数据分析方法图解

① 数据分析的四个步骤

数据分析的四个步骤为：识别需求、收集数据、分析数据、过程改进。

1、识别需求

数据分析是质量管理体系的基础。组织的管理者应在适当时，通过对以下问题的分析，评估其有效性：

一是提供决策的信息是否充分、可信，是否存在因信息不足、失准、滞后而导致决策失误的问题；

二是信息对持续改进质量管理体系、过程、产品所发挥的作用是否与期望值一致，是否在产品实现过程中有效运用数据分析；

三是收集数据的目的是否明确，收集的数据是否真实和充分，信息渠道是否畅通；

四是数据分析方法是否合理，是否将风险控制在可接受的范围；务实数据分析所需资源是否得到保障。

② 数据分析的三大方法

数据分析的三大方法：分析搜索数据、分析统计数据、分析行为数据。

数据分析，是对用户行为的量化分析，它能够从痕迹倒推出行为，然后把一切用户的秘密都告诉你。数据分析的能力是当代互联网时代，每一个人都必须具备的能力。

第一个方法是分析搜索数据。用户有需求，他们第一时间，会上哪找答案呢？他们会上搜索引擎。用户的需求，会通过“搜索关键字”，清晰无比地摊在你面前。

第三个方法是分析行为数据。有限的研发经费，是投资买域名，开发PC网站，还是做基于H5页面的手机应用呢？这时，你就要分析用户的行为数据了。很多人都知道，2017年天猫双11的交易额达到了1682亿，但是很多人没有注意在屏幕上这个惊人的数字右下角。

有个小小的，同样惊人的数字，叫无线成交占比。这个数字在2014是45%，2015年68%，2016年82%，2017年达到了90%。也就是说，90%用户的行为，已经移到了手机上。根据对这个行为数据的分析，你的决定应该很明显了吧。

③ ppt怎样做图表数据分析图图文教程

ppt怎么做图表数据分析图呢，新手不会，上网找怕麻烦，而且教程太乱没有统一的答案怎么办,哪里有更好的方法?下面我马上就告诉大家ppt做图表数据分析图的方法。

ppt做图表数据分析图的方法

1.打开ppt以后先建立一个幻灯片，点击菜单栏上面的【新建幻灯片】---选择任意一个布局。

④ 常见的5种数据分析方法

所谓公式法就是针对某个指标，用公式层层分解该指标的影响因素。

举例：分析某产品的销售额较低的原因，用公式法分解：

对比法就是用两组或两组以上的数据进行比较，是最通用的方法。

我们知道孤立的数据没有意义，有对比才有差异。

一些直接描述事物的变量，如长度、数量、高度、宽度等，通过对比得到比率数据，增速、效率、效益等指标，这才是数据分析时常用的。

比如：用于在时间维度上的同比和环比、增长率、定基比、与竞争对手的对比、类别之间的对比、特征和属性对比等。

对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。

通过对2种及以上纬度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常于产品分析、市场分析、客户管理、商品管理等。

28法也可以叫帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析上，则可以理解为20%的数据产生了80%的效果，需要围绕这20%的数据进行挖掘。

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

⑤ 在WPS表格中常见的数据分析的方法有哪几种

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。

⑥ 数据分析知识图谱- part1

在日常分析中，常会遇到不知道选择什么分析方法的尴尬情况出现，尤其是在面对几种相似的方法，不知道它们之间有什么差别，一念之差就会选错方法。相信这样的小盲点，依然困扰着不少人。

因此，SPSSAU整理了一份相似方法的对比目录，可以一目了然地比较出方法间的差异。由于方法较多，将分几部分整理出来。

频数分析 是用于分析定类数据的选择频数和百分比分布。

描述分析 用于描述定量数据的集中趋势、波动程度和分布形状。如要计算数据的平均值、中位数等，可使用描述分析。

分类汇总 用于交叉研究，展示两个或更多变量的交叉信息，可将不同组别下的数据进行汇总统计。

信度分析的方法主要有以下三种：Cronbach α信度系数法、折半信度法、重测信度法。

Cronbach α信度系数法 为最常使用的方法，即通过Cronbach α信度系数测量测验或量表的信度是否达标。

折半信度 是将所有量表题项分为两半，计算两部分各自的信度以及相关系数，进而估计整个量表的信度的测量方法。可在信度分析中选择使用折半系数或是Cronbach α系数。

