數據分析方法問題

1. 常用數據分析處理方法有哪些

1、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。

2、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。

3、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。

4、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。

2. 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：常用於對縱向的、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：常用於在一段時間周期內，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：常用於分析兩個或多個變數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：常用於分析一個或多個自變數的變化對一個特定因變數的影響程度，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：常用於對一組數據樣本的各種特徵進行分析，以便於描述樣本的各種及其所代表的總體的特徵。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：常用於分析數據總體的內部特徵、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。

3. 數據分析的分析方法有哪些

數據分析的分析方法有：

1、列表法

將數據按一定規律用列表方式表達出來，是記錄和處理最常用的方法。表格的設計要求對應關系清楚，簡單明了，有利於發現相關量之間的相關關系；此外還要求在標題欄中註明各個量的名稱、符號、數量級和單位等：根據需要還可以列出除原始數據以外的計算欄目和統計欄目等。

2、作圖法

作圖法可以最醒目地表達各個物理量間的變化關系。從圖線上可以簡便求出實驗需要的某些結果，還可以把某些復雜的函數關系，通過一定的變換用圖形表示出來。

圖表和圖形的生成方式主要有兩種：手動製表和用程序自動生成，其中用程序製表是通過相應的軟體，例如SPSS、Excel、MATLAB等。將調查的數據輸入程序中，通過對這些軟體進行操作，得出最後結果，結果可以用圖表或者圖形的方式表現出來。

圖形和圖表可以直接反映出調研結果，這樣大大節省了設計師的時間，幫助設計者們更好地分析和預測市場所需要的產品，為進一步的設計做鋪墊。同時這些分析形式也運用在產品銷售統計中，這樣可以直觀地給出最近的產品銷售情況，並可以及時地分析和預測未來的市場銷售情況等。所以數據分析法在工業設計中運用非常廣泛，而且是極為重要的。

(3)數據分析方法問題擴展閱讀：

數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解並消化，以求最大化地開發數據的功能，發揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。

數據分析的數學基礎在20世紀早期就已確立，但直到計算機的出現才使得實際操作成為可能，並使得數據分析得以推廣。數據分析是數學與計算機科學相結合的產物。

4. 數據分析模型和方法有哪些

1、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。

2、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。

3、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。

4、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。

5. 數據分析方法有哪些

常用方法：

利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。

一、分類：

1.分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。

2.它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。

②回歸分析：

1.回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。

2.它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。

③聚類：聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。

④關聯規則：

1.關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。

2.在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。

6. 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。

7. 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，由於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（例如北方下半年的採暖產品，入夏空調的銷售旺季等）
How： 自然後期的時間維度，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，可以用於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，並不能充分評價好壞。例如考核銷售，如果只考核業務銷售業績，那麼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，最後銷售越多，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。維度高低分類多採用 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，可採用 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，主要用於發現問題。
例如銷售分析，可以按照區域—省—市 一級級的分解，分解之後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，取決於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。只適用於發現問題，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，後面進行分析時就比較清楚了。業內也有一些不同的叫法，比如應用於商品的，叫ABC分類，應用於用戶的，叫用戶分層，應用於業務的，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闆拍板，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，然後把累積業績佔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）差異背後可能的原因，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，一般採用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。分層後，便可以針對性的進行分析，例如客戶層級的銷售佔比，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，但具體的關系是什麼，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
                   前後步驟間的關系——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。
                  由於關系非顯性，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
在明確相關性後，就可以通過改變其中一個變數來影響和控制另一個變數的發展。
注意：相關性分析也存在很大的局限。主要體現在相關性並不等同因果性。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，然後這兩者間並沒有什麼實質性的聯系。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.

8. 數據分析方法有哪些

常用的數據分析方法有：聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析。

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。

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。

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。

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。

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。

想了解更多關於數據分析的信息，推薦到CDA數據認證中心看看，CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證， 旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。 「CDA 數據分析師」具體指在互聯網、金融、零售、咨詢、電信、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、 提供決策的新型數據分析人才。

9. 數據分析方法

常見的分析方法有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

10. 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，要求個人對於數據和市場的理解都極其透徹，沒有深度沉澱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、特徵和屬性對比、前後變化對比的等等。

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。達成是用於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，原因是什麼？因為什麼地方足夠好？業績不達成，原因又是什麼？什麼地方出現問題？

同比： 本月實際完成業績與去年同月時期的對比。同比是用於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。環比是用於看企業業績前後變化，如試行新的運營策略一個月後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。差異是用於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。

註： 對比分析法要注意控制變數，盡可能保持單一變數的對比，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，分析數據高於或者低於平均值的原因。

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，有利於制定合理的方案。