1. 一文了解数据分析的方法都有哪些
常用的数据分析方法有以下几种：
一、漏斗分析法
漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。
二、留存分析法
留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。
三、分组分析法
分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。
四、矩阵分析法
矩阵分析法是指根据事物（如产品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。
想要了解更多关于数据分析方法的问题，可以咨询一下CDA认证中心。CDA行业标准由国际范围数据领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。
2. 三大类实用的数据分析方法
一、业务分析类
杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。
以电商行业为例，GMV(网站成交金额)是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。
二、用户分析类
TGI指数又称目标群体指数，可反映目标群体在特定研究范围内的强势或弱势。TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100
TGI指数表征不同特征用户关注问题的差异情况，其中TGI指数等于100表示平均水平，高于100，代表该类用户对某类问题的关注程度高于整体水平。
三、产品运营类
产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，通过用户行为分析发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。
产品运营的常用指标如下：
使用广度：总用户数，月活;
使用深度：每人每天平均浏览次数，平均访问时长;
使用粘性：人均使用天数;
综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。
关于三大类实用的数据分析方法，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
以上是小编为大家分享的关于三大类实用的数据分析方法的相关内容，更多信息可以关注环球青藤分享更多干货
3. 数据分析必读干货：简单而实用的3大分析方法
导读：数据分析师需要哪些“专业技能”？如果有人建议你去学习R语言、tableau、PowerBI，那么我建议你不如先从最基础也是最核心的数据分析方法学起。
在一家年销售不到10亿的电商公司（行业中大部分电商企业年销售可能都不到1个亿），你只要掌握一些基础的数据分析方法，再配合Excel表格，就足够你完成各种数据化运营工作了。
本文主要讲解日常数据分析中，最常用的三大数据分析方法 。内容虽然简单，但是其中充满了大量的细节方面的实用技巧。
01 对比
对比是所有数据分析方法中最基础，也是大家耳熟能详的一个。俗话说，无对比，不分析。说的就是对比分析法了。
在实际分析场景中，对比有不同的应用维度。比如有环比、同比、横比、纵比、绝对值对比，相对值对比等。下面我们分别解释一下它们的不同应用场景。
1. 绝对值对比与相对值对比
从概念上而言，绝对值包含正数、负数和零值。在电商数据分析中，一般是指正数之间的对比较多，如销售额、退货额等；相对值对比，则是指转化率、完成率等这类相对数之间的对比。
2. 环比
环比是指统计周期内的数据与上期数据的比较，比如2017年6月数据与2017年5月数据的比较。
在电商数据分析中，由于每个自然月之间的销售差额比较大，如果采用绝对指标，便很难通过对比观察到业务的变化。
因此，一般会采用相对指标来做环比分析，如2017年6月的销售达标率是102%，2017年5月的销售达标率是96%；这样便很容易知道两个月度之间转化率的好坏优劣了。然而，如果我们用绝对值来对比：2017年6月销售额500万，2017年5月销售额300万，这样的对比便很难判断究竟哪个月的销售额完成得更好。
3. 同比
同比是指统计周期内数据与去年同期数据之间的对比，比如2017年6月销售额是500万，2016年6月销售额是450万，同比增加11.1%。