重测信度 是指同一批样本，在不同时间点做了两次相同的问题，然后计算两次回答的相关系数，通过相关系数去研究信度水平。

效度有很多种，可分为四种类型：内容效度、结构效度、区分效度、聚合效度。具体区别如下表所示：

T检验 可分析X为定类数据，Y为定量数据之间的关系情况，针对T检验，X只能为2个类别。

当组别多于2组，且数据类型为X为定类数据，Y为定量数据，可使用 方差分析 。

如果要分析定类数据和定类数据之间的关系情况，可使用 交叉卡方分析

如果研究定类数据与定量数据关系情况，且数据不正态或者方差不齐时，可使用 非参数检验 。

相关分析 用于研究定量数据之间的关系情况，可以分析包括是否有关系,以及关系紧密程度等。分析时可以不区分XY，但分析数据均要为定量数据。

回归分析 通常指的是线性回归分析，一般可在相关分析后进行，用于研究影响关系情况，其中X通常为定量数据（也可以是定类数据，需要设置成哑变量），Y一定为定量数据。

回归分析通常分析Y只有一个，如果想研究多个自变量与多个因变量的影响关系情况，可选择 路径分析 。

相关分析用于研究X和Y的关系情况，X、Y都为定量数据。

 

（1）简单相关分析 是分析对两个变量之间的相关关系。

（2） 当两个变量都与第三个变量相关时，为了消除第三个变量的影响，值关注这两个变量之间的关系情况，此时可使用 偏相关分析 。

（3） 如果是研究两组变量之间的整体相关性，可用 典型相关分析 。

线性回归用于研究X对于Y的影响，前提是因变量Y为定量数据。

 

如果X很多时，可使用 逐步回归 自动找出有影响的X；

如果需要研究多个线性回归的层叠变化情况，此时可使用 分层回归 ；

如果数据中有异常值，可使用 Robust回归 进行研究。

Logistic回归用于研究 X对于Y的影响，因变量Y 一定 为定 类 数据。

 

如果Y有两个选项时，可使用 二元Logit回归。

如果Y的选项大于2个时，可使用 多分类Logit回归。

如果Y为定类数据，且选项有顺序大小之分时，可使用 有序Logit回归。

T检验用于分析定类数据与定量数据之间的关系情况，且X的组别只限于为两组。

 

如果是对比单个变量与某个数字的差异，可用 单样本T检验。

如果是对比两个变量之间（X定类，Y定量）的差异关系，可用 独立样本T检验。

如果两个变量是配对数据，比如对一个群体用同一个工具前后测量了两次，可用 配对T检验分析。

方差分析用于分析定类数据与定量数据之间的关系情况，可分析两组或两组以上的变量差异。

 

如果X为一个，则使用 单因素方差分析 ，即通用方法里的方差。

如果X的个数为2个，可使用 双因素方差分析 。

当X个数超过2个，可使用 多因素方差分析 。通常双因素方差分析与多因素方差分析多用于实验研究中。

事后检验 是基于方差分析基础上进行，如果X的组别超过两组，可用事后检验进一步分析两两组别之间的差异。

如果研究中有干扰因素（控制变量），可使用 协方差分析 。

多选题分析可分为四种类型包括：多选题、单选-多选、多选-单选、多选-多选。

“多选题分析” 是针对单个多选题的分析方法，可分析多选题各项的选择比例情况

“单选-多选” 是针对X为单选，Y为多选的情况使用的方法，可分析单选和多选题的关系。

“多选-单选” 是针对X为多选，Y为单选的情况使用的方法。

“多选-多选” 是针对X为多选，Y为多选的情况使用的方法。

聚类分析以多个研究标题作为基准，对样本对象进行分类。

 

如果是按样本聚类，则使用SPSSAU的进阶方法模块中的“聚类”功能，系统会自动识别出应该使用 K-means 聚类算法还是 K-prototype 聚类算法。

如果是按变量（标题）聚类，此时应该使用 分层聚类 ，并且结合聚类树状图进行综合判定分析。

权重研究是用于分析各因素或指标在综合体系中的重要程度，最终构建出权重体系。权重研究有多种方法包括：因子分析、熵值法、AHP层次分析法、TOPSIS、模糊综合评价、灰色关联等。

