大学生旅游消费行为调查报告spss分析-大学生旅游消费行为调查报告spss分析怎么写

摘要： 如何学习数据分析？spss男女性别分布统计学意义？微信公众号怎么进行数据分析？如何学习数据分析？优秀的数据分析师并不能速成，但是零经验也有零经验的捷径。市面上有《七周七数据库》，《...

1. 如何学习数据分析？
2. spss男女性别分布统计学意义？
3. 微信公众号怎么进行数据分析？

如何学习数据分析？

优秀的数据分析师并不能速成，但是零经验也有零经验的捷径。

市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》，没错，七周。

第一周：Excel学习掌握

如果Excel玩的顺溜，可以略过这一周。但很多人并不会vlookup，所以有必要讲下。

了解sum，count，sumif，countif，find，if，left/right，时间转换等。excel的各类函数很多，完全不需要学全。重要的是学会搜索。我学函数是即用即查，将遇到的问题在网上搜索得到所需函数。

重中之重是学会vlookup和数据***表。这两个对后续的数据转换有帮助。

学会vlookup，SQL中的join，Python中的merge能很快掌握。

学会数据***表，SQL中的group，Python中的groupby也是同理。

这两个搞定，基本10万条以内的数据统计没啥难度，也就速度慢了点。80%的办公室白领都能秒杀。

网上多找些习题做，Excel是熟能生巧。

养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。

附加学习：

1、了解中文编码utf-8，ascii的含义和区别

2、了解单元格格式，帮助你了解后期的timestamp，date，string，int，bigint，char，factor等各类格式。

3、如果时间还有剩余，可以看《大数据时代》，培养职业兴趣。

第二周：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。别说平常人，数据分析师自己看数据也头大。这时就得靠数据可视化的神奇魔力了。

以上就是所谓的可视化。排除掉数据挖掘这类高级分析，不少数据分析师的平常工作之一就是监控数据观察数据。

另外数据分析师是需要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，分析师的价值在哪里？工资也就涨不了对吧。

抽空花一段时间学习可视化的基础,如《数据之美》

另外你还需要了解BI的概念。知名的BI产品有Tableau，Power BI，还有国产的FineBI等。都有体验版和免费版能下载，网上找一点数据就能体验可视化的魅力。比Excel的图表高级多了。

BI需要了解仪表盘Dashboard的概念，知道维度的联动和钻取，知道绝大多数图表适用的场景和怎么绘制。比如以下FineBI制作的dashboard。

第三周：分析思维的训练

这周我们轻松一下，学学理论知识。

分析思维首推大名鼎鼎的《金字塔原理》，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个XMind中文网站，或者在线用百度脑图。

再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜Case Book。

题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。因为要锻炼数据分析能力。所以得结合数据导向的思维。

这里送三条金句：

一个业务没有指标，则不能增长和分析

好的指标应该是比率或比例

好的分析应该对比或关联。

举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？

这1000人的数量，和附件其他超市比是多是少？（对比）

这1000人的数量比昨天多还是少？（对比）

1000人有多少产生了实际购买？（转化比例）

路过超市，超市外的人流是多少？（转化比例）

这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。

第四周：数据库学习

Excel对十万条以内的数据处理起来一点不虚，但是资深的数据分析师还是笑摸狗头，Too Young Too Sample，爷搞得都是百万数据。要百万数据，就得上数据库。

SQL是数据分析师的核心技能之一。有些公司并不给数据库权限，需要分析师写邮件提需求，这非常不好。数据分析师经常有各类***设需要验证，很多时候写十几行SQL就能得到的答案，还得麻烦其他部门导出数据。

SQL学习不需要买书，W3C学习就行了，SQL 教程。大多数互联网公司都是MySQL，我也建议学，性价比最高。

作为数据分析师，只要懂Select相关，增删改、约束、索引、数据库范式全部略过。你的公司心得多大才会给你写权限。

了解where，group by，order by，h***ing，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等即可。

