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。
『貳』 數據分析架構及方法
數據分析架構及方法
一、以往的數據分析在今天的各類型企業中，數據分析崗位已經基本得到普及和認可，這個崗位的核心任務往往是支撐運營和營銷，將企業內部的數據，客戶的數據進行分析和總結，形成以往工作情況的量化表現，以及客戶的行為趨勢或特徵等。
如果從更宏觀的角度來認識數據分析崗位的話，每一個數據分析人員都明白，其實數據分析崗位要達到的目標就是希望通過數據來發現潛在的規律，進而幫助預測未來，這一點同數據挖掘的目標一致。那麼為什麼在大多數公司都已經具備的數據分析崗位基礎上，今天卻還是在反復提到數據挖掘這個概念，我們就需要來看看數據分析都有哪些是沒有做到的內容。
1數據分散
多數數據分析崗位在公司中的崗位設置是隸屬在單一業務部門中作為一個支撐崗，只有少數的公司是將數據分析作為一個獨立的部門。其差異性在於，前者的數據分析所能分析的內容僅限於自身部門所輸出的指標，比如投訴部門只看投訴處理過程中的數據，銷售部門只看銷售過程中的數據，一旦涉及到需要將各類指標匯總分析的情況，這種組織架構就會帶來極大的負面影響，由於不同部門具備自己部門指標導出的許可權，且與其他部門的配合並不影響績效任務，所以這種跨部門採集數據的過程往往效率奇低。而數據分析最關鍵的就在於匯集更多的數據和更多的維度來發現規律，所以以往的數據分析多是做最基礎的對比分析以及帕累托分析，少有使用演算法來對數據進行挖掘的動作，因為越少的指標以及越少的維度將會使得演算法發揮的效果越差。
2指標維度少
在以往的企業中，數字化管理更多的體現在日常運維工作中，對於客戶端的數據採集雖然從很早以前就已經開展，CRM系統的誕生已經有很久的時間了，但是一直以來客戶端的數據維度卻十分缺失，其原因在於上述這些途徑所獲得的數據多為客戶與企業產生交互之後到交互結束之間的數據，但是這段時間只是這個客戶日常生活中很少的一部分內容，客戶在微博，微信上的行為特點，關注的領域或是品牌，自身的性格特點等，可以說一個客戶真正的特點，習慣，僅通過與企業的交互是無從知曉的，因此難以挖掘出有效的結論。
3少使用演算法
在上述制約條件下，可想而知數據分析人員對於演算法的使用必然是較少的，因為數據分析依賴於大量的指標、維度以及數據量，沒有這三個條件是難以發揮演算法的價值的，而在排除掉演算法後，數據分析人員更多的只能是針對有限的數據做最為簡單的分析方法，得出淺顯易懂的分析結論，為企業帶來的價值則可以想像。
4數據分析系統較弱目前的數據分析多採用excel，部分數據分析人員能夠使用到R或SPSS等軟體，但當數據量達到TB或PB單位級別時，這些軟體在運算時將會消耗大量時間，同時原始的資料庫系統在導出數據時所花費的時間也是相當長的，因此對大數據量的分析工作，常規的系統支撐難以到達要求。
二、技術革命與數據挖掘
得益於互聯網對於人們生活的影響逐漸增大，我們發現數據正在瘋狂的增長。今天一個人一天的時間中有將近一半是在互聯網中度過的，一方面這些使用互聯網的交互都是能夠被捕捉記錄的，一方面由於碎片化時間的使用，客戶與企業交互的機會也變的越來越頻繁，進一步保障了客戶數據的豐富。同時在大數據技術的支撐下，今天的系統能夠允許對這些大規模的數據量進行高效的分析。
因此數據分析人員也能夠開始使用一些較為抽象的演算法來對數據做更為豐富的分析。所以數據分析正式進入到了數據分析2.0的時代，也就是數據挖掘的時代了。
三、數據處理流程
數據分析也即是數據處理的過程，這個過程是由三個關鍵環節所組成：數據採集，數據分析方法選取，數據分析主題選擇。這三個關鍵環節呈現金字塔形，其中數據採集是最底層，而數據分析主題選擇是最上層。
四、數據採集
數據採集即是如何將數據記錄下來的環節。在這個環節中需要著重說明的是兩個原則，即全量而非抽樣，以及多維而非單維。今天的技術革命和數據分析2.0主要就是體現在這個兩個層面上。
