分析數據的方法(數據分析思路方法)

數據分析的方法有哪些

數據分析的方法有：對比分析法，分組分析法，預測分析法，漏斗分析法，AB測試分析法，象限分析法，公式拆解法，可行域分析法，二八分析法，假設性分析法。

1.對比分析法：對比分析法指通過指標的對比來反映事物數量上的變化，屬于統計分析中常用的方法。常見的對比有橫向對比和縱向對比。

橫向對比指的是不同事物在固定時間上的對比，例如，不同等級的用戶在同一時間購買商品的價格對比，不同商品在同一時間的銷量、利潤率等的對比。

縱向對比指的是同一事物在時間維度上的變化，例如，環比、同比和定基比，也就是本月銷售額與上月銷售額的對比，本年度1月份銷售額與上一年度1月份銷售額的對比，本年度每月銷售額分別與上一年度平均銷售額的對比等。

利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2.分組分析法：分組分析法是指根據數據的性質、特征，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。所謂屬性指標代表的是事物的性質、特征等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3.預測分析法：預測分析法主要基于當前的數據，對未來的數據變化趨勢進行判斷和預測。預測分析一般分為兩種：一種是基于時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4.漏斗分析法：漏斗分析法也叫流程分析法，它的主要目的是專注于某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。比如，對于信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡，最后用戶激活并使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。使用漏斗分析法，能使業務方關注各個環節的轉化率，并加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，采取適當的措施來提升業務指標。

5.AB測試分析法：AB測試分析法其實是一種對比分析法，但它側重于對比A、B兩組結構相似的樣本，并基于樣本指標值來分析各自的差異。例如，對于某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最后根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

除此之外，要想做好數據分析，讀者還需掌握一定的數學基礎，例如，基本統計量的概念（均值、方差、眾數、中位數等），分散性和變異性的度量指標（極差、四分位數、四分位距、百分位數等），數據分布（幾何分布、二項分布等），以及概率論基礎、統計抽樣、置信區間和假設檢驗等內容，通過相關指標和概念的應用，讓數據分析結果更具專業性。

6.象限分析法：X軸從左到右是點擊率的高低，Y軸從下到上是轉化率的高低，形成了4個象限，這就是我們要說的象限分析法。

針對每次營銷活動的點擊率和轉化率找到相應的數據標注點，然后將這次營銷活動的效果歸到每個象限，4個象限分別代表了不同的效果評估。

7.公式拆解法：所謂公式拆解法就是針對某項指標，用公式表現該指標的影響因素，例如日銷售額的影響因素是各商品的銷售額，找到影響因素后，需要對影響因素的影響因素進行拆解。

8.可行域分析法：可行域分析實際上是一種自己建立的數據分析模型，根據具體數據不斷修正調整可行域的范圍，對業務指標進行有效評價。

9.二八分析法：八法則和長尾理論是相對的，二八法則告訴我們說，你要重視頭部用戶，也就是能產生80%收益的那20%的用戶或商品，而長尾理論告訴我們說要重視長尾效應，也就是剩余那20%的收益。

10.假設分析法：簡單理解，假設法是在已知結果數據，在影響結果的多個變量中假設一個定量，對過程反向推導的數據分析方法。

數據分析方法是‬數據統計學‬當中‬應用‬非常‬廣泛‬的方法‬，具體‬方法‬有很多種‬，具體采用的時候因人而異。

數據分析的6種常用方法

常見的6種數據分析的方法有： 直接判斷法、對比分析法、結構分析法、平均分析法、漏斗分析法、因果分析法

無需經過任何的數據對比，根據經驗直接進行判斷。

這種方法對人的要求極高，要求個人對于數據和市場的理解都極其透徹，沒有深度沉淀較長時間是做不到的，否則就成了武斷。

把數據與過去N次進行對比，常見的對比類型有：競爭對手對比、時間同比與環比、類比對比、轉化對比、特征和屬性對比、前后變化對比的等等。

對比分析法在分析中使用頻率是最高的，因為很多數據只有在對比中才能得出好壞、析出問題。

常見分析術語：

達成： 本月實際完成銷售額與目標業績的對比。達成是用于獲取當前業績的完成進度，評估業績完成進度是否合理。業績達成了，原因是什么？因為什么地方足夠好？業績不達成，原因又是什么？什么地方出現問題？