你看，和Excel的函数都差不多。如果时间充裕，则学习row_number，substr，convert，contact等。和Excel一样，学会搜索解决问题。不同引擎的函数也会有差异，例如Presto和phpMyAdmin。

期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。

网上搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是Sequel Pro。

第五周：统计知识学习

统计学是数据分析的基础之一。

统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。

这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、***设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。

Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。

《统计数字会撒谎》休闲读物，有趣的案例可以让我们避免很多数据陷阱。

深入浅出统计学 (豆瓣)还是经典的HeadFirst系列，适应它一贯的啰嗦吧。

多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。

第六周：业务学习（用户行为、产品、运营）

这一周需要了解业务。对于数据分析师来说，业务的了解比数据方***更重要。当然很遗憾，业务学习没有捷径。

我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。

这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。

对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。

《增长黑客》

数据驱动业务的典型，里面包含产品运营最经典的AAARR框架，部分非数据的营销案例，

《网站分析实战》

如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。

《精益数据分析》

互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。

还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。

除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。

第七周：Python/R学习

终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。

这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。

R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。

如果学习R，建议看《R语言实战》，照着书本打一遍代码，一星期绰绰有余。另外还有一本《统计学》，偏知识理论，可以复习前面的统计学知识。

R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。

Python拥有很多分支，我们专注数据分析这块，入门可以学习《深入浅出Python》。

需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。

在速成后的很长一段时间，我们都要做调包侠。

这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 Anaconda。都是数据分析的利器。

Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。

到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。有机会，我会专门写文章讲解每一周的具体知识，并且用爬虫爬一些数据做练习和案例。

很高兴回答您的问题。

作为一个数据分析师，结合工作我谈谈我自己的看法。

首先，做数据分析首先得学习数据库，比较数据是最基本的***。

其次，是数据分析相关的理论，为建模或者进行进一步分析打基础。代数和统计知识要求较高。

再次，学习各种软件。Excel是最最最基本的工具，各种函数、插件的学习;SPSS、R至少掌握一种吧，个人认为SPSS更容易上手，当然每个行业有自己相对认可的工具;Python建议掌握，很强大的工具，清洗数据、建模、可视化、爬虫等等都可以完成。最后建议掌握一个可视化软件比如Tableau。当然分析完需要写报告，不管文字功底、概括能力、审美能力，都是有要求的。

最后，模型学习，这个没的说，要知道每个模型是用来干什么，比如决策树做画像是经常会用到的。

特别想说一点，数据分析不能只看数据，还要相对了解业务，脱离业务的数据分析什么都不是。

希望对您有帮助。

一、数据分析前世今生

近年来，越来越多的企业开始出现数据分析师这个岗位，无非可以分为技术类和非技术类，技术类要运用算法搭建模型，非技术类对模型结果进行可视化展现、数据报告撰写等。

二、数据分析的未来

不要把自己单纯地定义为一名数据分析师，企业不乏做表的（初级数据分析师）、搞模型的（高级数据分析师），财务做报表更厉害，程序员比你更容易上手。数据分析一定是一项必备技能，就和PPT、Excel一样，它是来***工作的，而不是工作的全部。

三、学习路线

技术：

• Excel

• SQL

• Python/Spss

• 可视化

理论：

• 数据分析思维和方法

• 统计学

• 对业务的理解

四、推荐书籍/网站

以下推荐的书籍和网站绝无任何广告嫌疑，只是自己觉得还不错分享给大家。

1、Excel学习：

没有什么推荐的书籍和网站，网上有很多大神的教程，如果时间充裕，就系统的学习一下，如果时间紧张，就用临阵用度娘也是可以解决问题的，当然，学什么都最好能够系统地学习。要记住一点，我们是用Excel进行数据分析的，所以应当从数据获取、数据处理、数据分析和输出几个方面来学习Excel。