在电商分析中，同比是应用最广泛的数据分析方法。通过同比，我们能大致判断店铺的运营能力在最近一年中，是保持增长还是呈下滑趋势。
同时，也可以根据同比增长趋势，来制订初步的销售计划。如表3-4所示，假设现在店铺流量同比下降8%（流量下降是平台趋势），客单价保持不变的情况下，要想实现店铺销售业绩的上升，唯有提升转化率。
因此，我们通过表3-4的模拟推算，可以得知，当转化率提升21%，到达0.35%时（0.35%转化率被认为是行业的平均值），业绩会提升11%。
▼表3-4 店铺销售计划推算模拟表
4. 横向对比与纵向对比
所谓横向对比与纵向对比，是指空间与时间两个不同的维度之间的对比。横向对比是空间维度的对比，指同类型的不同对象在统一的标准下进行的数据对比。如“本店”与“竞品”之间的对比；纵向对比是时间维度的对比，指同一对象在不同时间轴上的对比。如前面提到的“同比”“环比”都是纵向对比。
5. 份额
严格地说，“份额”属于横向对比的一种。由于在实际分析场景中它经常会被忽略，因此单独罗列出来，加以说明。
在某些情况下，数据表格中多一个“份额”，会让表格清晰明了许多。
如表3-5所示，假设我们要分析“某品牌天猫、京东、唯品会三大渠道”的“上衣、下衣、连衣裙和其他”在“Q1～Q4季度”的销售趋势和表现。常规的分析方法是，按照表1的表格结构，将各种数据有层次地展现出来。这时，所有的销售数据在表格中可以层次分明地一览无余。
▼表3-5 以份额处理的数据表格
但是，如表1这般的数据却不能直观告诉我们每个销售类别在不同渠道和不同季度的销售趋势是什么。因此，在数据分析中便需要加入表2这样的“份额”分析表格。如此，我们便可一目了然地掌握每个类别在不同渠道、不同时期的销售趋势。因此也就达到了数据分析的目的。
很多数据分析师往往只是完成了“表1”的分析步骤，却缺少临门一脚，没有把“表2”也同步呈现出来。
02 细分
细分，是一种从概念上理解非常容易，但实际应用起来却很难的分析方法。
细分分析法，常用于为分析对象找到更深层次的问题根源。难点在于我们要理解从哪个角度进行“细分”与“深挖”才能达到分析目的。就好像高中课程中解几何题一样，如果找对了“解题思路”，问题就迎刃而解；如果“解题思路”错了，劳心费力不说，问题还解决不了。
在实际应用中，细分有许多不同的方法，就如同我们在解题时，有各种不同的“解题思路”一样。有时候，面对同一个问题，两个不同的解题思路都可以达到解题的目的；但更多时候，只有唯一正确的解题思路才可以正确地解题。所以，在分析之前，选择正确的‘细分’方法便非常重要。
下面，我们就具体来看一下，在细分分析中，有哪些解题思路。
1. 分类分析
就是指对所有需要被分析到的数据单元，按照某种标准打上标签，再根据标签进行分类，然后使用汇总或者对比的方法来进行分析。
在服装行业中，常用于做分类分析的标签有“类目”“价格带”“折扣带”“年份”“季节”等。
通过从“年份”“季节”的维度来对商品库存进行细分，我们可以轻松地知道有多少货属于“库存”，有多少货属于“适销品”；
通过从“折扣带”的维度来对销售流水进行细分，我们可以大致知道店铺的盈利情况；
通过从“类目”的维度对销售流水和库存同时进行细分，我们可以知道统计周期内品类的销售动态与库存满足度。
2. 人—货—场
“人—货—场”能够为人提供宏观视野的分析。其原理类似于分类分析，即将所有需要被分析到的数据单元，打上“人”“货”“场”的标签，然后再进行相应的数据分析与处理。
在实际应用场景中，“人—货—场”分析法往往被灵活运用在初步诊断某一竞品店铺时。
如图3-3所示是利用“人—货—场”逻辑方法来分析竞品店铺的主流思路。在分析之前，先把“解题思路”用“人—货—场”的方式罗列出来，把所有能够想到的有用的“分支”都罗列出来，然后查漏补缺、标注重要与非重要。最后，再按此“解题思路”来进行分析。便可达到事半功倍的分析效果。
▲图3-3 利用“人—货—场”细分方法初步分析竞品店铺
3. 杜邦分析法
细分分析方法中，还有一种知名的分析方法，叫“杜邦分析法”。在电商数据分析中，杜邦分析也是常被使用的分析方法之一。
网络中对杜邦分析的解释是：“杜邦分析法（DuPont Analysis）是利用几种主要财务比率之间的关系来综合分析企业的财务状况。具体来说，它是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。”由此可见，杜邦分析主要是用于企业的财务分析之中。
