常用對比分析方法有哪些

『壹』 比較分析法是什麼

對比分析法也稱比較分析法，是把客觀事物加以比較，以達到認識事物的本質和規律並做出正確的評價。對比分析法通常是把兩個相互聯系的指標數據進行比較，從數量上展示和說明研究對象規模的大小，水平的高低，速度的快慢，以及各種關系是否協調。

對比分析法的標準的選擇：

1、時間標准時間標准即選擇不同時間的指標數值作為對比標准，最常用的是與上年同期比較即「同比」，還可以與前一時期比較，此外還可以與達到歷史最好水平的時期或歷史上一些關鍵時期進行比較。

2、空間標准空間標准即選擇不同空間指標數據進行比較。

3、經驗或理論標准經驗標準是通過對大量歷史資料的歸納總結而得到的標准。如衡量生活質量的恩格爾系數。理論標准則是通過已知理論經過推理得到的依據。

4、計劃標准計劃標准即與計劃數、定額數、目標數對比。市場經濟並不排斥科學合理的計劃，因此，計劃標准對統計評價仍有一定意義。

『貳』 最常用的大數據分析方法有哪些

對比分析法不管是從生活中還是工作中，都會經常用到，對比分析法也稱比較分析法，是將兩個或兩個以上相互聯系的指標數據進行比較，分析其變化情況，了解事物的本質特徵和發展規律。

在數據分析中，常用到的分3類：時間對比、空間對比以及標准對比。

2、漏斗分析

轉化漏斗分析是業務分析的基本模型，最常見的是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。

其中，我們往往關注三個要點：

①從開始到結尾，整體的轉化效率是多少?

②每一步的轉化率是多少?

③哪一步流失最多，原因在什麼地方?流失的用戶符合哪些特徵?

3、用戶分析

用戶分析是互聯網運營的核心，常用的分析方法包括：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。

可將用戶活躍細分為瀏覽活躍，互動活躍，交易活躍等，通過活躍行為的細分，掌握關鍵行為指標;通過用戶行為事件序列，用戶屬性進行分群，觀察分群用戶的訪問，瀏覽，注冊，互動，交易等行為，從而真正把握不同用戶類型的特點，提供有針對性的產品和服務。

4、指標分析

在實際工作中，這個方法應用的最為廣泛，也是在使用其他方法進行分析的同時搭配使用突出問題關鍵點的方法，指直接運用統計學中的一些基礎指標來做數據分析，比如平均數、眾數、中位數、最大值、最小值等。在選擇具體使用哪個基礎指標時，需要考慮結果的取向性。

5、埋點分析

只有採集了足夠的基礎數據，才能通過各種分析方法得到需要的分析結果。

通過分析用戶行為，並細分為：瀏覽行為，輕度交互，重度交互，交易行為，對於瀏覽行為和輕度交互行為的點擊按鈕等事件，因其使用頻繁，數據簡單，採用無埋點技術實現自助埋點，即可以提高數據分析的實效性，需要的數據可立即提取，又大量減少技術人員的工作量，需要採集更豐富信息的行為。

『叄』 常用的數據分析方法有哪些 對比分析法

1、聚類分析（Cluster Analysis）
聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析是一種探索性的分析，在分類的過程中，人們不必事先給出一個分類的標准，聚類分析能夠從樣本數據出發，自動進行分類。聚類分析所使用方法的不同，常常會得到不同的結論。不同研究者對於同一組數據進行聚類分析，所得到的聚類數未必一致。
2、因子分析（Factor Analysis）
因子分析是指研究從變數群中提取共性因子的統計技術。因子分析就是從大量的數據中尋找內在的聯系，減少決策的困難。
因子分析的方法約有10多種，如重心法、影像分析法，最大似然解、最小平方法、阿爾發抽因法、拉奧典型抽因法等等。這些方法本質上大都屬近似方法，是以相關系數矩陣為基礎的，所不同的是相關系數矩陣對角線上的值，採用不同的共同性□2估值。在社會學研究中，因子分析常採用以主成分分析為基礎的反覆法。
3、相關分析（Correlation Analysis）
相關分析（correlation analysis），相關分析是研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向以及相關程度。相關關系是一種非確定性的關系，例如，以X和Y分別記一個人的身高和體重，或分別記每公頃施肥量與每公頃小麥產量，則X與Y顯然有關系，而又沒有確切到可由其中的一個去精確地決定另一個的程度，這就是相關關系。
4、對應分析（Correspondence Analysis）
對應分析(Correspondence analysis)也稱關聯分析、R-Q型因子分析，通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系。對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構以點的形式在較低維的空間中表示出來。
5、回歸分析
研究一個隨機變數Y對另一個(X)或一組(X1，X2，…，Xk)變數的相依關系的統計分析方法。回歸分析（regression analysis)是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。運用十分廣泛，回歸分析按照涉及的自變數的多少，可分為一元回歸分析和多元回歸分析；按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
6、方差分析(ANOVA/Analysis of Variance)
又稱「變異數分析」或「F檢驗」，是R.A.Fisher發明的，用於兩個及兩個以上樣本均數差別的顯著性檢驗。由於各種因素的影響，研究所得的數據呈現波動狀。造成波動的原因可分成兩類，一是不可控的隨機因素，另一是研究中施加的對結果形成影響的可控因素。方差分析是從觀測變數的方差入手，研究諸多控制變數中哪些變數是對觀測變數有顯著影響的變數。這個 還需要具體問題具體分析

