大白話系列:分析方法之假設檢驗

2021-01-11 顧先生的數據挖掘

今天我們來講假設檢驗分析方法。

假設檢驗分析方法主要分為三步

提出假設:根據要解決的問題來提出假設

收集證據:收集證明來證明之前的假設

得出結論:不是主觀猜想出來的,是通過收集證據證明才能得出結論

那麼在工作中裡,我們該如何使用假設檢驗呢?

從用戶、產品、競品出發

我們可以從用戶、產品、競品這三個維度提出假設,用戶對應運營部,產品對應產品部門,競品對應市場部門。

那我們可以假設這三個維度的部門出問題了

假設用戶有問題,可以對用戶的渠道、或者畫出用戶使用產品的業務流程來分析原因

假設產品有問題,可以研究這段時間,銷售產品是否符合用戶的需求

假設競品的問題,看競品是否在做促銷活動,導致用戶都去競爭對手那裡

從4P營銷理論出發

我們也可以從4P營銷理論:提出假設[1]

營銷組合有很多的要素,要素可以概括為4類:

產品(公司提供給市場有形/無形的產品,包括產品的實體、品牌、包裝等)

價格用戶購買產品時的價格,包括基本價格、折扣後的價格

渠道(產品從生產到消費者手裡中間經過了哪些銷售途徑,例如經過代理商,還是直接批發給了用戶,線下線上通過了哪些渠道)

促銷公司利用各種方法來刺激用戶消費來買產品,包括買一贈一、廣告、地推、打折等

公司發現銷售額業績下降了,可以通過4P營銷理論出發來提出假設,

從產品出發提出的假設:是銷售下降原因有可能是產品不能滿足用戶需求?

從價格出發提出的假設是:價格和競爭對手比可能沒有優勢?

從渠道出發提出的假設:某個渠道是不是沒有貨了?

從促銷出發提出的假設:活動促銷是不是沒有效果?

從業務流程出發

4P營銷理論是從公司的角度去研究產品的,其實還可以從用戶的角度出發去研究產品,也就是從用戶使用產品的業務流程來提出假設

關於這塊可以看我之前的邏輯樹分析方法,裡面講了如何拆解一個事務的流程來更好地解決問題。

舉個慄子

假設你去面試,面試官拋給你一組數據,是某app一周的活躍率,問了一個一個司空見慣的問題:數據中看到了什麼問題?你覺著背後的原因是什麼?

拿到本類問題要先對數據進行可視化,光從表格上無法看到數據隨時間變化的趨勢。

比如說根據表格繪製成折線圖,這周六數據下降了,根據上篇文章的對比分析法,沒有對比就沒有好壞,這周六的數據跟這周數據比較是下降的,但是有沒有可能這個app本身周六就不活躍呢?

為了更好的進行分析,還要繼續問面試官往前幾周的數據是什麼樣的,才能從整體上看出數據在一個較長範圍內是怎麼變化的,可以看出數據變化的規律。

面試官微微一笑,給了上周的數據。

你一對比,這個APP的規律是每周末的活躍率都有所下降,但是本周六下降的更明顯,可以計算出前幾周的平均日活躍率和這周六的日活躍率進行對比,發現了這周六的日活躍率下降了5%。

那麼問題就變成了為什麼這周六日活躍率會下降?哪些原因造成的下降呢?

我們應用假設檢驗分析方法:

提出假設:用戶、產品、競品這三個角度提出假設

【假設】用戶問題

【證據】按渠道維度拆解用戶,發現渠道B明顯下降

【結論】獲取用戶的渠道B出現了問題,從而導致本周六的日活躍率降低

【假設】產品有問題

【證據】找相關部門了解情況,一起排查問題(是不是新功能上線導致的問題、是不是有大量投訴,投訴的原因是什麼,對用戶對產品滿意度進行調查)

【結論】經查找產品沒問題

【假設】競品問題

【證據】通過調研看競品是否有大的活動,發現競品最近沒有搞大的活動

【結論】沒有競品問題

【最終結論】獲取用戶的渠道B出現了問題,從而導致本周六的日活躍率降低,那麼為什麼渠道B數據下跌了,可以跟團隊的相關人員進行討論,像負責推廣的同事了解情況,最後發現渠道B最近的投放活動在本周六那天剛好結束了,導致APP的新用戶少了,導致了活躍率下降

注意事項

得出的結論不是主觀猜測出來的,而是要依靠第二部找到的證據,去證明結論

假設檢驗這三步是要不斷重複的過程,在得出結論之後,分析還沒有停止,多找到得到結論可能的原因是什麼,然後用數據去驗證可能的原因,不斷的重複假設檢驗的這個過程,直到找出問題的根源