1全量而非抽樣由於系統分析速度以及數據導出速度的制約，在非大數據系統支撐的公司中，做數據分析的人員也是很少能夠做到完全全量的對數據進行收集和分析。在未來這將不再成為問題。
2多維而非單維另一方面則在於數據的維度上，這在前邊同樣提及。總之針對客戶行為實現5W1H的全面細化，將交互過程的什麼時間、什麼地點、什麼人、因為什麼原因、做了什麼事情全面記錄下來，並將每一個板塊進行細化，時間可以從起始時間、結束時間、中斷時間、周期間隔時間等細分；地點可以從地市、小區、氣候等地理特徵、渠道等細分；人可以從多渠道注冊賬號、家庭成員、薪資、個人成長階段等細分；原因可以從愛好、人生大事、需求層級等細分；事情可以從主題、步驟、質量、效率等細分。通過這些細分維度，增加分析的多樣性，從而挖掘規律。
五、數據分析方法選取數據分析方法是通過什麼方法去組合數據從而展現規律的環節。從根本目的上來說，數據分析的任務在於抽象數據形成有業務意義的結論。因為單純的數據是毫無意義的，直接看數據是沒有辦法發現其中的規律的，只有通過使用分析方法將數據抽象處理後，人們才能看出隱藏在數據背後的規律。
數據分析方法選取是整個數據處理過程的核心，一般從分析的方法復雜度上來講，我將其分為三個層級，即常規分析方法，統計學分析方法跟自建模型。我之所以這樣區分有兩個層面上的考慮，分別是抽象程度以及定製程度。
其中抽象程度是說，有些數據不需要加工，直接轉成圖形的方式呈現出來，就能夠表現出業務人員所需要的業務意義，但有些業務需求，直接把數據轉化成圖形是難以看出來的，需要建立數據模型，將多個指標或一個指標的多個維度進行重組，最終產生出新的數據來，那麼形成的這個抽象的結果就是業務人員所需要的業務結論了。基於這個原則，可以劃分出常規分析方法和非常規分析方法。
那麼另一個層面是定製程度，到今天數學的發展已經有很長的時間了，其中一些經典的分析方法已經沉澱，他們可以通用在多用分析目的中，適用於多種業務結論中，這些分析方法就屬於通用分析方法，但有些業務需求確實少見，它所需要的分析方法就不可能完全基於通用方法，因此就會形成獨立的分析方法，也就是專門的數學建模，這種情況下所形成的數學模型都是專門為這個業務主題定製的，因此無法適用於多個主題，這類分析方法就屬於高度定製的，因此基於這一原則，將非常規分析方法細分為統計學分析方法和自建模型類。
1常規分析方法常規分析方法不對數據做抽象的處理，主要是直接呈現原始數據，多用於針對固定的指標、且周期性的分析主題。直接通過原始數據來呈現業務意義，主要是通過趨勢分析和佔比分析來呈現，其分析方法對應同環比及帕累托分析這兩類。同環比分析，其核心目的在於呈現本期與往期之間的差異，如銷售量增長趨勢；而帕累托分析則是呈現單一維度中的各個要素佔比的排名，比如各個地市中本期的銷售量增長趨勢的排名，以及前百分之八十的增長量都由哪幾個地市貢獻這樣的結論。常規分析方法已經成為最為基礎的分析方法，在此也不詳細介紹了。
2統計學分析方法統計學分析方法能夠基於以往數據的規律來推導未來的趨勢，其中可以分為多種規律總結的方式。根據原理多分為以下幾大類，包括有目標結論的有指導學習演算法，和沒有目標結論的無指導學習演算法，以及回歸分析。
其中有指導的學習演算法簡單說就是有歷史數據里邊已經給出一個目標結論，然後分析當各個變數達到什麼情況時，就會產生目標結論。比如我們想判斷各項指標需要達到什麼水平時我們才認定這個人患有心臟病的話，就可以把大量的心臟病人的各項指標數據和沒有心臟病的正常人的各項指標數據都輸入到系統中，目標結論就是是否有心臟病，變數就是各項指標數據，系統根據這些數據算出一個函數，這個函數能夠恰當的描述各個指標的數據與最終這個是否是心臟病人之間的關系，也就是當各個指標達到什麼臨界值時，這個人就有心臟病的判斷，這樣以後再來病人，我們就可以根據各項指標的臨界值。這個案例中的函數就是演算法本身了，這其中的演算法邏輯有很多種，包括常見的貝葉斯分類、決策樹、隨機森林樹以及支持向量機等，有興趣的朋友可以在網上看看各種演算法的邏輯是怎麼樣的。