之前的文章也有写过这方面的：

用Excel做直方图（1）：随机数发生器

用Excel做直方图（2）：频率分布直方图

用Excel做控制图

2、SQL学习

建议去W3Sschool自己学习，非常详细，附网址，。如果想要练习的话，可以从SQLZoo去练习，在线版的SQL练习教程，。书的话《SQL必知必会》还不错，很精简，基本可以满足日常表的查询和维护了，想要不仅满足于查询的话，还可以参考《深入浅出MySQL》，数据库开发、优化与管理，600多页。

3、Python学习

对于非程序员出身的新手小白来说入门很简单，精通还是不容易的。如果你仅仅是停留在用Python进行数据处理和分析的阶段上，建议《利用Python进行数据分析》这[_a***_]非常不错，不要去学python开发、python编程之类的书，Python可以用来做很多事情，但对于数据分析师而言，我们可能不需要用Python来开发什么游戏、网站等，我们只需要进行数据控制、处理、整理和分析即可，系统地学一下python中的数据科学库是非常有必要的，如：Numpy、pandas等。

4、可视化

有很多可视化的工具，用Excel可以实现可视化，powerBI、Tableau、Python也可以可视化。工具的选择是一方面，另一方面是对于图表的理解，什么场合适用什么样的图表。

用Excel做排列图

5、数据分析的思维和方法

参考书籍《深入浅出数据分析》，把道理方法讲的很透彻的一本书，对于深入理解底层逻辑很友好。《谁说菜鸟不会数据分析》系列，主要是对于方法和工具使用的学习。可参考之前的文章 数据分析方*** 来大概了解。

6、统计学

《深入浅出统计学》非常棒的一本书，对于统计学的基本概念的解释非常直白到位，让小白能够清楚地理解这个公式为什么是这样子的，而不是直接摆公式。底层逻辑明白后，可以参考李航的《统计学习方法》，这是大学课本，有时间的话还是应该好好研究一下系统逻辑的。

7、对业务的理解

推荐《数据挖掘与数据化运营实战》，这本书对业务与数据分析怎么结合有很详细的说明和实例。

对于普通用户来说，以下是一些学习数据分析的建议：

1. 了解基础知识：首先，学习数据分析需要掌握一些基础知识，例如数据类型、数据结构、基本统计学概念和 Excel 等工具的基本功能。可以通过在线课程、教科书或参考书籍来学习这些基础知识。
2. 学习统计学和数学知识：数据分析需要涉及到很多统计学和数学的概念，例如概率、***设检验、回归分析等等。因此，建议在学习数据分析前，先学习一些基础的统计学和数学知识。
3. 使用数据分析工具：了解如何使用数据分析工具是学习数据分析的关键。Excel 是一个常见的工具，而 Python 和 R 则是比较流行的编程语言。学习如何使用这些工具，并掌握一些基本的编程技能可以让您更快地进行数据分析。
4. 实践练习：理论学习和工具使用只是学习数据分析的第一步，更重要的是通过实践练习来掌握数据分析的技能。可以通过实际的数据分析项目来练习，例如使用 Excel 或 Python 对数据集进行分析。
5. 加入社群：加入数据分析社群可以与其他学习者交流经验，并学习其他人的技能。可以通过在线社群、网络论坛或参加数据分析培训班来了解更多相关知识。
6. 选择合适的 BI 工具：根据您的数据分析需求，选择合适的 BI 工具。常见的 BI 工具包括 Tableau、Power BI、QlikView 等。使用 BI 工具进行数据分析可以大大简化您的工作流程，并提高您的数据分析效率。如果您需要学习使用 BI 工具，请考虑参加培训课程或在线教程。