同比： 本月實際完成業績與去年同月時期的對比。同比是用于看當前業績和去年同期業績相比有沒有增長。這是做增長的運營者關注的重要指標。同比上升了，要看上升幅度有沒有符合預期，同比下降了，要重點看下降的原因。

環比： 本月實際完成的業績與上月實際完成業績的對比。環比是用于看企業業績前后變化，如試行新的運營策略一個月后與前一個月進行對比，看運營策略是否有效，但是這需要排除其他導致數據異常的原因。

差異： 自身完成業績與競爭對手完成業績的對比。差異是用于尋找企業與同行的產品不同之處，有時是為了避開直接競爭，有時候是為了學習同行優秀之處。

注： 對比分析法要注意控制變量，盡可能保持單一變量的對比，其他條件需要保持一致，這樣的數據對比才有意義。

組內數據與總體數據之間進行對比。

常見如電商流量結構，自然搜索流量占總體的比例，付費流量占總體的比例，個性化推薦占總體的比例等等。

設置一個平均線，分析數據高于或者低于平均值的原因。

觀察流程中每一步的轉化和流失。常見如電商轉化漏斗：展現——點擊——訪問——咨詢——下單——支付等，每一步都設置數據埋點，觀察用戶行為數據，對跳失較高的步驟進行優化，提升產品功能、促銷策略、服務體驗等。

用枝狀結構畫出因果關系的圖表，把影響因素一一列出，形成因果對應，有利于制定合理的方案。

數據分析的六種基本分析方法

數據分析的六種基本分析方法：

1、對比分析法：常用于對縱向的、橫向的、最為突出的、計劃與實際的等各種相關數據的。例如：今年與去年同期工資收入的增長情況、3月CPI環比增長情況等。

2、趨勢分析法：常用于在一段時間周期內，通過分析數據運行的變化趨勢（上升或下降），為未來的發展方向提供幫助。例如：用電量的季節性波動、股市的漲跌趨勢等。

3、相關分析法：常用于分析兩個或多個變量之間的性質以及相關程度。例如：氣溫與用電量的相關性、運動量大小與體重的相關性等。

4、回歸分析法：常用于分析一個或多個自變量的變化對一個特定因變量的影響程度，從而確定其關系。例如：氣溫、用電設備、用電時長等因素對用電量數值大小的影響程度、工資收入的高低對生活消費支出大小的影響程度等。

5、描述性分析法：常用于對一組數據樣本的各種特征進行分析，以便于描述樣本的各種及其所代表的總體的特征。例如：本月日平均用電量、上海市工資收入中位數等。

6、結構分析法：常用于分析數據總體的內部特征、性質和變化規律等。例如：各部分用電量占總用電的比重、生活消費支出構成情況等。

數據分析常用的分析方法有哪些?

1. 描述型分析

這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2. 診斷型分析

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鉆取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特征過濾和鉆取數據等功能，以便更好的分析數據。

3. 預測型分析

預測型分析主要用于進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4. 指令型分析

數據價值和復雜度分析的下一步就是指令型分析。指令模型基于對“發生了什么”、“為什么會發生”和“可能發生什么”的分析，來幫助用戶決定應該采取什么措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

怎樣對數據進行分析

數據分析方法：

1、對比分析法

對比分析法是通過指標的對比來反映事物數量上的變化，屬于統計分析中常用的方法。常見的對比有橫向對比和縱向對比。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2、分組分析法

分組分析法是根據數據的性質、特征，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。

所謂屬性指標代表的是事物的性質、特征等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3、預測分析法

預測分析法主要基于當前的數據，對未來的數據變化趨勢進行判斷和預測。

預測分析一般分為兩種：一種是基于時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4、漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注于某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。

比如，對于信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡，最后用戶激活并使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。

