常用數據分析的九種方法

㈠ 常用的九種數據分析有哪些

數據分析是從數據中提取有價值的信息的過程，過程中需要對數據進行各種處理和分類，只有掌握正確的數據分類方法和數據處理模式，才能達到效果，下面電腦培訓為大家介紹數則缺據分析員所需要的幾種數據分析思維模式。

1、分類

分類是一種基本的數據分析方式，數據根據其特徵，可以將數據對象分為不同的部分和類型，進一步分析，進一步挖掘事物的本質。

2、回歸

回歸主要運用一種廣泛的統計分析方法，可以規定因變數和自變數來確定變數間的因果關系，建立回歸模型，並根據實測數據求出模型的各參數，然後評價回歸模型是否能很好地近似實測數據。如果能進行很好的擬合，IT培訓建議可以根據自變數進一步預測。

3、聚類

所述聚類基於所述數據胡斗的固有屬性，所述數據被劃分為多個聚集類，每個聚集類中的元素具有盡可能多的相同特徵，所述不同聚合類別之間的特徵差異盡可能大，所以沙河孫做辯北大青鳥發現所述聚類分析也被稱為無指導或無監督學習。

4、統計描述

統計描述是根據數據的特點，運用一定的統計指標和指標體系，表明數據反饋的信息，是數據分析的基礎性處理工作，北大青鳥介紹主要方法：平均指標和變異指標的計算、資料分布形態的圖形表達等。

㈡ 常見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。更好地理啟此解固定基準比率，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，每個比較對象分悄雀迅為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歲亂向，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。

㈢ 數據分析的常用方法數據分析的常用方法有哪些

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。

㈣ 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。

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‬，具體採用的時候因人而異。

㈤ 北大青鳥java培訓：大數據開發常見的9種數據分析

數據分析是從數據中提取有價值信息的過程，過程中需要對數據進行各種處理和歸類，只有掌握了正確的數據分類方法和數據處理模式，才能起到事半功倍的效果，以下是山東北大青鳥http://www.kmbdqn.cn/介紹的數據分析員必備的9種數據分析思維模式：1.分類分類是一種基本的數據分析方式，數據根據其特點，可將數據對象劃分為不同的部分和類型，再進一步分析，能夠進一步挖掘事物的本質。
2.回歸回歸是一種運用廣泛的統計分析方法，可以通過規定因變數和自變數來確定變臘裂量之間的因果關系，建立回歸模型，並根據實測數據來求解模型的各參數，然後評價回歸模型是否能夠很好的擬合實測數據，如果能夠很好的擬合，則可以根據自變數作進一步預測。
3.聚類聚輪桐閉類是根據數據的內在性質將數據分成一些聚合類，每一聚合類中的元素盡可能具有相同的特性，不同聚合類之間的特性差別盡可能大的一種分類方式，其與分類分析不同，所劃分的類是未知的，因此，聚類分析也稱為無指導或無監督的學習。
數據聚類是對於靜態數據分析的一門技術，在許多領域受到廣泛應用，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息。
4.相似匹配相似匹配是通過一定的方法，來計算兩個數據的相似程度，相似程度通常會用一個是百分比來衡量。
相似匹配演算法被用在很多不同的計算場景，如數據清洗、用戶輸入糾錯、推薦統計、剽竊檢測系統、自動評分系統、網頁搜索和DNA序列匹配等領域。
5.頻繁項集頻繁項集是指事例中頻繁出現的項的集合，如啤酒和尿不濕，Apriori演算法是一種挖掘關聯規則的頻繁項集演算法，其核心思想是通過候選集生成和情節的向下封閉檢測兩個階段來挖掘頻繁項集，目前已被廣泛的應用在商業、網路安全等領域。
6.統計描述統計描述是根據數據的特點，用一定的統計指標和指標體系，表明數據所反饋的信息，是對數據分析的基礎處理工作，主要方法包括：平均指標和變異指標的計算、資料分布形態的圖形表現等。
7.鏈接預測鏈接預測是一種預測數據之間本應存有的關系的一種方法，鏈接預測可分為基於節點屬性的預測和基於網路結構的預測，基於節點之間屬性的鏈接預測包括分析輪兆節點資審的屬性和節點之間屬性的關系等信息，利用節點信息知識集和節點相似度等方法得到節點之間隱藏的關系。
與基於節點屬性的鏈接預測相比，網路結構數據更容易獲得。
復雜網路領域一個主要的觀點表明，網路中的個體的特質沒有個體間的關系重要。
因此基於網路結構的鏈接預測受到越來越多的關注。
8.數據壓縮數據壓縮是指在不丟失有用信息的前提下，縮減數據量以減少存儲空間，提高其傳輸、存儲和處理效率，或按照一定的演算法對數據進行重新組織，減少數據的冗餘和存儲的空間的一種技術方法。
數據壓縮分為有損壓縮和無損壓縮。
9.因果分析因果分析法是利用事物發展變化的因果關系來進行預測的方法，運用因果分析法進行市場預測，主要是採用回歸分析方法，除此之外，計算經濟模型和投人產出分析等方法也較為常用。

