，通過相關特征資料，洞察使用者的特征以設計針對性強的活動。
6.通過還原使用者使用路徑發現使用者的行為規律。
在洞察使用者行為上，增長黑客還通過行為路徑分析來發現使用者的行為規律。行為路徑分析是指在指定某一個節點後，觀察使用者的後續行為路徑。
例如我們想分析線上教育網站的使用者在通路首頁後都做了什麼，通過行為路徑統計可以看到可能的一些資料：74%的使用者進入了搜尋課程頁面，23.9%的使用者去看了課程詳情，2%的使用者開始注冊， 0.1%的使用者進行了登入。
這些資料回報了使用者是從搜尋課程開始的具體使用行為，而注冊環節使用者的主動性較低，是以需要通過調整注冊入口或者優化注冊引導機制，提高注冊的點選率。
通過使用者行為路徑分析，還可以觀察使用者的主動行為是否與産品設計的“主路徑”一緻，如果使用者在主路徑外發生行為的頻率比較高，說明主路徑設計不符合使用者的行為習慣。
7.通過留存分析預測流失。
使用者留存情況是預測使用者全生命周期價值（Ltv）的關鍵因素。通過分析使用者的7日、14日、30日留存率，再利用公式，增長黑客可以預測出使用者的流失率。進一步地，增長黑客可以通過觀察每個留存使用者的畫像，發現使用者的行為習慣，進而提升整體使用者留存率。
8.用點選熱力圖分析做産品優化。
點選熱力圖分析是做産品互動設計優化時的有效手段。通過記錄使用者在頁面不同位置的點選次數、停留時長、浏覽完成度等資料，形成點選熱力圖，可觀察使用者停留時間長的位置與相關資訊，進而優化重要按鈕的位置與大小等，引導使用者點選。
總結
增長黑客往往需要一套成熟可行的資料分析系統，以做好資料收集、清洗及運算公式等相關工作，提高分析的效率。而對通過不同形式的分析方法找出資料背後的使用者行為動機與需求特征，是做資料分析的真實目的。