使用漏斗分析法，能使業務方關注各個環節的轉化率，并加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，采取適當的措施來提升業務指標。

5、AB測試分析法

AB測試分析法其實是一種對比分析法，但它側重于對比A、B兩組結構相似的樣本，并基于樣本指標值來分析各自的差異。

例如，對于某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最后根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

數據分析的幾種常用方法21-10-27

幾種常見的數據分析分析方法：
1.周期性分析（基礎分析）
What ：主要是從日常雜亂的數據中，發現周期性出現的現象，而從避免或改善問題的發生。常見的兩種周期：自然周期和生命周期。
需要注意的點：雖然周期性分析主要針對時間序列，但不全是，例如公眾號的文章閱讀走勢不僅和日期（工作日或周末）相關，也和文章類型相關。
例如：銷售中3,6,9,12月，由于績效考核出現的峰值
            重點節假日對和交付的影響
            產品銷售的季節性影響（例如北方下半年的采暖產品，入夏空調的銷售旺季等）
How： 自然后期的時間維度，根據分析的需求，可從年（同環比，業績達成、和行業趨勢對比），月（淡旺季、銷售進度、生產預測），周（一般較少），日（工作日，非工作日的差異分析），時（時間分布，工作時段，上下班高峰，晚上，主要和大眾消費行為分析相關）進行展開
生命周期一種常見的分析就“商品生命周期”，商品銷量隨上市時間的變化，通過時間軸+指標走勢組合出來的。這種分析對快消品或者產品迭代速度很快的商品（典型如手機）是比較重要的，可以用于監控產品的市場表現，對照市場活動可以量化活動效果以及產品線的經營情況，如持續跟進，則可針對性的提出產品上市的建議。

2.矩陣分析（重要分析方法）
矩陣分析是數據分析中非常重要的分析方法。主要解決分析領域的一個非常致命的核心問題：“到底指標是多少，才算好”。
平均數是一個非常常用的數據維度，但是單一維度，并不能充分評價好壞。例如考核銷售，如果只考核業務銷售業績，那么業務人員一定會傾向賣利潤低的引流產品。那種利潤高，價格高，不容易賣的利潤型產品就沒人賣了，最后銷售越多，公司的利潤反而下降了。這個時候通過兩個維度：銷售規模和銷售利潤，構建交叉矩陣，就能將業務業績進行更有效的區分。

舉個簡單的例子，一個銷售團隊，10名銷售一個月內開發的客戶數量，產生的總業績用矩陣分析法進行分析（具體數據略）：
第一步：先對客戶數量、業績求平均值
第二步：利用平均值，對每個銷售人員的客戶數量、業績進行分類
第三步：區分出多客戶+高業績，少客戶+高業績，多客戶+低業績，少客戶+低業績四類

矩陣分析把關鍵業務目標拆分為兩個維度，每個維度進行高低分類，進而可以對目標進行更加立體的描述。維度高低分類多采用 平均值作為參考 值。
注意：有兩個場景，是不適合用矩陣分析法：
一：有極大/極小值影響了平均值的時候，一般出現極大/極小值的時候，可以用： 分層分析法 。
二：兩個指標高度相關的時候，例如用戶消費金額與消費頻次，兩個指標天生高度相關，此時數據分布會集中在某一個或兩個區域，矩陣分析法的業務解讀能力接近0，可采用 相關分析法

3.結構分析
What： 結構分析是將分析的目標，向下分解，主要用于發現問題。
例如銷售分析，可以按照區域—省—市 一級級的分解，分解之后可以更好的看出影響銷售業績的影響因素在哪個位置。
 結構分析可以有多個維度，取決于我們需要分析的方向。例如還是銷售分析，可以從產品構成進行拆解，也可用從業務形態拆解
How：如何進行結構分析？
第一步：定出要分析的關鍵指標（一般是業績、用戶量、DAU、利潤等等）
第二步：了解關鍵指標的構成方式（比如業績，由哪些用戶、哪些商品、哪些渠道組成）
第三步：跟蹤關鍵指標的走勢，了解指標結構變化情況
第四步：在關鍵指標出現明顯上升/下降的時候，找到變化最大的結構分類，分析問題
注意：結構分析的不足
結構分析法是一種：知其然，不知其所以然的方法。只適用于發現問題，不能解答問題