学习数据分析需要一定的时间和精力， 通过坚持不懈地学习和实践， 可以掌握这一重要的技能，并且走向高薪数据分析，数据挖掘，数据开发等岗位。

学习数据分析可以遵循以下步骤：

1. 学习基础数学和统计学知识。数据分析需要掌握一定的数学和统计学知识，包括概率、***设检验、回归分析等。
2. 学习数据分析工具。掌握一些数据分析工具，如Excel、Python、R等，可以帮助你更好地进行数据分析。
3. 学习数据可视化。学习数据可视化工具，如Tableau、Power BI等，可以将数据分析结果以图形化的方式呈现出来，更加直观地展示数据分析结果。
4. 学习实践案例。通过学习实际的数据分析案例，可以更好地理解数据分析的应用场景和方法。
5. 参加培训课程。参加一些数据分析相关的培训课程，可以加速学习过程并且获得实践经验。
6. 扩展阅读。阅读相关的书籍、文章、博客等，可以帮助你了解更多的数据分析知识和技能。
7. 实践练习。通过实践练习，将学到的知识应用到实际项目中，进一步巩固和提高数据分析能力。

spss男女性别分布统计学意义？

通过对SPSS中男女性别分布进行统计学分析，可以帮助我们了解不同性别在样本中的比例是否具有统计学意义。

这种分析可以帮助我们确定是否存在性别差异，并评估这些差异是否是由于随机因素引起的。

如果我们发现男女性别分布在样本中存在显著差异，那么我们可以得出结论，性别可能对我们研究的变量产生了影响。

这种分析结果可以为进一步的研究提供基础，并帮助我们更好地理解性别在特定领域中的作用。

Spss男女性别分布统计学意义在于可以帮助研究者了解所研究的问题在不同性别群体中的分布情况。这种分布情况可能对研究结果产生一定影响，因此在进行统计分析时应当考虑性别因素。

同时，这种分布情况也可以为研究提供更多的信息和洞察，例如在研究人口文化或消费习惯方面可以了解不同性别群体的差异，进而为相关领域提供指导和帮助。

1、统计SPSS男女性别分布的意义是了解样本中男女比例的情况，从而对研究的结果进行更准确的解释。

2、这可以帮助我们观察性别在不同变量之间的相关性，比如生活习惯、兴趣爱好、心理特征等。

3、此外，性别分布也有助于我们识别样本是否具有代表性，并可以用于推断性别对于被研究变量的影响。

微信公众号怎么进行数据分析？

一：基础用户数据分析：打开微信公众号，进入统计--用户分析--用户增长，阅览用户每日增长情况；进入用户属性，了解用户性别、年龄段、区域等数据，依此来分析用户人群；

二、基础图文数据分析：进入图文分析，可查看图文送达人数、阅读数、分享转发数及二次传播数等详情数据，了解图文传播情况，依此分析用户喜好；

三、菜单数据分析：可查看菜单点击次数和人数，依此来调整菜单栏的设置；

四、消息管理及消息分析：回复粉丝后台留言及查看粉丝互动数据，依此来判断粉丝互动情况；

一般判断一个账号数据是否真实，我会看他以往发送图文质量，包括发送频次、内容质量、阅读数、留言评论数，一般现在的图文打开率在5%-12%之间，好一点的可以达到15%-18%，所以一般据此可以反馈他的粉丝数取个平均值。

数据分析和做菜一样，原始数据像一堆食材摆在那里，想要做出自己想要的“菜”，就得自己进行加工才行。这里面有三点比较重要：关联、可视化、分析维度。

1 | 关联

先要制作好的数据分析报表，首先需要了解各个数据反映的是你的哪个运营动作，这样才能进行优化。

这便需要你拆分一些数据，另外再组合一些数据。数据拆分、关联、聚合的水平，直接决定了你精细化运营的程度。

2 | 可视化

可视化呈现是数据分析很重要的一部分内容。一堆数字放在那里，和一张可视化处理后的图表放在那里，效果是完全不一样的，图表能让你感知到以前根本感知不到的信息。

可视化图表，一些在线的工具可以直接分析并且呈现精确数据，我自己用的是拓途数据 一个在线的可视化分析工具。

3 | 分析维度

单独一个数据摆在那里，是没有任何意义的，意义是从相互比较中产生的。你只有通过跟之前的数据进行比较，才知道现在的数据处于什么位置，合不合理.