但是在电商中，杜邦分析常被用于寻找销售变化的细小因素之中。如图3-4所示，便是根据杜邦分析原理，将所有影响到销售额的量化指标都统计出来的一种常用分析方法。此种方法，有助于我们从细小的数据颗粒中找到影响销售变化的元素。
▲图3-4 销售变化的原因分析
03 转化
转化分析是电商、游戏等互联网行业的特定分析方法，在传统行业的零售分析中并不常见。转化分析常用于页面跳转分析、用户流失分析等业务场景。
转化分析的表现形式一般是选用漏斗模型，如图3-5所示，便是模拟了某电商店铺的流量转化情况，并以漏斗图的形式展现出来。
▲图3-5 电商常见的流量转化漏斗图
这张图模拟了从店铺的浏览商品人数到加购人数，然后生成订单、支付订单，直到最后支付成功的漏斗示意图。
从图3-5的示例中，反推“转化”分析方法，我们应该得到以下结论：
转化分析方法的前提，是我们需要首先确定一条“转化路径”（如图3-5左侧的路径所示），这条路径就是我们的“解题方法”，是决定我们接下来的分析能否达成目标的重要因素。
当“转化路径”确定后，我们需要把“路径”中的各个“节点”罗列出来，并把节点下的重要数据统计出来。
最后，根据路径把各节点的数据用漏斗图的形式表达出来。
同时，转化分析还可用于店铺微观方面的“转化”洞察。譬如在某一次店铺举行大促活动时，我们需要分析大促期间“活动二级页”的流量转化效果如何。此时，我们便可以参照如图3-6所示的漏斗模型。
▲图3-6 活动页效果分析的漏斗图
在以上案例中，我们将转化路径定义为“活动页→详情页→支付页面（下单）→支付成功（购买）”四个节点。然后统计每个页面的流量到达数量，于是得出如图3-6所示的漏斗图。
通过此图，可以清晰明确地诊断出此次活动二级页在“下单→付款”环节转化率仅40%，存在一定问题。在支付界面的流量跳失，很可能是价格过高所致。
本文摘编自《电商数据分析与数据化运营》，经出版方授权发布。
4. 常用的数据分析方法有哪些
常见的数据分析方法有哪些？
1.趋势分析
当有大量数据时，我们希望更快，更方便地从数据中查找数据信息，这时我们需要使用图形功能。所谓的图形功能就是用EXCEl或其他绘图工具来绘制图形。
趋势分析通常用于长期跟踪核心指标，例如点击率，GMV和活跃用户数。通常，只制作一个简单的数据趋势图，但并不是分析数据趋势图。它必须像上面一样。数据具有那些趋势变化，无论是周期性的，是否存在拐点以及分析背后的原因，还是内部的或外部的。趋势分析的最佳输出是比率，有环比，同比和固定基数比。例如，2017年4月的GDP比3月增加了多少，这是环比关系，该环比关系反映了近期趋势的变化，但具有季节性影响。为了消除季节性因素的影响，引入了同比数据，例如：2017年4月的GDP与2016年4月相比增长了多少，这是同比数据。更好地理解固定基准比率，即固定某个基准点，例如，以2017年1月的数据为基准点，固定基准比率是2017年5月数据与该数据2017年1月之间的比较。
2.对比分析
水平对比度：水平对比度是与自己进行比较。最常见的数据指标是需要与目标值进行比较，以了解我们是否已完成目标；与上个月相比，要了解我们环比的增长情况。
纵向对比：简单来说，就是与其他对比。我们必须与竞争对手进行比较以了解我们在市场上的份额和地位。
许多人可能会说比较分析听起来很简单。让我举一个例子。有一个电子商务公司的登录页面。昨天的PV是5000。您如何看待此类数据？您不会有任何感觉。如果此签到页面的平均PV为10,000，则意味着昨天有一个主要问题。如果签到页面的平均PV为2000，则昨天有一个跳跃。数据只能通过比较才有意义。
3.象限分析
根据不同的数据，每个比较对象分为4个象限。如果将IQ和EQ划分，则可以将其划分为两个维度和四个象限，每个人都有自己的象限。一般来说，智商保证一个人的下限，情商提高一个人的上限。
说一个象限分析方法的例子，在实际工作中使用过：通常，p2p产品的注册用户由第三方渠道主导。如果您可以根据流量来源的质量和数量划分四个象限，然后选择一个固定的时间点，比较每个渠道的流量成本效果，则该质量可以用作保留的总金额的维度为标准。对于高质量和高数量的通道，继续增加引入高质量和低数量的通道，低质量和低数量的通过，低质量和高数量的尝试策略和要求，例如象限分析可以让我们比较和分析时间以获得非常直观和快速的结果。
4.交叉分析
比较分析包括水平和垂直比较。如果要同时比较水平和垂直方向，则可以使用交叉分析方法。交叉分析方法是从多个维度交叉显示数据，并从多个角度执行组合分析。
分析应用程序数据时，通常分为iOS和Android。