因子分析： 因子分析可将多个题项浓缩成几个概括性指标（因子），然后对新生成的各概括性指标计算权重。

熵值法： 熵值法是利用熵值携带的信息计算每个指标的权重，通常可配合因子分析或主成分分析得到一级权重，利用熵值法计算二级权重。

AHP层次分析法： AHP层次分析法是一种主观加客观赋值的计算权重的方法。先通过专家打分构造判断矩阵，然后量化计算每个指标的权重。

TOPSIS法： TOPSIS权重法是一种评价多个样本综合排名的方法，用于比较样本的排名。

模糊综合评价： 是通过各指标的评价和权重对评价对象得出一个综合性评价。

灰色关联： 灰色关联是一种评价多个指标综合排名的方法，用于判断指标排名。

非参数检验用于研究定类数据与定量数据之间的关系情况。如果数据不满足正态性或方差不齐，可用非参数检验。

单样本Wilcoxon检验 用于检验数据是否与某数字有明显的区别。

如果X的组别为两组，则使用 MannWhitney 统计量，如果组别超过两组，则应该使用 Kruskal-Wallis 统计量结果，SPSSAU可自动选择。

如果是配对数据，则使用 配对样本Wilcoxon检验

如果要研究多个关联样本的差异情况，可以用 多样本Friedman检验 。

如果是研究定类数据与定量（等级）数据之间的差异性，还可以使用 Ridit分析 。

判断数据分布是选择正确分析方法的重要前提。

正态性： 很多分析方法的使用前提都是要求数据服从正态性，比如线性回归分析、相关分析、方差分析等，可通过正态图、P-P/Q-Q图、正态性检验查看数据正态性。

随机性： 游程检验是一种非参数性统计假设的检验方法，可用于分析数据是否为随机。

方差齐性： 方差齐检验用于分析不同定类数据组别对定量数据时的波动情况是否一致，即方差齐性。方差齐是方差分析的前提，如果不满足则不能使用方差分析。

Poisson分布： 如果要判断数据是否满足Poisson分布，可通过Poisson检验判断或者通过特征进行判断是否基本符合Poisson分布（三个特征即：平稳性、独立性和普通性）

卡方拟合优度检验： 卡方拟合优度检验是一种非参数检验方法，其用于研究实际比例情况，是否与预期比例表现一致，但只针对于类别数据。

单样本T检验： 单样本T检验用于分析定量数据是否与某个数字有着显着的差异性。

 

当需要研究多个变量之间的关系情况时，通常可构建统计模型用于分析及预测。

如果研究一个X或多个X对Y的影响关系，其中Y为定量数据，可使用 线性回归分析 ，构建回归模型。

如果研究一个X或多个X对Y的影响关系，其中Y为定类数据，可使用 Logistic分析 ，构建Logistic回归模型。

如果要分析1组X与一组Y之间的关系情况，可使用 典型相关分析 。

如果要分析多个X与多个Y之间的影响关系情况，且样本量较小（通常小于200），可使用 PLS回归分析 。

如需分析多个X对多个Y的影响关系，以及具体哪些X对哪些Y有影响如何影响，可使用 路径分析 。

还有一种方法称为结构方程模型，包含测量模型和结构模型。如果需要测量模型和结构模型，可使用 结构方程模型 。

当研究中包括有很多题目或很多变量时，可通过信息浓缩的方法，把数据浓缩成一个或多个变量，以便用于后续的分析。

主成分分析和因子分析 都是信息浓缩的方法，即将多个分析项信息浓缩成几个概括性指标。如果希望进行将指标命名，SPSSAU建议使用因子分析。原因在于因子分析在主成分基础上，多出一项旋转功能，该旋转目的即在于命名。

平均值和求和 也是信息浓缩的常用方法，比如要将多个题项合并成一个变量，可通过求平均值概括成一个题项。当数据不满足正态，存在极端值时，可用 中位数 代替平均值。

一致性检验的目的在于比较不同方法得到的结果是否具有一致性。检验一致性的方法有很多比如：Kappa检验、ICC组内相关系数、Kendall W协调系数等。

Kappa系数检验 ，适用于两次数据（方法）之间比较一致性，比如两位医生的诊断是否一致，两位裁判的评分标准是否一致等。

ICC组内相关系数检验 ，用于分析多次数据的一致性情况，功能上与Kappa系数基本一致。ICC分析定量或定类数据均可；但是Kappa一致性系数通常要求数据是定类数据。