另外無指導的學習演算法因為沒有一個給定的目標結論，因此是將指標之中所有有類似屬性的數據分別合並在一起，形成聚類的結果。比如最經典的啤酒與尿布分析，業務人員希望了解啤酒跟什麼搭配在一起賣會更容易讓大家接受，因此需要把所有的購買數據都放進來，然後計算後，得出其他各個商品與啤酒的關聯程度或者是距離遠近，也就是同時購買了啤酒的人群中，都有購買哪些其他的商品，然後會輸出多種結果，比如尿布或者牛肉或者酸奶或者花生米等等，這每個商品都可以成為一個聚類結果，由於沒有目標結論，因此這些聚類結果都可以參考，之後就是貨品擺放人員嘗試各種聚類結果來看效果提升程度。在這個案例中各個商品與啤酒的關聯程度或者是距離遠近就是演算法本身了，這其中的邏輯也有很多中，包括Apriori等關聯規則、聚類演算法等。
另外還有一大類是回歸分析，簡單說就是幾個自變數加減乘除後就能得出因變數來，這樣就可以推算未來因變數會是多少了。比如我們想知道活動覆蓋率、產品價格、客戶薪資水平、客戶活躍度等指標與購買量是否有關系，以及如果有關系，那麼能不能給出一個等式來，把這幾個指標的數據輸入進去後，就能夠得到購買量，這個時候就需要回歸分析了，通過把這些指標以及購買量輸入系統，運算後即可分別得出，這些指標對購買量有沒有作用，以及如果有作用，那麼各個指標應該如何計算才能得出購買量來。回歸分析包括線性及非線性回歸分析等演算法。
統計學分析方法還有很多，不過在今天多用上述幾大類分析方法，另外在各個分析方法中，又有很多的不同演算法，這部分也是需要分析人員去多多掌握的。
3自建模型自建模型是在分析方法中最為高階也是最具有挖掘價值的，在今天多用於金融領域，甚至業界專門為這個人群起了一個名字叫做寬客，這群人就是靠數學模型來分析金融市場。由於統計學分析方法所使用的演算法也是具有局限性的，雖然統計學分析方法能夠通用在各種場景中，但是它存在不精準的問題，在有指導和沒有指導的學習演算法中，得出的結論多為含有多體現在結論不精準上，而在金融這種錙銖必較的領域中，這種演算法顯然不能達到需求的精準度，因此數學家在這個領域中專門自建模型，來輸入可以獲得數據，得出投資建議來。在統計學分析方法中，回歸分析最接近於數學模型的，但公式的復雜程度有限，而數學模型是完全自由的，能夠將指標進行任意的組合，確保最終結論的有效性。
六、數據分析主題選取
在數據分析方法的基礎上，進一步是將分析方法應用在業務需求中，基於業務主題的分析可以涉及太多的領域，從客戶的參與活動的轉化率，到客戶的留存時長分析，再到內部的各環節銜接的及時率和准確度等等，每一種都有獨特的指標和維度的要求，以及分析方法的要求，以我個人的經驗來看，主要分析主題都是圍繞著營銷、運營、客戶這三大角度來開展的。
1營銷/運營分析營銷運營分析多從過程及最終的成效上來進行分析，包括營銷活動從發布到客戶產生購買的過程的分析，運營從客戶開始使用到停止使用為止的過程中的分析，前者更傾向於分析客戶行為的變動趨勢，以及不同類型的客戶之間的行為差異，後者更傾向於分析在過程中服務的及時率和有效率，以及不同類型的客戶之間對於服務需求的差異。
在針對這部分分析主題時，多採用常規分析方法，通過同環比以及帕累托來呈現簡單的變動規律以及主要類型的客戶，但通過統計學分析方法，營銷分析可以根據有指導的學習演算法，得出營銷成功與營銷失敗之間的客戶特徵的差異，而運營分析則可以根據無指導的學習演算法，得出哪些特徵的客戶對哪些服務是有突出的需求的，另外營銷和運營分析都可以通過回歸分析來判斷，各項績效指標中，哪些指標是對購買以及滿意度有直接影響的。通過這些深入的挖掘，可以幫助指導營銷及運營人員更好的完成任務。
