用户数据分析

Q1： 了解用户行为通过哪些数据来分析

1、用户的来源地区、来路域名和页面； 2、用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数； 3、注册用户和非注册用户，分析两者之间的浏览习惯； 4、用户所使用的搜索引擎、关键词、关联关键词和站内关键字

Q2： 教你如何看数据分析

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。
在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。
探索性数据分析是指为了形成值得假设的检验而对数据进行分析的一种方法，是对传统统计学假设检验手段的补充。该方法由美国著名统计学家约翰・图基(John Tukey)命名。
定性数据分析又称为“定性资料分析”、“定性研究”或者“质性研究资料分析”，是指对诸如词语、照片、观察结果之类的非数值型数据（或者说资料）的分析。
分析工具：
Excel作为常用的分析工具，可以实现基本的分析工作，在商业智能领域Cognos、Style Intelligence、Microstrategy、Brio、BO和Oracle以及国内产品如Yonghong Z-Suite BI套件等。
数据挖掘工具：spss，sas，alteryx.
分析展示形势：表格，图形，文字。

Q3： 数据分析（用户研究）到底有多大作用

用户研究需要结合定性和定量的研究。数据分析能够帮助了解到用户概况，区分用户群体差异，分析用户偏好。用户研究中常用的数据分析方法：
收集用户数据->制定编码分类->数据分析（用户特征提取）->确定优化方向->提升商业回报
初级的数据分析可以看看各种趋势，统计图，中级的可以看看聚类、回归、关联、预测等，高级的可以看看时序、文本、社交网络分析等。

Q4： 做好客户管理需要对客户哪些数据分析

客户是企业的利润来源，客户管理对企业来说，可以说是发展之本，其重要性不言而喻。不过，客户管理可是有窍门的。在此，我作一些粗浅的分析，以期达到抛砖引玉之效。
第一步，明辨老客户的光环
在许多营销读本中，都提出开发一个新客户的成本是维持一个老客户的2~6倍。鼓励企业重视老客户的维护，以促成二次/多次销售，并带来新客户。但事实上，由于熟悉和“忠诚”，老客户往往会要求更多的价格优惠和服务项目，因而，在单笔业务上，老客户给企业带来的利润往往不及新客户。另一方面，如果企业做好老客户的维护工作，并且能够满足老客户不断增长的优惠需求，确实能带来新客户，并且成交率较高。但毕竟，由老客户介绍而来的新客户在整个客户群体中的比例是极小的。
在企业的业务过程中，都要面临一个客户范围扩张和收紧的过程，即前期大面积捕捉潜在客户，后期筛选高价值客户重点维护。经济学里有个著名的“二八定律”，即百分之二十的客户创造了百分之八十的利润。换言之，客户的价值是根据他的利润贡献率来衡量的。具体而言，有三方面的“指标”：购买时间（第一次购买时间和最近购买时间）、购买频率（在某一时间段内购买行为次数）、购买金额（历次消费额及总消费额）。这三大指标的价值在于，告诉你哪些老客户处于活跃期、哪些老客户处于休眠期，以及某个客户的活跃/休眠周期/增值空间等，便于“对症下药”。
从另一个方面来讲，新客户的价值辨别是没有依据可循的，唯一的依据就是我们的业务员能在第一时间抓住他的购买特征，并与之前的老客户进行类比，并据此进行有重点的拓展。
第三步，选择辅助工具
每个企业的客户数量，少则数百，多则成千上万，再加上各类销售数据……要把浩如烟海的数据梳理、分类整理完毕，决非易事。靠人工操作，明显是不现实的，这种情况下只能借助于IT技术。
Excel是许多企业电子化办公的第一步，也是企业极其熟悉的软件工具，但仅限于记录数据，其它功能有限。显然并不能满足企业客户维护的需求。这时候，企业需要借助专业的管理软件工具。以风语者为例，它的客户服务与销售分析功能，可以详细纪录客户信息，轻松跟踪所有联系信息、报价、订单、合同以及与客户有关系的利益相关者，自动抓取出A类客户。在服务过程的各个阶段，还能使用预测分析和历史服务纪录分析，以实时方式或在服务周期中评价客户满意度和可能产生的二次销售机会，实现客户的二次或多次开发，让企业的客户价值分析真正做到数据说话。对销售人员而言，算是一个不错的助力。
风语者之所以一面市就受到营销人员的欢迎，还在于它的自定义功能和知识库功能。营销人员在和客户沟通时，客户信息、过往案例、服务历史和支持知识等同步显示，为便捷的沟通提供可参考的依据。可不要小瞧这个小小的功能，想像一下，有一个几个月没联系的“老客户”今天联系他，打开软件就可以根据客户的实际情况和他天南海北地聊，既可以收集反馈意见，又能很快拉近和客户的距离，这可以说是用最小的维护成本轻松提升客户忠诚度的最好的办法。
第四步 客户管理的延续性
客户管理的延续性，不仅包含客户信息的延续，还包含客户维护和拓展经验、技能的延续。
在客户管理中，一个常见的问题让企业管理者头疼不已，即随着营销人员的岗位更替，老客户必须和接手的业务员重新磨合；如果磨合不好，轻则增加成本，重则客户流失，甚至成为竞争对手的客户。针对这种情况，企业更加需要风语者等管理软件来进行客户资料的收集和记录，变个人客户资源为公司客户资源。
许多企业在招聘销售人员的时候，不仅看重他以往的销售业绩，而且看重他在行业内的经验。新人顺利接手业务，不仅是客户信息的传递问题，还有更重要的一点，就是经验和技巧。现在，风语者等管理软件中，几乎能够提供业务员与客户沟通的全部资料，通话录音、E-mail、传真、来电详细记录等资料完全可以实现客观再现和共享，这样不仅便于老员工的交流和学习，更是新员工的宝贵学习资源。风语者知识库功能也为企业提供知识、文化传承的途径。

Q5： 如何对百万级的数据进行数据分析

1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于
统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。