① 数据分析常用的4大分析方法
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。
关于数据分析常用的4大分析方法的内容，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。
② 怎样对数据进行分析—数据分析的六大步骤
时下的大数据时代与人工智能热潮，相信很多人都会对数据分析产生很多的兴趣，其实数据分析师是Datician的一种，指的是不同行业中，专门从事行业数据收集，整理，分析，并依据数据做出行业研究、评估和预测的专业人员。
很多人学习过数据分析的知识，但是当真正接触到项目的时候却不知道怎样去分析了，导致这样的原因主要是没有属于自己的分析框架，没有一个合理的分析步骤。那么数据分析的步骤是什么呢？比较让大众认可的数据分析步骤分为
六大步骤。只有我们有合理的分析框架时，面对一个数据分析的项目就不会无从下手了。
无论做什么事情，首先我们做的时明确目的，数据分析也不例外。在我们进行一个数据分析的项目时，首先我们要思考一下为什么要进展这个项目，进行数据分析要解决什么问题，只有明确数据分析的目的，才不会走错方向，否则得到的数据就没有什么指导意义。
明确好数据分析目的，梳理分析思路，并搭建分析框架，把分析目的分解成若干不同的分析要点，即如何具体开展数据分析，需要从那几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑化，确定分析对象、分析方法、分析周期及预算，保证数据分析的结果符合此次分析的目的。
数据收集的按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。常见的数据收集方式主要有以下几种
一般地我们收集过来的数据都是杂乱无章的，没有什么规律可言的，所以就需要对采集到的数据进行加工处理，形成合适的数据样式，保证数据的一致性和有效性。一般在工作中数据处理会占用我们大部分的时间
数据处理的基本目的是从大量的，杂乱无章的数据中抽取到对接下来数据分析有用的数据形式。常见的数据处理方式有 数据清洗、数据分组、数据检索、数据抽取 等，使用的工具有 Excel、SQL、Python、R 语言等。
对数据整理完毕之后，就需要对数据进行综合的分析。数据分析方式主要是使用适当的分析方法和工具，对收集来的数据进行分析，提取有价值的信息，形成有效结论的过程。
在确定数据分析思路的阶段，就需要对公司业务、产品和分析工具、模型等都有一定的了解，这样才能更好地驾驭数据，从容地进行分析和研究，常见的分析工具有 SPSS、SAS、Python、R语言 等，分析模型有 回归、分类、聚类、关联、预测 等。其实数据分析的重点不是采用什么分析工具和模型而是找到合适的分析工具和模型，从中发现数据中含有的规律。
通过对数据的收集、整理、分析之后，隐藏的数据内部的关系和规律就会逐渐浮现出来，那么通过什么方式展现出这些关系和规律，才能让别人一目了然。一般情况下，是通过表格和图形的方式来呈现出来。多数情况下，人们通常愿意接受图形这样数据展现方式，因为它能更加有效、直观地传递出数据所要表达的观点。
常用数据图表 有饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图、矩阵图 等图形，在使用图形展现的情况下需要注意一下几点：
当分析出来最终的结果之后，我们是知道这部分数据展现出来的意义，适用的场景。但是如果想让更多人了解你分析出来的东西，让你的分析成果为众人所熟知，这时就需要一份完美的PPT报告，一个逻辑合理的故事。这样的分析结果才是最完美的。
一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次清晰，能够让阅读者一目了然。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象，直观地看清楚问题和结论，从而产生思考。
数据分析的四大误区
1、分析目的不明确，不能为了分析而分析 。只有明确目的才能更好的分析
2、缺乏对行业、公司业务的认知，分析结果偏离实际 。数据必须和业务结合才有意义，清楚所在行业的整体结构，对行业的上游和下游的经营情况有大致的了解，在根据业务当前的需要，制定发展计划，归类出需要整理的数据，同时，熟悉业务才能看到数据背后隐藏的信息。
3、为了方法而方法，为了工具而工具 。只要能解决问题的方法和工具就是好的方法和工具