2客戶分析客戶分析除了與營銷和運營數據關聯分析時候使用，另外單獨對於客戶特徵的分析也是有很大價值的。這一部分分析更多需要通過統計學分析方法中的有指導和無指導的學習演算法，一方面針對高價值客戶，通過有指導的學習演算法，能夠看到哪些特徵能夠影響到客戶的價值高低，從而為企業鎖定目標客戶提供指導；另一方面針對全體客戶，通過無指導的學習演算法，能夠看到客戶可以大概分為哪幾種群落，針對每個群落的客戶展開焦點討論和情景觀察，從而挖掘不同群落客戶之間的需求差異，進而為各個群落的客戶提供精準營銷服務。 通過以上這些的操作，一個企業的數據分析或者說數據挖掘工作的完整流程就呈現了出來。可以看到，無論是數據採集，還是分析方法，亦或是分析主題，在大數據和互聯網的支撐基礎上，在未來都將有大幅度的增加，數據分析人員將成為下一個階段的關鍵企業支撐人員，也即是在未來，在各個領域中，都將產生大量的寬客，或者增長黑客這樣的數據分析人員，來帶動企業的發展。
『叄』 一文了解數據分析的方法都有哪些
常用的數據分析方法有以下幾種：
一、漏斗分析法
漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用於網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中。
二、留存分析法
留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。
三、分組分析法
分組分析法是根據數據分析對象的特徵，按照一定的標志（指標），把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。
四、矩陣分析法
矩陣分析法是指根據事物（如產品、服務等）的兩個重要屬性（指標）作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。
想要了解更多關於數據分析方法的問題，可以咨詢一下CDA認證中心。CDA行業標准由國際范圍數據領域的行業專家、學者及知名企業共同制定並每年修訂更新，確保了標準的公立性、權威性、前沿性。通過CDA認證考試者可獲得CDA中英文認證證書。
『肆』 數據分析的基本方法有哪些
數據分析的三個常用方法：
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。
趨勢分析，最好的產出是比值。在趨勢分析的時候需要明確幾個概念：環比，同比，定基比。環比是指，是本期統計數據與上期比較，例如2019年2月份與2019年1月份相比較，環比可以知道最近的變化趨勢，但是會有些季節性差異。為了消除季節差異，於是有了同比的概念，例如2019年2月份和2018年2月份進行比較。定基比更好理解，就是和某個基點進行比較，比如2018年1月作為基點，定基比則為2019年2月和2018年1月進行比較。
比如：2019年2月份某APP月活躍用戶數我2000萬，相比1月份，環比增加2%，相比去年2月份，同比增長20%。趨勢分析另一個核心目的則是對趨勢做出解釋，對於趨勢線中明顯的拐點，發生了什麼事情要給出合理的解釋，無論是外部原因還是內部原因。
2. 數據對比分析
數據的趨勢變化獨立的看，其實很多情況下並不能說明問題，比如如果一個企業盈利增長10%，我們並無法判斷這個企業的好壞，如果這個企業所處行業的其他企業普遍為負增長，則5%很多，如果行業其他企業增長平均為50%，則這是一個很差的數據。
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。在此我向大家推薦一個大數據技術交流圈： 658558542 突破技術瓶頸，提升思維能力 。
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。
比較試驗最關鍵的是A/B兩組只保持單一變數，其他條件保持一致。比如測試首頁改版的效果，就需要保持A/B兩組用戶質量保持相同，上線時間保持相同，來源渠道相同等。只有這樣才能得到比較有說服力的數據。