在使用假設檢驗分析方法的過程中,還要用到其他分析方法

在開始分析之前,為理清思路可以先畫個圖,將問題、假設、問題從上至下連起來,讓分析思路更加清楚

[1].4P營銷理論被歸結為四個基本策略的組合,即產品(Product)、價格(Price)、渠道(Place)、宣傳(Promotion),由於這四個詞的英文字頭都是P,再加上策略(Strategy),所以簡稱為「4P’s」

https://baike.baidu.com/item/4P%E8%90%A5%E9%94%80%E7%90%86%E8%AE%BA/5732385?fr=aladdin

相關焦點

  • 大白話系列:分析方法之相關分析方法
    今天我們來講講分析方法的相關係數定義相關分析方法的定義就是利用指標衡量兩種數據間的相關程度。數值正負反映兩種數據的相關方向:-:反方向變化,負相關,一種數據增大,另一種數據隨之減小+:同方向變化,正相關,一種數據增大,另一種數據隨之增大0:不是線性相關應用場景比如說一個APP的日活量下降,經過假設檢驗分析
  • 數據分析科普系列:2—祭出大招(假設檢驗)
    咳咳,各位搬好小板凳,宗介數據分析專題正式開講了,雖本次為系列第二節課,但是你的焦慮我懂得,所以不再扯淡,直接上乾貨,本次乾貨就是經典統計學大招:假設檢驗。由於涉及一些專業名詞,宗介儘量用通俗去和大家一起探討數據分析應用。
  • 數據分析必備統計學(二):假設檢驗
    實際上用戶增長運營是件很有挑戰工作,單純數據流量ABtest是用戶體驗辨別方法,如果從運營監控角度去分析,也需要從不同群組去分析客群增長模型,學會從業務中抓取核心關鍵公式或者模型,然後細化至各個維度,交叉對比,隱藏冰山下問題。
  • excel假設檢驗 - CSDN
    ,然後再確定H0,且保證「=」總在H0上3)原H0一般是需要反駁的,而H1是需要支持的4)假設檢驗只提供原假設不利證據即使「假設」設置嚴密,檢驗方法「精確」;假設檢驗始終是建立在一定概率基礎上的,所以我們常會犯兩類錯誤;第一類:原H0是真,卻拒絕原假設;犯
  • 統計學中的假設檢驗
    (2)臨界值規則假設檢驗中,還有另外一種做出結論的方法:根據所提出的顯著性水平標準(它是概率密度曲線的尾部面積)查表得到相應的檢驗統計量的數值,稱作臨界值,直接用檢驗統計量的觀測值與臨界值作比較,觀測值落在臨界值所劃定的尾部(稱之為拒絕域)內,便拒絕原假設;觀測值落在臨界值所劃定的尾部之外(稱之為不能拒絕域)的範圍內,則認為拒絕原假設的證據不足
  • 假設檢驗、Z檢驗與T檢驗
    目錄假設檢驗基礎基本概念-零假設、替代假設、類型1錯誤、類型2錯誤和顯著性水平進行假設檢驗的步驟定向假設非定向假設檢驗什麼是Z檢驗?單樣本Z檢驗雙樣本Z檢驗什麼是t檢驗?什麼是Z檢驗?Z檢驗是檢驗假設的統計方法,當:我們知道人口的變化,或者我們不知道總體方差,但我們的樣本量很大n≥30如果樣本量小於30且不知道總體方差,則必須使用t檢驗。
  • 必考點精講 | CFA一級考試數量分析方法:假設檢驗
    簡述:假設檢驗(Hypothesis Testing)是推斷統計的最後一步,是依據一定的假設條件由樣本推斷總體的一種方法。假設檢驗的基本思想是小概率反證法思想,小概率思想認為小概率事件在一次試驗中基本上不可能發生,在這個方法下,我們首先對總體作出一個假設,這個假設大概率會成立,如果在一次試驗中,試驗結果和原假設相背離,也就是小概率事件竟然發生了,那我們就有理由懷疑原假設的真實性,從而拒絕這一假設。
  • 第二節 假設檢驗的基本步驟
    統計上是通過假設檢驗(hypothesis testing),又稱顯著性檢驗(significance test),來回答這個問題。   下面以樣本均數x與總體均數μ比較的假設檢驗為例,介紹假設檢驗的基本步驟。   一、建立假設和確定檢驗水準   假設有二。一是無效假設(null hypothesis),符號為H0。
  • 假設檢驗的邏輯
    科學研究是去偽存真的過程,假設檢驗則是實現這一過程的基本方法。
  • 假設檢驗的區別 - CSDN
    作為一個統計愛好者,所有這些問題都挖掘了我對假設檢驗基本原理的舊知識。本文將討論假設檢驗的概念以及Z檢驗與t檢驗的區別。然後,我們將使用COVID-19案例研究總結我們的假設檢驗學習。目錄假設檢驗基礎基本概念-零假設、替代假設、類型1錯誤、類型2錯誤和顯著性水平進行假設檢驗的步驟定向假設非定向假設檢驗什麼是Z檢驗?什麼是t檢驗?
