以短视频自媒体为例，我们一般会通过3个指标对视频进行打分：播放量、互动量、粉丝量如何做市场数据分析。其中播放量和粉丝量是一个结果量，可以代表一个栏目号的整体影响力。互动量是一个中间量，是播放到粉丝的重要过程体现，所以平时我们也会重点关注。下面结合实例给大家分享一下平时“一色神技能”进行播放量数据分析方法：叫“合横连纵”分析法。横向：指的就是同期视频的分析；纵向：指的是同类视频的分析。

一、合横数据分析

数据来源：美秒短视频助手

1、什么是合横数据分析？

合横：我们把同期视频整合起来，进行合并的统计。就像上面的图片是“一色神计能”的一期视频，内容是iPhone手机隐私保护，发布在12个渠道上，截止目前总计67w的播放量。

2、合横数据分析的目的

1）持续观察这期视频的播放总量

为什么要进行总量的统计呢，最常见的形式就是广告合作，短视频的植入合作一般是以“期”为合作单位的。前期与广告主沟通的时候，可以展示历史几期内容的播放总量及覆盖渠道。投放后，也是通过本期一定时段内播放量作为效果的评估指标。

2）关注不同渠道的播放量

这里主要是为了让实际运营同学，对渠道有一个大体的概念。以图片展示这期内容来讲，我们可以看到播放量上万的渠道有美拍、今日头条、哔哩哔哩、搜狐和内涵段子。之前对于内涵段子这个渠道之前的概念只是量比较好，并没有特别的关注。但是进行了同期统计后，我们发现内涵段子竟然是这期视频播放量最高的渠道，进而关注其他的数据指标，例如用户的评论非常多，成为了我们重点关注的一个渠道。

3）看重点渠道是否达到基本标准

有没有暴涨、或爆低的现象出现。如果出现了要找到内容团队、运营团队一起来分析情况产生的原因。

二、连纵数据分析1、什么是连纵数据分析？

数据来源：美秒短视频助手

连纵：就是同类的或者相似视频的一个分析。对比有两个方向：一个是同栏目号内相似内容的对比分析；另一个是别人栏目号相似内容的对比分析。

2、如何进行连纵数据分析？

这里我们就结合平时的运营工作是如何进行连纵数据分析的。

1）对比内容的选择

“一色神技能”我们每期都有一个比较明确的主题，以数码类题材为例，我们基本上都是围绕一个数码品牌来进行使用技巧的介绍。所以主题明确，这次我们以“小米”专题的对比作为一个例子。

2）两个维度进行分析

选择好对比内容后，需要从两点入手进行分析。一个是渠道维度，二是分析明星视频。

美拍渠道上播放量基本没问题但是有一期出现了播放量为0的情况，需要查看是否美拍渠道忘记发布或者什么原因导致了发布失败。头条渠道的表现基本在及格线，不低也不高。内涵段子、bilibili均有一个高播放量的视频，对于这样的情况，我们需要同时打开同期视频，通过用户评论来分析差距的原因。

对比所有渠道后我们可以发现，最后一个视频在各个渠道的播放量普遍偏高，那么这一期视频就很明显是这个组内的明星视频。对于明星视频，我们的目标是总结优点，以指导后续的方向。

对于明星视频我们可以分析的更具体一些，例如视频的播完率，内容的转化点，标题的可借鉴性等等。明星视频的分析对于运营同学是很好的运营训练机会，挖掘出视频的亮点，在今后予以发扬。

想做好短视频自媒体的数据分析，推荐使用美秒短视频助手，想了解更多短视频相关知识，关注“短视频顾小雨”头条号，点击文章或视频下方的“了解更多”或者直接私信小雨，加入入门社群即可获得短视频制作和运营干货大礼包~

谢邀，最近也是校招季，就说一点实际的吧，列举一些需要掌握的内容

第一阶段：Excel

每一位数据分析师都脱离不开Excel。这一阶段主要就是学习Excel的透视表、函数等等操作，能够使用excel进行简单的数据分析与可视化报告。

第二阶段：SQL数据库语言

作为数据分析人员，我们首先要知道如何去获取数据，其中最常见的就是从关系型数据库中取数，因此你可以不会R，不会python，但是你不能不会SQL。主要了解数据库查询语言，where，因此你可以不会R，不会python，但是你不能不会SQL。主要了解数据库查询语言，where，limit，and和or的逻辑，时间转换函数等。

推荐书籍：《MYSQL必知必会》

第三阶段：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。实际上除掉数据挖掘这类高级分析，不少数据分析就是监控数据和观察数据。除此此外，数据分析的大多时候都是要兜售自己的观点和结论的，而兜售的最好方式就是做出观点清晰数据详实的PPT和报表给老板看。

可视化的工具有很多，这里我推荐Tableau（国外）或者FineBI（国内），FineBI是国产的用起来方便点。这两款都不要编程功底，实现起来简单，功能强大。

推荐书籍：《用图表说话》-麦肯锡

第四阶段：数理统计学

这里我们需要从基础的统计理论(描述性统计、区间估计、假设检验等)出发，到基本的统计分析（T检验、方差分析等），最后到商业常用的模型（回归分析、方差分析等），学习数据分析背后的逻辑，掌握实用统计学的概念和会利用统计的思维去思考问题。

推荐书籍：《从零进阶 数据分析的统计基础》-曹正凤

第五阶段：SPSS

SPSS是统计分析入门软件，如果你想快速入门而又不想学习编程，我推荐使用SPSS。学习SPSS的重点并不在于软件本身，而是相关的统计学知识，这也是在前面建议你铺垫的，也就是你要学会怎样去分析“输入数据后，软件给你呈现的结果”。

推荐书籍：《如虎添翼 数据处理的SPSS/SAS EG实现》-徐筱刚

第六阶段：数据挖掘

学习算法模型包括线性回归、逻辑回归、主成分分析、因子分析、聚类、关联规则、决策树、随机森林、支持向量机、贝叶斯、神经网络等，建议选择一门编程语言来学习。

Python或者R语言，这一点是必备项也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。

推荐书籍：《笨方法学Python》《像计算机科学家一样思考》《Python数据科学手册》《利用Python进行数据分析》《数据科学入门》

第七阶段：数据分析行业应用和数据分析思维

对于数据分析师来说，业务的了解比数据方法论更重要。当然很遗憾，业务学习没有捷径。平时可以多看一些行业报告，熟悉行业的业务和商业模式，对你有好处。

推荐书籍：《增长黑客》；《精益数据分析》