當今時代信息化產業飛速發展，各類底層大數據平臺百花齊放，億級數據、秒級響應已經不再是當年的遙不可及的神話。然而對於企業來說，數據計算快僅僅是滿足企業進行業務數據分析的硬體基礎，如何發掘這些海量的數據產生應用價值，走好數據分析這最後一公裡，引導企業進行戰略決策卻是至關重要的一步。
本文以網際網路行業為數據業務分析背景，希望能跟大家交流一些數據分析方面的心得和體驗。
——本文使用數據分析工具為FineBI 商業智能工具
數據分析的本質其實是做數據對比分析，沒有數據對比，單一的指標統計往往難以發揮數據價值。像我們常見的數據對比分析方法有同比、環比、佔比等一系列分析指標，那是不是所有的數據業務場景都可以直接進行套用分析呢？比如我們統計企業2018年1月29日的同比流量，是不是可以直接對比2017年1月29日？表面上看好像2017年1月29日確實就是2018年1月29日時間層面上的同比日期，但是我們仔細對比查看這兩個日期會發現2018年1月29日是周一，2017年1月29日確是周日。對於很多行業的企業來說，非工作日和工作日的數據往往是有很大差異的，這個時候單純從日期層面來進行對比其實是沒有什麼意義的，選擇對比同是周一的2017年1月30日的流量數據進行同比計算可能會更加有價值。
目前網際網路行業做搜尋引擎的有Google、百度，做綜合門戶的雅虎、新浪，做即時通訊的主要是騰訊，電子商務方面的主要是阿里、京東、亞馬遜等。不論是以上的哪家網際網路企業，往往都需要有一套引流、轉化、消費、留存方面的運營策略，平臺的流量數據分析往往都是非常重要的。
網際網路流量數據分析方面，總結主要有如下四種數據常用分析方法：
1.對比分析流量規律，針對時段進行企業服務以及推廣活動調整；
2.對比分析結構佔比，指導進行定向群體營銷推廣
3.對比分析異常情況，及時追責並且進行調整；
4.對比追蹤活動流量變化，總結活動效果經驗以便後續有針對性調整。
如上圖所示，我們通過FineBI工具製作出以上的流量數據分析模板，接下來嘗試著對數據做一些對比分析。
一、用戶瀏覽量周分布
對於網際網路企業來說，流量數據往往都會呈工作周相關。對此，我們可以先宏觀地統計出周一到周日中的總的平臺流量柱狀圖數據對比情況。首先我們可以仔細觀察工作日和非工作日的數據，發現周末的平臺流量較工作日流量要高，這在網際網路行業來說都是一個比較普遍的現象。
用戶流量的周分布規律之後，我們就大致有一個推廣方向，周末休息時間用戶群體較大，相較於工作日可以投入更多的和豐富有吸引力推廣活動來進行新用戶引流和老用戶活躍。
接著我們可以進行下一步思考，那工作日和周末我們的活動推廣時間如何制定？有的同學們可能會覺得全天活動都可以，不需要關注具體的活動時間。但是對於網際網路行業來說，每個時間段的推廣費用都是較為昂貴的，我們完全可以分析出工作日和周末的用戶流量趨勢，進行有針對性的時間段投入推廣，通過更小的成本獲取到更多的用戶流入。
首先是工作日的時間段流量統計分布，我們通過BI工具分時間段作圖得到如下所示的流量分布圖。可以看出，工作日的流量主要集成在每日的9點（上班時間）、13點（午餐時間）、20點（晚間娛樂休息時間），那麼在得到這樣的一些用戶流量規律之後，便可以在這些用戶活躍高峰期時間段有針對性對白領群體多做一些相關商品推廣活動，以實現最小時間成本和推廣費用最大化用戶引流效果。
再來看周末的各時間段流量分布走勢，和工作日所不同的是，周末的流量早高峰期延後到了10點，這可能和各位小夥伴們周日作息較晚有關（同學們周末都是幾點起床呢），除此之外，晚上的流量高峰退潮期也有延後。針對與周末用戶流量分布的特性，網際網路企業在周末時可以將活動開始時間和活動結束時間都適當進行延後，這個時候不能再套用工作日制定好的活動時間計劃了，因為符合用戶群體作息規律的推廣促銷活動才能達到更好的效果。
二、推廣渠道流量分布
對於網際網路行業的推廣渠道分布主要分為三級渠道：線上渠道、線下渠道、新媒體營銷等等。對比分析每個渠道對企業所帶來的價值佔比差異，以指導制定有針對性營銷策略。
如上圖所示，由於推廣渠道是分多層級的，我們通過BI工具的多層餅圖進行數據的分析統計再合適不過了。分析下圖的數據我們可以看出，首先是一級渠道的主要戰鬥力來自於新媒體營銷，當今的微信、今日頭條等社交媒介社區時代受眾廣泛，用戶群體非常龐大，是公司需要投入主要成本進行推廣的。其次線上渠道的效果也不容忽視，對於網際網路企業來說，做好百度、Google等SEO搜尋引擎關鍵詞推廣也是很重要的一部分工作。相較於線上渠道和新媒體營銷，線下渠道說所需要的經費和時間、人力成本較大，受眾又相對較小，所以此類活動往往針對核心粉絲進行運營即可。
三、各月份指標對比走勢
在分析各月份指標對比走勢數據之前，先簡單介紹下網際網路營銷常用的幾個指標概念：
1.瀏覽量（pv）
2.訪問次數（visits）
3.訪客數（uv）
以上三個基礎指標常用來衡量流量數據的多少。另外平均訪問深度（總瀏覽量/訪問次數）、平均停留時間（總停留時間/總瀏覽量）、跳失率（跳出次數/訪問次數），這三個指標通常可用于衡量流量指標的優劣性。
我們仔細分析上圖中的平臺流量指標，可以發現10月份是2017全年的流量高峰期，應該跟企業在國慶黃金假期所做的促銷引流活動有關。瀏覽量、跳失次數、訪問次數分別為4941、1290、2182，對比計算可得到跳失率為59.12%，明顯低於其他時間段的跳失率，說明10月份的活動效果還不錯，其經驗對以後的營銷推廣可以起到參考作用。
最後是訪問深度用戶群體分布分析（跳失率=跳出次數/訪問次數），我們通過BI工具將企業的VIP用戶、老用戶、新用戶分別進行分時間段的用戶群體訪問深度分析統計。總體來說可以發現平臺的VIP用戶訪問深度較老用戶以及新用戶稍微高些，但是不是太明顯，說明平臺運營的VIP這部分群體的活躍度還有待提升。同時，平臺老用戶訪問深度和新用戶更是相差無幾，公司對於用戶這方面的活躍運營明顯需要加油了，建議將平臺的部分忠誠度較高的老用戶以VIP用戶組建起來，共建平臺生態圈，增加整體的用戶活躍度。同時可以向老用戶以及VIP用戶實施一些優惠政策，如定向商品折扣、根據用戶畫像進行喜好商品特惠推送等。
本次的數據分析經驗心得分享暫時先寫到這裡，後續將繼續給大家分享關於網際網路數據運營方法的轉化、消費、留存等方面的一些經驗，歡迎大家一起共同交流探討網際網路運營之道。