交叉分析的主要功能是从多个维度细分数据并找到最相关的维度，以探究数据更改的原因。
5. 数据分析最为基本的三种方法
数据分析最为基本的三种方法
数据分析重要的是模型，说白点就是知道要什么数据，了解数据走势，懂得如何分析。在数据分析呈现后，要根据分析得出结论，结论中需要用简单明了的语言表明出现的问题，导致问题的原因，最后就是针对问题的解决方法。
数据分析体系可分为数据整理、数据分析、数据呈现。
数据整理包含对源数据的获取、筛选、清洗、整理和统计，数据整理是对源数据的初加工，是数据分析工作的前置。数据预处理是最为重要的，保证数据的完整性和准确性，如果前期的数据加工过程中得到的数据是错误，后面再怎么分析都是不对的。
数据分析是运用数据分析的工具，根据自己的目的，对数据进行深层次的挖掘和分析，找出内在的联系和变化；在这个阶段更重要的注重对于数据的解读，数据反映出来的规则是怎么样的？目前业务碰到什么样的问题？希望通过数据解决什么问题。
数据呈现是对分析的结果进行呈现，大部分是通过专业图表来展示，是数据分析报告的重要组成部分，也即是数据分析的终极形式。对很多公司来说，数据整理不是难事，难就难在业务数据如何解读？如何呈现才能说明问题？从中能发现什么业务问题？有没有改善的机会？
其实，以上的业务问题，可以转换为从三个方面去分析。首先数据整理后，需要三看：看趋势，看分布，看对比。
看趋势即是看目标数据的时间走向趋势，是波动大还是较平缓？哪个阶段变化较大？异常点落在哪个时间段？看趋势的目的是把握整体的走向。可选工具有：趋势图、多列堆积柱形图。
看分布目标数据段整体分布是发散的还是集中的？集中在哪个频率段？中位数集中在哪个区间段？占80%的数据集中在什么数据区间段？看分布的目的就是了解业务数据是否稳定，以及数据的集中度。可选工具有：直方图、箱线图、正态分布、点图、柏拉图。
看对比更多时候，环比和同比看不出什么问题，更不能说明问题，尤其是环比和同比结果相差不大的时候。这时候，可以与上月对比看看，稳定性如何？集中度有变化吗？变量之间有关系吗？相关关系是多大？可选工具有：堆积柱形图、方差分析、相关分析、回归分析等。
看趋势、看分布、看对比，就是数据分析的三看。需要注意的是，数据就是数据，问题还是要通过具体的业务措施去解决，数据分析只是告诉你，出问题的地方在哪里，要从哪些方面去改善。因此，数据分析三板斧的解读结果，只是提供解决问题的方向，并不能代替具体的业务解决方案。
以上是小编为大家分享的关于数据分析最为基本的三种方法的相关内容，更多信息可以关注环球青藤分享更多干货
6. 一文了解数据分析的方法都有哪些
常用的数据分析方法有以下几种：
一、漏斗分析法
漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。
二、留存分析法
留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。
三、分组分析法
分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。
四、矩阵分析法
矩阵分析法是指根据事物（如产品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。
想要了解更多关于数据分析方法的问题，可以咨询一下CDA认证中心。CDA行业标准由国际范围数据领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。
7. 常用的数据分析方法有哪些
1. 描述型分析：发生了什么?
这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。
例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。
2. 诊断型分析：为什么会发生?
描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。
良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。
3. 预测型分析：可能发生什么?
预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。
预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。
4. 指令型分析：需要做什么?