  • 統計:如何用Excel完成雙樣本假設檢驗
    用於雙樣本假設檢驗的Exce分析工具有以下幾種:02雙樣本平均差檢驗在針對平均值之差的雙樣本假設中,我們總是檢驗以下這種形式的假設:在 Excel中,選擇z-檢驗:從「數據分析」菜單中選擇「雙樣本平均差檢驗」。這一檢驗使用的檢驗統計量,基於標準正態分布。2.母體方差未知並假設相異。從「數據分析」菜單中選擇「t檢驗雙樣本異方差假設」。這種情況下的檢驗統計量具有t分布。3.母體方差未知並假設相等。
  • 假設檢驗學習筆記
    假設檢驗分析思路為了得到用戶的年齡情況,參數估計,基於用戶樣本數據估計整體用戶年齡。假設檢驗思路根據經驗或者其他方面的信息假設一個總體用戶的年齡的可能值,在根據樣本情況,使用工具來驗證假設是否正確。假設檢驗的主要步驟設定初始假設初始假設:用戶的平均年齡32驗證結果:接受或者拒絕這個假設雙尾檢驗:默認假設=,對應假設為>或<有2個默認拒絕假設的空間。
  • 等級分組資料常用假設檢驗方法
    Ridit分析Ridit分析(Ridit analysis)是Bross在1956年提出的一種非參數統計檢驗方法,檢驗效能較高,可用於等級分組資料的分析處理.其特點是通過Ridit轉換,把原本不適宜用t檢驗和u檢驗處理的離散型的等級資料轉換成連續型的計量資料。
  • 機器學習從入門到進階丨假設檢驗
    概念 「假設」(hypothesis)一詞源自希臘詞語hupo(under)和thesis(placing),意思是基於有限的證據得出的想法。它是進一步調查分析的起點。 該概念非常簡單,但也非常強大。
  • Kruskal-Wallis檢驗:單因素方差分析的非參數方法
    已經有成熟的研究經驗,方差分析對正態分布的要求有一定耐性,並不過分敏感,(微小偏態)近似正態分布的數據繼續採取ANOVA單因素方差分析是可以的,結果仍然可靠。遇到偏態嚴重的數據怎麼辦呢?此時可以嘗試非參數檢驗方法:Kruskal-Wallis 單因素 ANOVA(k 個樣本)檢驗。
  • 在回歸分析中t檢驗_回歸分析的t檢驗如何做 - CSDN
    統計分析和數據挖掘的區別和聯繫聯繫:都來源於統計基礎理論,數據挖掘中也經常會用到統計分析方法,如主成分分析、回歸分析     區別:數據挖掘是統計分析方法的延伸和發展。統計分析常需要先做假設或判斷,然後利用數據分析技術來驗證假設是否成立。
  • 一文讀懂假設檢驗怎麼做
    我們就需要對總體(全部用戶)進行評估,但是並不是全部存量用戶都會訪問App,並且每天還會新增很多用戶,所以我們無法對總體(全部用戶)進行評估,我們只能從總體的用戶中隨機抽取樣本(訪問App)的用戶進行分析,用樣本數據表現情況來充當總體數據表現情況,以此來評估哪個版本轉化率更高。
  • 假設檢驗的基本步驟
    假設檢驗的基本步驟  假設檢驗的基本思想是:根據所獲樣本,運用統計分析方法,對總體X的某種假設 做出接受或拒絕的判斷。在這裡,備擇假設還可能有兩種設置形式,它們是:  : <1.40或 : >1.40  備擇假設的不同將會影響下面拒絕域的形式,今後稱  對 的檢驗問題是雙側假設檢驗問題  對 的檢驗問題是單側假設檢驗問題  對 的檢驗問題也是單側假設檢驗問題  註:若假設是關於總體參數的某個命題
  • 合理利用假設檢驗,讓你看清產品數據
    你真的會數據分析嗎?什麼才是數據分析的正確打開方式?文章中舉出了幾種數據分析的常用例子與檢驗方式,一起來學習下。不得不說,現在網際網路行業對產品經理的要求是越來越高了,不只是要求自己寫得了文檔、畫的了原型、鬥得過開發、忽悠過領導,還要分析得了各種數據。你真的會做數據分析麼目前產品經理使用比較多的數據分析方法,就是將每天的網站或者APP數據匯總到Excel中,然後用用折線圖,柱狀圖來展示數據的趨勢。
  • 質量專業輔導:理論與實務之假設檢驗(4)
    (三)正態方差 的假設檢驗  檢驗正態方差 有關命題成立與否,首先想到要用樣本方差 .在 基礎上依據抽樣分布特點可構造 統計量作為檢驗之用。具體操作如下:  1.關於正態方差 常用的三對假設為  5.判斷(同前)  註:這個檢驗法稱為 檢驗。