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。這里的細分一定要進行多維度的細拆。常見的拆分方法包括：
分時 ：不同時間短數據是否有變化。
分渠道 ：不同來源的流量或者產品是否有變化。
分用戶 ：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。
分地區 ：不同地區的數據是否有變化。
組成拆分 ：比如搜索由搜索片語成，可以拆分不同搜索詞;店鋪流量由不用店鋪產生，可以分拆不同的店鋪。
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。
『伍』 數據分析的分析方法都有哪些
很多數據分析是在分析數據的時候都會使用一些數據分析的方法，但是很多人不知道數據分析的分析方法有什麼？對於數據分析師來說，懂得更多的數據分析方法是很有必要的，而且數據分析師工作工程中會根據變數的不同採用不同的數據分析方法，一般常用的數據分析方法包括聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析等，我們要學會使用這些數據分析之前一定要懂得這些方法的定義是什麼。
第一先說因子分析方法，所謂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，如影像分析法，重心法、最大似然法、最小平方法、α抽因法、拉奧典型抽因法等等。
第二說一下回歸分析方法。回歸分析方法就是指研究一個隨機變數Y對另一個(X)或一組變數的相依關系的統計分析方法。回歸分析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。回歸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。
接著說相關分析方法，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。
然後說聚類分析方法。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，不需要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。
接著說方差分析方法。方差數據方法就是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。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。
最後說一下對應分析方法。對應分析是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。
通過上述的內容，我們發現數據分析的方法是有很多的，除了文中提到的聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析等分析方法以外，還有很多的數分析方法，而上面提到的數據分析方法都是比較經典的，大家一定要多多了解一下此類相關信息的發生，希望這篇文章能夠給大家帶來幫助。
『陸』 統計數據分析有哪些方法
1、對比分析法
就是將某一指標與選定的比較標准進行比較，比如：與歷史同期比較、與上期比較、與其他競爭對手比較、與預算比較。一般用柱狀圖進行呈現。
2、結構分析法
就是對某一項目的子項目佔比進行統計和分析，一般用餅圖進行呈現。比如：A公司本年度營業額為1000萬，其中飲料營業額佔33.6%、啤酒佔55%，其他產品的營業額佔11.4%。
3、趨勢分析法
就是對某一指標進行連續多個周期的數據進行統計和分析，一般用折線圖進行呈現。比如：A公司前年度營業額為880萬，去年900萬，本年度1000萬，預計明年為1080萬。
4、比率分析法
就是用相對數來表示不同項目的數據比率，比如：在財務分析中有“盈利能力比率、營運能力比率、償債能力比率、增長能力比率”。