4、数据本身是客观的，但被解读出来的数据是主观的 。同样的数据由不同的人分析很可能得出完全相反的结论，所以一定不能提前带着观点去分析
③ 数据分析思路都有哪些
1、趋势分析最简单、最常见的数据分析方法，一般用于核心指标的长期跟踪，比如点击率、GMV、活跃用户数。可以看出数据有那些趋势上的变化，有没有周期性，有没有拐点等，继而分析原因。
2、多维分解
也就是通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。举个例子，对网站维护进行数据分析，可以拆分出地区、访问来源、设备、浏览器等等维度。
3、用户分群
针对符合某种特定行为或背景信息的用户，进行特定的优化和分析，将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。
4、漏斗分析
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。例如将漏斗图用于网站关键路径的转化率分析，不仅能显示用户的最终转化率，同时还可以展示每一节点的转化率。
5、留存分析
留存分析是一种用来分析用户参与情况/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。衡量留存的常见指标有次日留存率、7日留存率、30日留存率等。
6、A/B 测试
A/B测试是为了达到一个目标，采取了两套方案，通过实验观察两组方案的数据效果，判断两组方案的好坏，需要选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
7、对比分析
分为横向对比(跟自己比)和纵向对比(跟别人比)，常见的对比应用有A/B test，A/B test的关键就是保证两组中只有一个单一变量，其他条件保持一致。
8、交叉分析
交叉分析法就是将对比分析从多个维度进行交叉展现，进行多角度的结合分析，从中发现最为相关的维度来探索数据变化的原因。
④ 数据分析的几种常用方法21-10-27
几种常见的数据分析分析方法：
1.周期性分析（基础分析）
What ：主要是从日常杂乱的数据中，发现周期性出现的现象，而从避免或改善问题的发生。常见的两种周期：自然周期和生命周期。
需要注意的点：虽然周期性分析主要针对时间序列，但不全是，例如公众号的文章阅读走势不仅和日期（工作日或周末）相关，也和文章类型相关。
例如：销售中3,6,9,12月，由于绩效考核出现的峰值
重点节假日对和交付的影响
产品销售的季节性影响（例如北方下半年的采暖产品，入夏空调的销售旺季等）
How： 自然后期的时间维度，根据分析的需求，可从年（同环比，业绩达成、和行业趋势对比），月（淡旺季、销售进度、生产预测），周（一般较少），日（工作日，非工作日的差异分析），时（时间分布，工作时段，上下班高峰，晚上，主要和大众消费行为分析相关）进行展开
生命周期一种常见的分析就“商品生命周期”，商品销量随上市时间的变化，通过时间轴+指标走势组合出来的。这种分析对快消品或者产品迭代速度很快的商品（典型如手机）是比较重要的，可以用于监控产品的市场表现，对照市场活动可以量化活动效果以及产品线的经营情况，如持续跟进，则可针对性的提出产品上市的建议。
2.矩阵分析（重要分析方法）
矩阵分析是数据分析中非常重要的分析方法。主要解决分析领域的一个非常致命的核心问题：“到底指标是多少，才算好”。
平均数是一个非常常用的数据维度，但是单一维度，并不能充分评价好坏。例如考核销售，如果只考核业务销售业绩，那么业务人员一定会倾向卖利润低的引流产品。那种利润高，价格高，不容易卖的利润型产品就没人卖了，最后销售越多，公司的利润反而下降了。这个时候通过两个维度：销售规模和销售利润，构建交叉矩阵，就能将业务业绩进行更有效的区分。
举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩用矩阵分析法进行分析（具体数据略）：
第一步：先对客户数量、业绩求平均值
第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类
第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类
矩阵分析把关键业务目标拆分为两个维度，每个维度进行高低分类，进而可以对目标进行更加立体的描述。维度高低分类多采用 平均值作为参考 值。
注意：有两个场景，是不适合用矩阵分析法：
一：有极大/极小值影响了平均值的时候，一般出现极大/极小值的时候，可以用： 分层分析法 。