『肆』 數據分析常用的4大分析方法

1. 描述型分析：發生了什麼?

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：為什麼會發生?

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，鑽取到數據的核心。

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

3. 預測型分析：可能發生什麼?

預測型分析主要用於進行預測。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：需要做什麼?

數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。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後，最後需要完成的分析方法。

關於數據分析常用的4大分析方法的內容，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

『伍』 常用的數據分析方法有哪些

常見的數據分析方法有哪些？
1.趨勢分析
當有大量數據時，我們希望更快，更方便地從數據中查找數據信息，這時我們需要使用圖形功能。所謂的圖形功能就是用EXCEl或其他繪圖工具來繪制圖形。
趨勢分析通常用於長期跟蹤核心指標，例如點擊率，GMV和活躍用戶數。通常，只製作一個簡單的數據趨勢圖，但並不是分析數據趨勢圖。它必須像上面一樣。數據具有那些趨勢變化，無論是周期性的，是否存在拐點以及分析背後的原因，還是內部的或外部的。趨勢分析的最佳輸出是比率，有環比，同比和固定基數比。例如，2017年4月的GDP比3月增加了多少，這是環比關系，該環比關系反映了近期趨勢的變化，但具有季節性影響。為了消除季節性因素的影響，引入了同比數據，例如：2017年4月的GDP與2016年4月相比增長了多少，這是同比數據。更好地理解固定基準比率，即固定某個基準點，例如，以2017年1月的數據為基準點，固定基準比率是2017年5月數據與該數據2017年1月之間的比較。
2.對比分析
水平對比度：水平對比度是與自己進行比較。最常見的數據指標是需要與目標值進行比較，以了解我們是否已完成目標；與上個月相比，要了解我們環比的增長情況。
縱向對比：簡單來說，就是與其他對比。我們必須與競爭對手進行比較以了解我們在市場上的份額和地位。
許多人可能會說比較分析聽起來很簡單。讓我舉一個例子。有一個電子商務公司的登錄頁面。昨天的PV是5000。您如何看待此類數據？您不會有任何感覺。如果此簽到頁面的平均PV為10,000，則意味著昨天有一個主要問題。如果簽到頁面的平均PV為2000，則昨天有一個跳躍。數據只能通過比較才有意義。
3.象限分析
根據不同的數據，每個比較對象分為4個象限。如果將IQ和EQ劃分，則可以將其劃分為兩個維度和四個象限，每個人都有自己的象限。一般來說，智商保證一個人的下限，情商提高一個人的上限。
說一個象限分析方法的例子，在實際工作中使用過：通常，p2p產品的注冊用戶由第三方渠道主導。如果您可以根據流量來源的質量和數量劃分四個象限，然後選擇一個固定的時間點，比較每個渠道的流量成本效果，則該質量可以用作保留的總金額的維度為標准。對於高質量和高數量的通道，繼續增加引入高質量和低數量的通道，低質量和低數量的通過，低質量和高數量的嘗試策略和要求，例如象限分析可以讓我們比較和分析時間以獲得非常直觀和快速的結果。
4.交叉分析
比較分析包括水平和垂直比較。如果要同時比較水平和垂直方向，則可以使用交叉分析方法。交叉分析方法是從多個維度交叉顯示數據，並從多個角度執行組合分析。
分析應用程序數據時，通常分為iOS和Android。
交叉分析的主要功能是從多個維度細分數據並找到最相關的維度，以探究數據更改的原因。

『陸』 常用統計分析方法有哪些

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，屬於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、特徵，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、特徵等，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

預測分析法主要基於當前的數據，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：一種是基於時間序列的預測，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於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，對於信用卡申請的流程，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。

最後用戶激活並使用信用卡，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，並加以監控和管理，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，採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，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。

例如，對於某個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，最後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。

『柒』 做數據分析時的常用方法有哪些

數據分析的三個常用方法有數據趨勢分析、數據對比分析及數據細分分析。

1、數據趨勢分析

趨勢分析一般而言，適用於產品核心指標的長期跟蹤，比如，點擊率，GMV，活躍用戶數等。做出簡單的數據趨勢圖，並不算是趨勢分析，趨勢分析更多的是需要明確數據的變化，以及對變化原因進行分析。