5、因素分析法
就是對某一指標的相關影響因素進行統計與分析。比如，房價與物價、土地價格、地段、裝修等因素有關
6、綜合分析法
就是運用多種分析方法進行數據的統計與分析，比如：5W2H分析法、SWOT分析法、PEST分析法、漏斗分析法等。
『柒』 數據分析方法與模型都有哪些
現在的大數據的流行程度不用說大家都知道，大數據離不開數據分析，而數據分析的方法和數據分析模型多種多樣，按照數據分析將這些數據分析方法與模型分為對比分析、分類分析、相關分析和綜合分析四種方式，這四種方式的不同點前三類以定性的數據分析方法與模型為主，綜合類數據分析方法與模型是注重定性與定量相結合。
一、分類分析數據分析法
在數據分析中，如果將數據進行分類就能夠更好的分析。分類分析是將一些未知類別的部分放進我們已經分好類別中的其中某一類；或者將對一些數據進行分析，把這些數據歸納到接近這一程度的類別，並按接近這一程度對觀測對象給出合理的分類。這樣才能夠更好的進行分析數據。
二、對比分析數據分析方法
很多數據分析也是經常使用對比分析數據分析方法。對比分析法通常是把兩個相互有聯系的數據進行比較，從數量上展示和說明研究對象在某一標準的數量進行比較，從中發現其他的差異，以及各種關系是否協調。
三、相關分析數據分析法相關分析數據分析法也是一種比較常見數據分析方法，相關分析是指研究變數之間相互關系的一類分析方法。按是否區別自變數和因變數為標准一般分為兩類：一類是明確自變數和因變數的關系；另一類是不區分因果關系，只研究變數之間是否相關，相關方向和密切程度的分析方法。
而敏感性分析是指從定量分析的角度研究有關因素發生某種變化時對某一個或一組關鍵指標影響程度的一種不確定分析技術。
回歸分析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。
時間序列是將一個指標在不相同的時間點上的取值，按照時間的先後順序排列而成的一列數。時間序列實驗研究對象的歷史行為的客觀記錄，因而它包含了研究對象的結構特徵以及規律。
四、綜合分析數據分析法
層次分析法，是一種實用的多目標或多方案的決策方法。由於他在處理復雜的決策問題上的實用性和有效性，而層次分析數據分析法在世界范圍得到廣泛的應用。它的應用已遍及經濟計劃和管理，能源政策和分配，行為科學、軍事指揮、運輸、農業、教育、醫療和環境等多領域。
而綜合分析與層次分析是不同的，綜合分析是指運用各種統計、財務等綜合指標來反饋和研究社會經濟現象總體的一般特徵和數量關系的研究方法。
上述提到的數據分析方法與數據分析模型在企業經營、管理、投資決策最為常用，在企業決策中起著至關重要的作用。一般來說，對比分析、分類分析、相關分析和綜合分析這四種方法都是數據分析師比較常用的，希望這篇文章能夠幫助大家更好的理解大數據。
『捌』 統計數據分析的基本方法有哪些
1、對比分析法
就是將某一指標與選定的比較標准進行比較，比如：與歷史同期比較、與上期比較、與其他競爭對手比較、與預算比較。一般用柱狀圖進行呈現。
2、結構分析法
就是對某一項目的子項目佔比進行統計和分析，一般用餅圖進行呈現。比如：A公司本年度營業額為1000萬，其中飲料營業額佔33.6%、啤酒佔55%，其他產品的營業額佔11.4%。
3、趨勢分析法
就是對某一指標進行連續多個周期的數據進行統計和分析，一般用折線圖進行呈現。比如：A公司前年度營業額為880萬，去年900萬，本年度1000萬，預計明年為1080萬。
4、比率分析法
就是用相對數來表示不同項目的數據比率，比如：在財務分析中有“盈利能力比率、營運能力比率、償債能力比率、增長能力比率”。
5、因素分析法
就是對某一指標的相關影響因素進行統計與分析。比如，房價與物價、土地價格、地段、裝修等因素有關
6、綜合分析法
就是運用多種分析方法進行數據的統計與分析，比如：5W2H分析法、SWOT分析法、PEST分析法、漏斗分析法等。