㈥ 數據分析常用的方法有哪些

1、簡單趨勢

通過實時訪問趨勢了解供應商及時交貨情況。如產品類型，供應商區域(交通因子)，采購額，采購額對供應商佔比。

2、多維分解

根據分析需要，從多維度對指標進行分解。例如產品采購金額、供應商規模(需量化)、產品復雜程度等等維度。

3、轉化漏斗

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。常見的轉化情境有不同供應商及時交貨率趨勢等。

4、用戶分群

在精細化分析中，常常需要對有某個特定行為的供應商群組進行分析和比對;數據分析需要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。

5、細查路徑

數據分析可以觀察供應商的行為軌跡，探索供應商與本公司的交互過程;進而從中發現問題、激發靈感亦或驗證假設。

6、留存分析

留存分析是探索用戶行為與回訪之間的關聯。一般我們講的留存率，是指“新新供應商”在一段時間內“重復行為”的比例。通過分析不同供應商群組的留存差異、使用過不同功能供應商的留存差異來找到供應鏈的優化點。

7、A/B 測試

A/B測試就是同時進行多個方案並行測試，但是每個方案僅有一個變數不同;然後以某種規則優勝略汰選擇最優的方案。數據分析需要在這個過程中選擇合理的分組樣本、監測數據指標、事後分析和不同方案評估。

㈦ 數據分析的方法有哪些

一、數據分析方法及步驟

1. 數據清理：收集的原始數據通常需要清洗和轉換以便有效分析，數據清理主要包括完整性檢查、格式轉換、缺失值處理、異常值處理等。

2. 數據可視化：通過數據可視化，可以將復雜的數據變得更加直觀和易於理解，可視化數據分析技術包括柱狀圖、折線圖、餅圖、散點圖、平行坐標圖等。

3. 數據挖掘：數據挖掘是一種從大量數據中查找隱藏信息的技術，常用的數據挖掘技術有關聯規則挖掘、分類、聚類、異常檢測等。

4. 統計推斷：統計推斷通常用來從樣本數據中推斷總體情況，常用的統計推斷方法包括卡方檢驗、t檢驗、線性回歸分析等。

5. 機器學習：機器學習是一種從數據中學習規律，並預測未知數據的一種技術，常用的機器學習方法包括決策樹、貝葉斯分類器、支持向量機、K-means聚類等。

二、比如t檢驗

t檢驗是一種常用的假設檢驗方法，可以用來檢驗一個樣本的平均值是否與總體平均值相同。舉個例子，假設一家公司想要知道女員工的平均工資是否與整個公司的平均工資相同，於是他們抽取了20名女員工的工資數據，然後計游慶算出了女員工的平均工資。接下來，他們使用t檢驗來檢驗女員工的平均工資是否與整個公司的平均工資相同。首先，他們需要計算樣本的t統計量，然後計算出p值，最後根據p值來判斷他們的假設是否成立。如果p-value小於某個顯著性水平（通常設定為0.05），則可以拒絕原假設，即女員工的平均工資與整個公司的平均工資不相同。

三、比如卡方檢驗

卡方檢驗是一種常用的獨立性檢驗方法，可以用來檢驗兩個變數之間是否存在獨立性。舉個例子，假設一家公司想要知道員工的性別是否與部門之間存在獨立性。於是他們抽取了200名員工，並分別記錄了他們的性別和部門信息。接下來，他們使碧磨舉用卡方檢驗來檢驗員工的性別是否與部門獨立。首先，他們需悔碧要構建一個2X2的混淆矩陣，然後計算出卡方統計量，最後根據卡方統計量計算出p值，然後根據p值來判斷他們的假設是否成立。如果p-value小於某個顯著性水平（通常設定為0.05），則可以拒絕原假設，即員工的性別與部門不獨立。

四、比如線性回歸分析

線性回歸分析是一種常用的數據分析方法，可以用來預測一個樣本的數值型輸出變數，可以用來研究兩個或多個變數之間的關系。舉個例子，假設一家公司想要知道員工工資水平與工作年限之間的關系，於是他們抽取了100名員工的工資和工作年限的數據，然後使用線性回歸分析來探究這兩個變數之間的關系。首先，他們需要計算出擬合函數的參數，然後評估擬合模型的精度，最後根據擬合模型的精度來判斷兩個變數之間的關系。如果精度高，則可以認為員工工資水平與工作年限之間存在一定的關系。