2、數據對比分析

對比分析，就是給孤立的數據一個合理的參考系，否則孤立的數據毫無意義。一般而言，對比的數據是數據的基本面，比如行業的情況，全站的情況等。有的時候，在產品迭代測試的時候，為了增加說服力，會人為的設置對比的基準。也就是A/B test。

3、數據細分分析

在得到一些初步結論的時候，需要進一步地細拆，因為在一些綜合指標的使用過程中，會抹殺一些關鍵的數據細節，而指標本身的變化，也需要分析變化產生的原因。細分分析是一個非常重要的手段，多問一些為什麼，才是得到結論的關鍵，而一步一步拆分，就是在不斷問為什麼的過程。

『捌』 常用的數據分析方法有哪些

通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。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。常見的對比有橫向對比和縱向對比。

②分組分析法

分組分析法是指根據數據的性質、特徵，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、特徵等，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

預測分析法主要基於當前的數據，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：一種是基於時間序列的預測，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於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，對於信用卡申請的流程，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，最後用戶激活並使用信用卡，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，並加以監控和管理，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，採取適當的措施來提升業務指標。

⑤AB測試分析法

AB 測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。例如，對於某個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，最後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。

『玖』 成本分析常用的方法有哪些用比較分析法時應注意什麼問題

在實際工作中，通常採用的技術分析方法有對比分析法，因素分析法和相關分析法等三種。
1、對比分析法
對比分析法是根據實際成本指標與不同時期的指標進行對比，來揭示差異，分析差異產生原因的一種方法。在對比分析中，可採取實際指標與計劃指標對比，本期實際與上期(或上年同期，歷史最好水平)實際指標對比，本期實際指標與國內外同類型企業的先進指標對比等形式。通過對比分析，可一般地了解企業成本的升降情況及其發展趨勢，查明原因，找出差距，提出進一步改進的措施。在採用對比分析時，應注意本期實際指標與對比指標的可比性，以使比較的結果更能說明問題，揭示的差異才能符合實際。若不可比，則可能使分析的結果不準確，甚至可能得出與實際情況完全不同的相反的結論。在採用對比分析法時，可採取絕對數對比，增減差額對比或相對數對比等多種形式。
比較分析法按比較內容（比什麼）分為：
（1）比較會計要素的總量
（2）比較結構百分比
（3）比較財務比率
2、因素分析法
因素分析法是將某一綜合性指標分解為各個相互關聯的因素，通過測定這些因素對綜合性指標差異額的影響程度的一種分析方法。在成本分析中採用因素分析法，就是將構成成本的各種因素進行分解，測定各個因素變動對成本計劃完成情況的影響程度，並據此對企業的成本計劃執行情況進行評價，並提出進一步的改進措施。
採用因素分析法的程序如下：
(1)將要分析的某項經濟指標分解為若干個因素的乘積。在分解時應注意經濟指標的組成因素應能夠反映形成該項指標差異的內在構成原因，否則，計算的結果就不準確。如材料費用指標可分解為產品產量，單位消耗量與單價的乘積。但它不能分解為生產該產品的天數，每天用料量與產品產量的乘積。因為這種構成方式不能全面反映產品材料費用的構成情況。
(2)計算經濟指標的實際數與基期數(如計劃數，上期數等)，從而形成了兩個指標體系。這兩個指標的差額，即實際指標減基期指標的差額，就是所要分析的對象。各因素變動對所要分析的經濟指標完成情況影響合計數，應與該分析對象相等。
(3)確定各因素的替代順序。在確定經濟指標因素的組成時，其先後順序就是分析時的替代順序。在確定替代順序時，應從各個因素相互依存的關系出發，使分析的結果有助於分清經濟責任。替代的順序一般是先替代數量指標，後替代質量指標；先替代實物量指標，後替代貨幣量指標；先替代主要指標，後替代次要指標。
