① 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。
② 怎樣對數據進行分析—數據分析的六大步驟
時下的大數據時代與人工智慧熱潮，相信很多人都會對數據分析產生很多的興趣，其實數據分析師是Datician的一種，指的是不同行業中，專門從事行業數據收集，整理，分析，並依據數據做出行業研究、評估和預測的專業人員。
很多人學習過數據分析的知識，但是當真正接觸到項目的時候卻不知道怎樣去分析了，導致這樣的原因主要是沒有屬於自己的分析框架，沒有一個合理的分析步驟。那麼數據分析的步驟是什麼呢？比較讓大眾認可的數據分析步驟分為
六大步驟。只有我們有合理的分析框架時，面對一個數據分析的項目就不會無從下手了。
無論做什麼事情，首先我們做的時明確目的，數據分析也不例外。在我們進行一個數據分析的項目時，首先我們要思考一下為什麼要進展這個項目，進行數據分析要解決什麼問題，只有明確數據分析的目的，才不會走錯方向，否則得到的數據就沒有什麼指導意義。
明確好數據分析目的，梳理分析思路，並搭建分析框架，把分析目的分解成若干不同的分析要點，即如何具體開展數據分析，需要從那幾個角度進行分析，採用哪些分析指標（各類分析指標需合理搭配使用）。同時，確保分析框架的體系化和邏輯化，確定分析對象、分析方法、分析周期及預算，保證數據分析的結果符合此次分析的目的。
數據收集的按照確定的數據分析框架，收集相關數據的過程，它為數據分析提供了素材和依據。常見的數據收集方式主要有以下幾種
一般地我們收集過來的數據都是雜亂無章的，沒有什麼規律可言的，所以就需要對採集到的數據進行加工處理，形成合適的數據樣式，保證數據的一致性和有效性。一般在工作中數據處理會佔用我們大部分的時間
數據處理的基本目的是從大量的，雜亂無章的數據中抽取到對接下來數據分析有用的數據形式。常見的數據處理方式有 數據清洗、數據分組、數據檢索、數據抽取 等，使用的工具有 Excel、SQL、Python、R 語言等。
對數據整理完畢之後，就需要對數據進行綜合的分析。數據分析方式主要是使用適當的分析方法和工具，對收集來的數據進行分析，提取有價值的信息，形成有效結論的過程。
在確定數據分析思路的階段，就需要對公司業務、產品和分析工具、模型等都有一定的了解，這樣才能更好地駕馭數據，從容地進行分析和研究，常見的分析工具有 SPSS、SAS、Python、R語言 等，分析模型有 回歸、分類、聚類、關聯、預測 等。其實數據分析的重點不是採用什麼分析工具和模型而是找到合適的分析工具和模型，從中發現數據中含有的規律。
通過對數據的收集、整理、分析之後，隱藏的數據內部的關系和規律就會逐漸浮現出來，那麼通過什麼方式展現出這些關系和規律，才能讓別人一目瞭然。一般情況下，是通過表格和圖形的方式來呈現出來。多數情況下，人們通常願意接受圖形這樣數據展現方式，因為它能更加有效、直觀地傳遞出數據所要表達的觀點。
常用數據圖表 有餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點圖、雷達圖、矩陣圖 等圖形，在使用圖形展現的情況下需要注意一下幾點：
當分析出來最終的結果之後，我們是知道這部分數據展現出來的意義，適用的場景。但是如果想讓更多人了解你分析出來的東西，讓你的分析成果為眾人所熟知，這時就需要一份完美的PPT報告，一個邏輯合理的故事。這樣的分析結果才是最完美的。
一份好的數據分析報告，首先需要有一個好的分析框架，並且圖文並茂，層次清晰，能夠讓閱讀者一目瞭然。結構清晰、主次分明可以使閱讀者正確理解報告內容；圖文並茂，可以令數據更加生動活潑，提高視覺沖擊力，有助於閱讀者更形象，直觀地看清楚問題和結論，從而產生思考。
數據分析的四大誤區
1、分析目的不明確，不能為了分析而分析 。只有明確目的才能更好的分析
2、缺乏對行業、公司業務的認知，分析結果偏離實際 。數據必須和業務結合才有意義，清楚所在行業的整體結構，對行業的上游和下游的經營情況有大致的了解，在根據業務當前的需要，制定發展計劃，歸類出需要整理的數據，同時，熟悉業務才能看到數據背後隱藏的信息。
3、為了方法而方法，為了工具而工具 。只要能解決問題的方法和工具就是好的方法和工具
4、數據本身是客觀的，但被解讀出來的數據是主觀的 。同樣的數據由不同的人分析很可能得出完全相反的結論，所以一定不能提前帶著觀點去分析
③ 數據分析思路都有哪些
1、趨勢分析最簡單、最常見的數據分析方法，一般用於核心指標的長期跟蹤，比如點擊率、GMV、活躍用戶數。可以看出數據有那些趨勢上的變化，有沒有周期性，有沒有拐點等，繼而分析原因。
2、多維分解
也就是通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。舉個例子，對網站維護進行數據分析，可以拆分出地區、訪問來源、設備、瀏覽器等等維度。
3、用戶分群
針對符合某種特定行為或背景信息的用戶，進行特定的優化和分析，將多維度和多指標作為分群條件，有針對性地優化供應鏈，提升供應鏈穩定性。
4、漏斗分析
按照已知的轉化路徑，藉助漏斗模型分析總體和每一步的轉化情況。例如將漏斗圖用於網站關鍵路徑的轉化率分析，不僅能顯示用戶的最終轉化率，同時還可以展示每一節點的轉化率。
5、留存分析
留存分析是一種用來分析用戶參與情況/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。衡量留存的常見指標有次日留存率、7日留存率、30日留存率等。
6、A/B 測試
A/B測試是為了達到一個目標，採取了兩套方案，通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞，需要選擇合理的分組樣本、監測數據指標、事後數據分析和不同方案評估。
7、對比分析
分為橫向對比(跟自己比)和縱向對比(跟別人比)，常見的對比應用有A/B test，A/B test的關鍵就是保證兩組中只有一個單一變數，其他條件保持一致。
8、交叉分析
交叉分析法就是將對比分析從多個維度進行交叉展現，進行多角度的結合分析，從中發現最為相關的維度來探索數據變化的原因。
④ 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.