Kendall W协调系数 ，是分析多个数据之间关联性的方法，适用于定量数据，尤其是定序等级数据。

配对研究是一种医学上常见的研究设计，常见于单组样本前后对比研究，或者将样本分为实验组和对比组两组，针对干预措施进行研究。

如果配对样本数据为定量数据时，可使用 配对样本T检验 。

如果配对样本数据为定量数据，但配对样本的差值不符合正态分布，则考虑使用 配对Wilcoxon检验

如果数据为定类数据，则使用 配对卡方检验 。

判别分析： 用于在分类确定前提下，根据数据的特征来判断新的未知属于哪个类别。

对应分析： 用于分析定类数据的分类情况，并结合图形展示。

曲线分析： 如果想要研究X对Y的影响关系，且X和Y不满足线性关系（可通过散点图观察），而呈现出曲线关系，建议根据曲线拟合图结果，选择拟合程度较好的曲线进行曲线回归分析。

更多干货内容可登录 SPSSAU官网 查看

⑦ 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。

⑧ 经典：5种常见的数据分析方法

任何一家公司都会面对或多或少的客户，产生千万甚至上亿的数据来洞察客户的行为，支撑自身公司业务的发展。

数据分析 是一个从数据中通过分析手段发现业务价值的过程。这个过程的起点可以是 确定我们的分析目的 ，这个过程的终点是 发现业务价值，提供数据支撑 。

个人理解的数据分析6大步骤：

下面介绍的是5种基于逻辑层面的数据分析方法：

PEST分析是指宏观环境的分析，宏观环境是指一切能够影响行业或者企业发展的宏观力量或者因素。一般适用于大型公司的战略规划：

通常是战略顾问用来帮助企业审视宏观环境，从而来匹配自身发展的一种分析方法

5W2H方法也称之为七何分析法，包含的内容是：

该方法适用于用 户行为分析、产品的营销活动 等，比如某家公司上架了一款新的销售产品：

所谓的4P指的是：

这是一种以市场为导向的组合营销理论。通过将四者的结合，同时协调配合发展，从而提高企业的市场份额，达到最终的营销获利目的。

SMART分析方法是一种基于目标的管理方法，即对目标的：

比如小明同学最近想找一份兼职的工作：

SWOT分析也叫做势态分析法，具体解释为：

该方法通常是用来确定企业或者产品的内部优势、劣势和来自外部的机会与威胁等，从而将公司战略规划与公司内外部的环境有机结合起来。比如某家公司的SWOT分析类似如下：

数据是从业务中产生的，数据本身没有价值。只有当我们利用一定的科技手段，从中挖掘出有效信息，才能体现出其重要的价值。

前段时间看过一本书，阿里出版的《马云.未来已来》，里面有谈到：

在《经济学人.商论》中也有过类似的结论：

数据来源于业务，但数据只有服务于业务才能体现出其价值。 数据分析 正是将数据和业务连接起来的有力手段！

⑨ 怎样对数据进行分析

数据分析方法：

1、对比分析法

对比分析法是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。常见的对比有横向对比和纵向对比。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。

2、分组分析法

分组分析法是根据数据的性质、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。

5、AB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 数据分析方法有哪些

常用的数据分析方法有：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。

1、聚类分析(Cluster Analysis)

聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

2、因子分析(Factor Analysis)

因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。

3、相关分析(Correlation Analysis)

相关分析(correlation analysis)，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。

4、对应分析(Correspondence Analysis)

对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。

5、回归分析

研究一个随机变量Y对另一个(X)或一组(X1，X2，?，Xk)变量的相依关系的统计分析方法。回归分析(regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。

6、方差分析(ANOVA/Analysis of Variance)

又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显着性检验。由于各种因素的影响，研究所得的数据呈现波动状。

想了解更多关于数据分析的信息，推荐到CDA数据认证中心看看，CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证， 旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。 “CDA 数据分析师”具体指在互联网、金融、零售、咨询、电信、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、 提供决策的新型数据分析人才。