(4)計算替代指標。其方法是以基期數為基礎，用實際指標體系中的各個因素，逐步順序地替換。每次用實際數替換基數指標中的一個因素，就可以計算出一個指標。每次替換後，實際數保留下來，有幾個因素就替換幾次，就可以得出幾個指標。在替換時要注意替換順序，應採取連環的方式，不能間斷，否則，計算出來的各因素的影響程度之和，就不能與經濟指標實際數與基期數的差異額(即分析對象)相等。
(5)計算各因素變動對經濟指標的影響程度。其方法是將每次替代所得到的結果與這一因素替代前的結果進行比較，其差額就是這一因素變動對經濟指標的影響程度。
(6)將各因素變動對經濟指標影響程度的數額相加，應與該項經濟指標實際數與基期數的差額(即分析對象)相等。
上述因素分析法的計算過程可用以下公式表示：
設某項經濟指標N是由A，B，C三個因素組成的。在分析時，若是用實際指標與計劃指標進行對比，則計劃指標與實際指標的計算公式如下：
計劃指標N0=A0×B0×C0
實際指標N1=A1×B1×C1
分析對象為N1-N0的差額。
採用因素分析法測定各因素變動對指標N的影響程度時，各項計劃指標，實際指標及替代指標的計算公式如下：
計劃指標 N0=A0×B0×C0-----------(1)
第一次替代N2=A1×B0×C0-----------(2)
第二次替代N3=A1×B1×C0-----------(3)
實際指標 N1=A1×B1×C1-----------(4)
各因素變動對指標N的影響數額按下式計算：
由於A因素變動的影響=(2)-(1)=N2-N0
由於B因素變動的影響=(3)-(2)=N3-N2
由於C因素變動的影響=(4)-(3)=N1-N3
將上述三個項目相加，即為各因素變動對指標N的影響程度，它與分析對象應相等。
根據因素分析法的替代原則，材料費用三個因素的替代順序為產量，單耗，單價。各因素變動對甲產品材料費用實際比計劃降低8 000的測定結果如下：
計劃材料費用=250×48×9=108 000(元)-----(1)
第一次替代=200×48×9=86 400(元)------(2)
第二次替代=200×50×9=90 000(元)------(3)
實際材料費用=200×50×10=100 000(元)------(4)
各因素變動對材料費用降低8 000元的影響程度如下：
由於產量變動對材料費用的影響=(2)-(1)=86400-108000=-21600(元)
由於材料單耗變動對材料費的影響=(3)-(2)=90000-86400=3600(元)
由於材料單價變動對材料費用的影響=(4)-(3)=100000-90000=10000(元)
三個因素變動對材料費用的影響程度=-21600+3600+10000=-8000(元)
上述分析計算時，還可以採用另外一種簡化的形式，即差額計演算法。差額計演算法是利用各個因素的實際數與基期數的差額，直接計算各個因素變動對經濟指標的影響程度。以上述經濟指標N為例，採用差額計演算法時的計算公式如下：
由於A因素變動對指標的影響=(A1-A0)×B0×C0
由於B因素變動對指標的影響=A1×(B1-B0)×C0
由於C因素變動對指標的影響=A1×B1×(C1-C0)
〖例3〗以例2材料費用的分析資料為基礎，採用差額計演算法的結果如下：
由於產量增加對材料費用的影響=(200-250)×48×9=-21600(元)
由於材料單耗變動對材料費用的影響=200×(50-48)×9=3600(元)
由於材料單價變動對材料費用的影響=200×50×(10-9)=10000(元)
各因素變動對材料費用的影響=-21600+3600+10000=-8000(元)
兩種方法的計算結果相同，但採用差額計演算法顯然要比第一種方法簡化多了。
3、相關分析法
相關分析法是指在分析某個指標時，將與該指標相關但又不同的指標加以對比，分析其相互關系的一種方法。企業的經濟指標之間存在著相互聯系的依存關系， 在這些指標體系中，一個指標發生了變化，受其影響的相關指標也會發生變化。如將利潤指標與產品銷售成本相比較，計算出成本利潤率指標，可以分析企業成本收益水平的高低。再如，產品產量的變化，會引起成本隨之發生相應的變化，利用相關分析法找出相關指標之間規律性的聯系，從而為企業成本管理服務。
4、差額計演算法
差額計演算法是因素分析法的一種簡化形式，它利用各個因素的目標值與實際值的差額來計算其對成本的影響程度。
5、比率法
比率法是指用兩個以上的指標的比例進行分析的方法。它的基本特點是：先把對比分析的數值變成相對數，再觀察其相互之間的關系。常用的比率法有以下幾種。
● 相關比率法 由於項目經濟活動的各個方面是相互聯系，相互依存，又相互影響的，因而可以將兩個性質不同而又相關的指標加以對比，求出比率，並以此來考察經營成果的好壞。例如：產值和工資是兩個不同的概念，但它們的關系又是投入與產出的關系。在一般情況下，都希望以最少的工資支出完成最大的產值。因此，用產值工資率指標來考核人工費的支出水平，就很能說明問題。
● 構成比率法 又稱比重分析法或結構對比分析法。通過構成比率，可以考察成本總量的構成情況及各成本項目占成本總量的比重，同時也可看出量、本、利的比例關系(即預算成本、實際成本和降低成本的比例關系)，從而為尋求降低成本的途徑指明方向。
● 動態比率法 動態比率法，就是將同類指標不同時期的數值進行對比，求出比率，以分析該項指標的發展方向和發展速度。動態比率的計算，通常採用基期指數和環比指數兩種方法。