因此数据分析要从每个时间段各个维度来看：短期数据看表现，中期数据看波动，长期数据看周期。

现在一般都是利用工具做数据分析啦，我平时都是利用例如拓途数据这类工具，搜索一些同类公众号，查看里面的阅读数和粉丝数，判断粉丝的高低，然后再用里面的读赞数监控功能，判断里面是否存在刷量的情况，然后再对比下自己的优势和不足。

首先需要明确对微信公众号进行数据分析的目的是什么？

阿拆在这里以创作高阅读量的文章作为目的。

前期工作

公众号长期发文，文章基数大。

通过微信公众号插件一键导出微信公众号后台excel数据。

S初级分析

①通过excel将文章的阅读量降序排序。

②选择排序中阅读量最高的几篇文章，以其作为参考进行创作。

SS中级分析

①通过excel将文章的阅读量降序排序。

②分析高阅读量文章的打开率与分享率。

③打开率高的说明文章标题受用户欢迎，主要参考其标题。

④分享率高的说明文章内容、选题受用户欢迎，主要参考其内容、选题。

SSS高级分析

①将数据导入SPSS

②对打开率与分享率做Kmeans聚类分析，聚类数选择4，将文章分为“高打开率、高分享率”“高打开率、低分享率”“低打开率、高分享率”“低打开率、低分享率”四类。

③将分类后的数据导回excel

④插入数据***表，对四个类型的文章进行针对性的分析与参考。

注：上述操作基于粉丝基数变化不大的情况，且分析的文章对象为同一位置的文章

互联网拆解：系统化思考，可视化表达，知识从此不复杂。

首先打开微信公众号的后台，会看到很多的数据，我们重点关注后台左边的统计栏。

一、用户分析

1、关注来源

在用户分析这一栏里，主要看关注来源。

我通过这个数据的分析得出目前这个公众号的新增人数主要来自：名片分享、扫描二维码，这两种模式。这个数据代表了你的开源渠道。

推测：

名片分享：业务人员在销售时，指引用户关注公众号。

扫描二维码：技术人员和电商运营人员在网站上面做了引流。

所以通过这两个渠道的新增用户较多。

知道了这个数据怎么用：

1、明确了你的开源渠道，要知道一个公众号如果没有固定的开源渠道是很痛苦的事。

2、合理的利用开源渠道，有针对性对开源渠道进行设计，通过活动，电商运营，各种方式，在原来的基础上，加大宣传力度。

这样子可以节省人力物力，在有效的渠道上，设计增长机制，增长用户。

2、用户属性：

特别关注用户属性，用户属性对于内容运营方面有指导性作用。

在这里可以查看用户的性别比例，语言分布。

用户的省份分布，城市分布，终端分布，机型分布。（这个点开后台就一目了然，不一一截图）

如果性别和地区，这个数据明显的偏向于某一部分人群，可以在做内容的时候，进行针对性营销。比如女性多于男性，北方地区的多于南方地区的。这些都有助于在做内容的时候，大致迎合用户的喜好。

二、图文分析

1、小时报：

在公众号的数据分析中，单篇图文其实是价值大不，所以我们要点开全部图文。

打开小时报，这才是我们重点要分析的数据。

小时报代表一天24小时中你的公众号流量情况。通过小时报，可以看到你公众号的流量趋势图。这个数据值得好好统计，至少要按月分析。

在分析变化的数据过程中，我们首先要明确常量，再用变量来对比，才能找出规律。

因为我选择的是上一个月里，没有发文的那些天的公众号流量趋势图。有发文的天数，流量趋势图会人为的倾向于某个节点，分析的意义不大。

这是我在分析一个阶段的大概数据，先通过每一天24小时的数据观察，得出每一天的关键流量点。

将每一天出现的关键点，分别标注出来。并做成表格。

你们会看到，在10-24号这段时间，在没有发送文章的情况下，公众号的流量节点是这样的。

18点出现的次数是4，15点出现的次数是6，8点出现的次数6。

这说明你的公众号的最高流量点有可能在15点和8点这两个时间。找出你公众号的流量点，接下来就可以调整推文时间了。不要凭主观的意愿想用户什么时候有空看微信，什么时候发文最好。