二：两个指标高度相关的时候，例如用户消费金额与消费频次，两个指标天生高度相关，此时数据分布会集中在某一个或两个区域，矩阵分析法的业务解读能力接近0，可采用 相关分析法
3.结构分析
What： 结构分析是将分析的目标，向下分解，主要用于发现问题。
例如销售分析，可以按照区域—省—市 一级级的分解，分解之后可以更好的看出影响销售业绩的影响因素在哪个位置。
结构分析可以有多个维度，取决于我们需要分析的方向。例如还是销售分析，可以从产品构成进行拆解，也可用从业务形态拆解
How：如何进行结构分析？
第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）
第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）
第三步：跟踪关键指标的走势，了解指标结构变化情况
第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题
注意：结构分析的不足
结构分析法是一种：知其然，不知其所以然的方法。只适用于发现问题，不能解答问题
4.分层分析
What： 分层分析，是为了应对 平均值失效 的场景。典型的平均值失效例如平均工资，很多人都被“代表”。这个时候需要把收入群体分成几类，例如土豪，普通百姓，穷光蛋等，后面进行分析时就比较清楚了。业内也有一些不同的叫法，比如应用于商品的，叫ABC分类，应用于用户的，叫用户分层，应用于业务的，叫二八法则。本质都是一回事。
How：如何进行分层分析
1.明确分层对象和分层指标
例如：想区分用户消费力，分层对象就是：用户，分层指标就是：消费金额
想区分商品销售额，分层对象就是：商品，分层指标就是：销售金额
想区分部销售额，分层对象就是：分部，分层指标就是：销售收入
2.查看数据，确认是否需要分层。分层是应对平均值失效的情况的，存在极值影响的情况，则适合分层。
3.设定分层的层级。最好的解决办法是老板拍板，其次可以用“二八原则”，以上述销售业绩分层为例，可以先从高到低排序，然后把累积业绩占80%的人选出来，作为“第1层级（优等）”，其他的归为“第2层级（次等）”。有时如果颗粒度不够，也可以用“二四六八十”法则”。
如何应用分层
分层的最大作用是帮我们看清楚：到底谁是主力 ，谁是吊车尾。从而指导业务，从人海战术向精兵简政思考。
根据分层的结果找出差距，进而提出（假设）差异背后可能的原因，通过其它方式进行
应用 ：客户分析，目前系统中客户超5000个，为了更好的了解客户结构，可以通过分层分析的方法对这5000个客户进行分层，分层的方式通过年销售规模，可以按照累计规模排序，一般采用4-6个层级，每个层级可以给一个标签。例如王者客户，腰部客户，mini客户等。分层后，便可以针对性的进行分析，例如客户层级的销售占比，变动，各层级客户的销售构成，结合其它方法就可以有较全面的分析
5.漏斗分析（待补充）
6.指标拆解（待补充）
7.相关性分析（待补充）
What ：两个（或多个）因素之间的关系。例如员工人数与销售额，市场推广与销售业绩，天气和销售表现等
很多因素我们直观的感觉到之间有联系，相互影响，但具体的关系是什么，如何产品影响的，可以通相关性分析来量化。
例如，客户开拓中拜访客户的次数和客户成交是否有关系？
拜访次数多，表明客户也感兴趣，所以成功几率大
拜访这么多，客户还不成交，成功几率不大
客户成交和拜访关系不太大，主要看你是否能打动他
How ：两种联系：直接关系，间接关系
直接关系 ：整体指标与部分指标的关系——结构分析，例如销售业绩与各中心的业绩
主指标与子指标的关系——拆解分析，例如总销售规模和客户数量与客户销售规模
前后步骤间的关系——漏斗分析：例如销售目标和项目覆盖率，储备率，签约等因素间的关系
联系中，指标之间出现一致性的变化，基本是正常，如果出现相反的变动，则需要关注，这可能是问题所在
间接关系 ：要素之间没有直接的联系，但存在逻辑上的连接。例如推广多了，知名度上市，进而销售额上升。
由于关系非显性，需要通过处理进行评价，常用的就是散点图和excel中的相关系数法
在明确相关性后，就可以通过改变其中一个变量来影响和控制另一个变量的发展。
注意：相关性分析也存在很大的局限。主要体现在相关性并不等同因果性。例如十年前你在院子里种了一颗树，你发现树每天的高度和中国近十年GDP的增速高度相关，然后这两者间并没有什么实质性的联系。此次相关性分析过程中一定注意要找到关联的逻辑自洽。
8.标签分析（待补充）
9.