4.分層分析
What： 分層分析，是為了應對 平均值失效 的場景。典型的平均值失效例如平均工資，很多人都被“代表”。這個時候需要把收入群體分成幾類，例如土豪，普通百姓，窮光蛋等，后面進行分析時就比較清楚了。業內也有一些不同的叫法，比如應用于商品的，叫ABC分類，應用于用戶的，叫用戶分層，應用于業務的，叫二八法則。本質都是一回事。
How：如何進行分層分析
1.明確分層對象和分層指標
    例如：想區分用戶消費力，分層對象就是：用戶，分層指標就是：消費金額
               想區分商品銷售額，分層對象就是：商品，分層指標就是：銷售金額
                想區分部銷售額，分層對象就是：分部，分層指標就是：銷售收入
2.查看數據，確認是否需要分層。分層是應對平均值失效的情況的，存在極值影響的情況，則適合分層。
3.設定分層的層級。最好的解決辦法是老板拍板，其次可以用“二八原則”，以上述銷售業績分層為例，可以先從高到低排序，然后把累積業績占80%的人選出來，作為“第1層級（優等）”，其他的歸為“第2層級（次等）”。有時如果顆粒度不夠，也可以用“二四六八十”法則”。
如何應用分層
分層的最大作用是幫我們看清楚：到底誰是主力 ，誰是吊車尾。從而指導業務，從人海戰術向精兵簡政思考。
根據分層的結果找出差距，進而提出（假設）差異背后可能的原因，通過其它方式進行
應用 ：客戶分析，目前系統中客戶超5000個，為了更好的了解客戶結構，可以通過分層分析的方法對這5000個客戶進行分層，分層的方式通過年銷售規模，可以按照累計規模排序，一般采用4-6個層級，每個層級可以給一個標簽。例如王者客戶，腰部客戶，mini客戶等。分層后，便可以針對性的進行分析，例如客戶層級的銷售占比，變動，各層級客戶的銷售構成，結合其它方法就可以有較全面的分析

5.漏斗分析（待補充）

6.指標拆解（待補充）

7.相關性分析（待補充）
What ：兩個（或多個）因素之間的關系。例如員工人數與銷售額，市場推廣與銷售業績，天氣和銷售表現等
            很多因素我們直觀的感覺到之間有聯系，相互影響，但具體的關系是什么，如何產品影響的，可以通相關性分析來量化。
例如，客戶開拓中拜訪客戶的次數和客戶成交是否有關系？
           拜訪次數多，表明客戶也感興趣，所以成功幾率大
           拜訪這么多，客戶還不成交，成功幾率不大
            客戶成交和拜訪關系不太大，主要看你是否能打動他
How ：兩種聯系：直接關系，間接關系
直接關系 ：整體指標與部分指標的關系——結構分析，例如銷售業績與各中心的業績
                  主指標與子指標的關系——拆解分析，例如總銷售規模和客戶數量與客戶銷售規模
                   前后步驟間的關系——漏斗分析：例如銷售目標和項目覆蓋率，儲備率，簽約等因素間的關系
        聯系中，指標之間出現一致性的變化，基本是正常，如果出現相反的變動，則需要關注，這可能是問題所在
間接關系 ：要素之間沒有直接的聯系，但存在邏輯上的連接。例如推廣多了，知名度上市，進而銷售額上升。
                  由于關系非顯性，需要通過處理進行評價，常用的就是散點圖和excel中的相關系數法
在明確相關性后，就可以通過改變其中一個變量來影響和控制另一個變量的發展。
注意：相關性分析也存在很大的局限。主要體現在相關性并不等同因果性。例如十年前你在院子里種了一顆樹，你發現樹每天的高度和中國近十年GDP的增速高度相關，然后這兩者間并沒有什么實質性的聯系。此次相關性分析過程中一定注意要找到關聯的邏輯自洽。

8.標簽分析（待補充）

9.