通过数据找出流量点，再通过流量点来测试，从而找出最适合的推文时间。

2、阅读量：

关于阅读量的分析，主要包括：阅读量、转发量、点赞、留言之类的。之所以没有重点谈这些，主要是因为这些是人为可控的。比如留言，如果你搞了一个留言点赞的活动，那这一篇文章的阅读量，点赞数，留言率自然而然会提上去。

所以在做内容分析的时候，要明确常量的统一的情况下，进行分析。

A:都没有做活动的情况下，通过阅读数，转发率，分析出受用户欢迎的内容类型，并持续的优化内容。

B:在活动的情况下，通过分析数据，找出受用户欢迎的活动类型，活动的不足，活动如何提升。优化活动方式。

总之：在数据分析的时候，一定要在统一常量的基础上，分析变量，并做大范围的分析才有价值。

三、菜单分析

在公众号的菜单这一栏可以定位为公众号的功用属性。

如果是购物类的公众号如：京东、唯品会、幸福西饼，基本菜单栏就是一个购物的入口。

购物类的公众号，可以利用此菜单栏进行网站的品类分类，更便于用户购物。

功能类的公众号只要将功能直接绑定在公众号菜单栏即可。其他类型的公众号，依个人喜好，设置你认为重点的，想要让用户经常看到的，能够与用户产生粘性的东西，且菜单最好具有功能性。

那问题来了，菜单栏的数据分析怎么用？

公众号的菜单栏里面有子菜单，合理的设计分类公众号子菜单的内容，通过菜单栏的点击率，了解用户关心什么，在乎什么，并做出对应的调整规划。

建议在设置菜单栏的时候，可以将子菜单的内容同级分类，这样便于我们了解哪一个品类的产品更众用户欢迎。

比如服装类：女装，男装，儿童装...

文学类：情感专栏、故事专栏、时事专栏...

通过分类产品，来调查用户最感兴趣的是什么，从而更好的进行内容运营，产出用户感兴趣的内容。

因此我个人建议，菜单栏要跟产品挂勾使用，这样才可以发挥充分作用。我看到有些公众号的菜单栏长期没有更换，或只是单纯的链接历史消息的。个人感觉有点浪费，好好利用，菜单栏可以帮助我们更好的了解用户，做好内容运营。

四、消息分析

1、小时报：

在消息分析这一项，我们先来看看小时报。如果是服务类如金融，投资理财类的公众号，可以通过小时报来找到用户的集中访问时间。在用户的集中访问时间，可以更好的分配客服人员。具体分析跟上文提到的一致。

2、消息关键词：

关于消息关键词，是我们要重点关注的地方。

通过关键词的分析，从而找出用户的主要疑惑点，做好FAQ。

通过FAQ高效的节省客服工作，这才是我们做这一部分数据分析的主要目的。

至于剩下的接口分析与网页分析。北小小不是技术专业，目前还分析不了，就不做阐述了。

总结

综上我觉得作为一个公众号运营人员，如果可以分析好以上这四个方面数据，并且把每一个方面的数据分析透。基本也算合格及良好了吧。这样我们以后做分析报表就不用只写阅读量，粉丝数，新增人数，取关人数，这些止于表面的内容了。

数据分析主要从四个方面入手：

用户分析：找到关键用户属性，找到主要开源渠道；图文分析：找到关键流量点，找出内容规律；菜单分析：找到用户感兴趣的内容，合理化菜单与产品充分结合；消息分析：找到用户集中访问时间，找到关键词，做好FAQ。