数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。
8. 分享!三大类实用的数据分析方法
一、业务分析类
杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。
以电商行业为例，GMV(网站成交金额)是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。
二、用户分析类
TGI指数又称目标群体指数，可反映目标群体在特定研究范围内的强势或弱势。TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100
TGI指数表征不同特征用户关注问题的差异情况，其中TGI指数等于100表示平均水平，高于100，代表该类用户对某类问题的关注程度高于整体水平。
三、产品运营类
产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，通过用户行为分析发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。
产品运营的常用指标如下：
使用广度：总用户数，月活;
使用深度：每人每天平均浏览次数，平均访问时长;
使用粘性：人均使用天数;
综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。
关于大数据主要分析的数据类型是什么，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
9. 常用的数据分析方法有哪些
①对比分析法通过指标的对比来反映事物数量上的变化，属于统计分析中常用的方法。利用对比分析法可以对数据规模大小、水平高低、速度快慢等做出有效的判断和评价。常见的对比有横向对比和纵向对比。
②分组分析法
分组分析法是指根据数据的性质、特征，按照一定的指标，将数据总体划分为不同的部分，分析其内部结构和相互关系，从而了解事物的发展规律。根据指标的性质，分组分析法分为属性指标分组和数量指标分组。所谓属性指标代表的是事物的性质、特征等，如姓名、性别、文化程度等，这些指标无法进行运算;而数据指标代表的数据能够进行运算，如人的年龄、工资收入等。分组分析法一般都和对比分析法结合使用。
③预测分析法
预测分析法主要基于当前的数据，对未来的数据变化趋势进行判断和预测。预测分析一般分为两种：一种是基于时间序列的预测，例如，依据以往的销售业绩，预测未来3个月的销售额;另一种是回归类预测，即根据指标之间相互影响的因果关系进行预测，例如，根据用户网页浏览行为，预测用户可能购买的商品。
④漏斗分析法
漏斗分析法也叫流程分析法，它的主要目的是专注于某个事件在重要环节上的转化率，在互联网行业的应用较普遍。比如，对于信用卡申请的流程，用户从浏览卡片信息，到填写信用卡资料、提交申请、银行审核与批卡，最后用户激活并使用信用卡，中间有很多重要的环节，每个环节的用户量都是越来越少的，从而形成一个漏斗。使用漏斗分析法，能使业务方关注各个环节的转化率，并加以监控和管理，当某个环节的转换率发生异常时，可以有针对性地优化流程，采取适当的措施来提升业务指标。
⑤AB测试分析法
AB 测试分析法其实是一种对比分析法，但它侧重于对比A、B两组结构相似的样本，并基于样本指标值来分析各自的差异。例如，对于某个App的同一功能，设计了不同的样式风格和页面布局，将两种风格的页面随机分配给使用者，最后根据用户在该页面的浏览转化率来评估不同样式的优劣，了解用户的喜好，从而进一步优化产品。
10. 数据分析的基本方法有哪些
数据分析的三个常用方法：
1. 数据趋势分析
趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。
趋势分析，最好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。环比是指，是本期统计数据与上期比较，例如2019年2月份与2019年1月份相比较，环比可以知道最近的变化趋势，但是会有些季节性差异。为了消除季节差异，于是有了同比的概念，例如2019年2月份和2018年2月份进行比较。定基比更好理解，就是和某个基点进行比较，比如2018年1月作为基点，定基比则为2019年2月和2018年1月进行比较。
比如：2019年2月份某APP月活跃用户数我2000万，相比1月份，环比增加2%，相比去年2月份，同比增长20%。趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。
2. 数据对比分析
数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。
对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。在此我向大家推荐一个大数据技术交流圈： 658558542 突破技术瓶颈，提升思维能力 。
一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准。也就是A/B test。
比较试验最关键的是A/B两组只保持单一变量，其他条件保持一致。比如测试首页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才能得到比较有说服力的数据。
3. 数据细分分析
在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：
分时 ：不同时间短数据是否有变化。
分渠道 ：不同来源的流量或者产品是否有变化。
分用户 ：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异。
分地区 ：不同地区的数据是否有变化。
组成拆分 ：比如搜索由搜索词组成，可以拆分不同搜索词;店铺流量由不用店铺产生，可以分拆不同的店铺。
细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。