五、數據分析的一些方法論和工具

1. SWOT分析：SWOT分析是一種綜合考慮企業內外環境的分析方法，通過識別企業內部的優勢和劣勢，以及外部的機會和威脅，可以幫助企業制定有效的戰略。

2. 波士頓矩陣：波士頓矩陣是一種用於識別企業可利用的產品和市場的工具，可以幫助企業確定其市場營銷策略。

3. PEST分析：PEST分析是一種評估企業外部環境的綜合分析方法，可以幫助企業識別政治、經濟、社會和技術四個外部環境要素中的機會和威脅。

4. 生命周期分析：生命周期分析是一種用於評估產品或服務在市場上的表現情況的工具，可以幫助企業制定更有針對性的營銷策略。

5. 五力分析：五力分析是一種評估企業所處的市場環境的工具，可以幫助企業了解其市場的競爭態勢，並制定更有效的策略。

㈧ 9種常用的數據分析方法（實用干貨，強烈建議收藏）

所謂公式拆解法就是針對某個指標，用公式層層分解該指標的影響因素。
舉例：分析某產品的銷售額較低的原因，用公式法分解

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。比如在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現數據變化規律，使用頻繁，經常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高於B公司，但是B公司的增速迅猛，高於A公司，即使後期增速下降了，最後的銷售額還是趕超。

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業務數據，最後分析評估出最好版本正式採用。A/Btest的流程如下：

（1）現狀分析並建立假設：分析業務數據，確定當前最關鍵的改進點，作出優化改進的假設，提出優化建議；比如說我們發現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了

（2）設定目標，制定方案：設置主要目標，用來衡量各優化版本的優劣；設置輔助目標，用來評估優化版本對其他方面的影響。

（3）設計與開發：製作2個或多個優化版本的設計原型並完成技術實現。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優化方案的流量設置可以較小，根據情況逐漸增加流量。

（5）採集並分析數據：收集實驗數據，進行有效性和效果判斷：統計顯著性達到95%或以上並且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。

（6）最後：根據試驗結果確定發布新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續優化迭代方案重新開發上線試驗。
流程圖如下：

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常與產品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

高點擊率高轉化的廣告，說明人群相對精準，是一個高效率的廣告。高點擊率低轉化的廣告，說明點擊進來的人大多被廣告吸引了，轉化低說明廣告內容針對的人群和產品實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容針對的人群和產品實際受眾符合程度較高，但需要優化廣告內容，吸引更多人點擊。低點擊率低轉化的廣告，可以放棄了。還有經典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

通過象限分析法，將有相同特徵的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優化策略
針對投放的象限分析法可以針對不同象限建立優化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們回歸。

帕累托法則，源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業。找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量並構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額，那麼哪些SKU是重要的呢，這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，並將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，並計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些，佔比多少。假設有20%，那麼在資源有限的情況下，就知道要重點維護這20%類客戶。

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環節。相鄰環節的轉化率則就是指用數據指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然後用轉化率來衡量每一個步驟的表現，最後通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的可優化點。對於沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

還有經典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品運營中比較常見的一個模型，結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環節，可以進行數據的橫向和縱向對比，從而發現對應的問題，最終進行不斷的優化迭代。

用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監測，可以用來衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業務目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。如何進行用戶行為路徑分析？

（1）計算用戶使用網站或APP時的每個第一步，然後依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。
（2）查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶後，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
（3）進行路徑優化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
（4）通過路徑識別用戶行為特徵。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。
（5）對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，並對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什麼問題。還有一種方法是利用演算法，基於用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復的過程，例如提交訂單後，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速用戶動機，從而引領用戶走向最優路徑或者期望中的路徑。
用戶行為路徑圖示例：

用戶留存指的是新會員/用戶在經過一定時間之後，仍然具有訪問、登錄、使用或轉化等特定屬性和行為，留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認定的留存為例：
第一種 日留存，日留存又可以細分為以下幾種：
（1）次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數
（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數
（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數
（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數
（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數

第二種 周留存，以周度為單位的留存率，指的是每個周相對於第一個周的新增用戶中，仍然還有登錄的用戶數。

第三種 月留存，以月度為單位的留存率，指的是每個月相對於第一個周的新增用戶中，仍然還有登錄的用戶數。留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

聚類分析屬於探索性的數據分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結果要求組內對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以藉助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

可以看到，數據可以被分到紅藍綠三個不同的簇（cluster）中，每個簇應有其特有的性質。顯然，聚類分析是一種無監督學習，是在缺乏標簽的前提下的一種分類模型。當我們對數據進行聚類後並得到簇後，一般會單獨對每個簇進行深入分析，從而得到更加細致的結果。

㈨ 常用的數據分析方法是什麼

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，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

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

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。