㈠ 数据分析常用的10种统计学方法，附上重点应用场景
欢迎步入数据分析师的探索之旅，如果你渴望深入理解数据分析的奥秘，这里有一份精心整理的统计学方法指南，涵盖了10种在实战中不可或缺的统计技巧，每一种都配有关键应用场景，让你的工作更加科学高效。
描述性统计，是数据分析师的入门基石。通过数学和图表的巧妙结合，它描绘了数据的全貌与分布特性，是日常报告和分析中的必备工具。在周报和月报中，如何呈现高质量的数据描述，这里为你揭示。
假设检验，帮助我们区分样本差异的来源，是抽样误差还是真实差异。分为参数检验（如正态分布下的检验）和非参数检验，确保在不同数据分布下都能精准判断。异动分析和因果分析中，它扮演着重要角色。
列联表分析用于探索两个分类变量之间的关联，如性别与绩效等级。找到这些潜在关联，是提升决策精度的重要手段。
相关分析揭示现象间的关系强度，如正相关或负相关。用户增长分析中，它能揭示新用户增长与用户行为的紧密联系。
方差分析（F检验）用于比较多个样本均值的差异，是衡量变量间差异显着性的重要工具。
回归分析在预测和模型建立中不可或缺，无论是指标的拟合还是未来趋势的预估，它都发挥着关键作用。
聚类分析让数据自动分类，帮助你洞察用户或内容的本质特征，用于市场细分和用户画像构建。
判别分析在已知类别情况下，对新样本进行分类，如用户流失预警中的应用。
主成分分析用于降低维度，解决多重共线性问题，让模型建立更稳定。它是数据预处理的强大工具。
与主成分分析相似，因子分析探索变量间潜在关系，但侧重解释，为深度理解变量提供了新视角。
以上方法并非全部，还有诸如信度分析、生存分析等更丰富的统计工具等待你的发掘。在数据的海洋中，持续学习和实践将使你成为数据世界的探索者。记得关注“小火龙说数据”公众号，获取更多原创内容，一起在数据分析的道路上成长吧！
1、对比分析法：常用于对纵向的、横向的、最为突出的、计划与实际的等各种相关数据的。例如：今年与去年同期工资收入的增长情况、3月CPI环比增长情况等。
2、趋势分析法：常用于在一段时间周期内，通过分析数据运行的变化趋势(上升或下降)，为未来的发展方向提供帮助。例如：用电量的季节性波动、股市的涨跌趋势等。
3、相关分析法：常用于分析两个或多个变量之间的性质以及相关程度。例如：气温与用电量的相关性、运动量大小与体重的相关性等。
4、回归分析法：常用于分析一个或多个自变量的变化对一个特定因变量的影响程度，从而确定其关系。例如：气温、用电设备、用电时长等因素对用电量数值大小的影响程度、工资收入的高低对生活消费支出大小的影响程度等。
5、描述性分析法：常用于对一组数据样本的各种特征进行分析，以便于描述样本的各种及其所代表的总体的特征。例如：本月日平均用电量、上海市工资收入中位数等。
6、结构分析法：常用于分析数据总体的内部特征、性质和变化规律等。例如：各部分用电量占总用电的比重、生活消费支出构成情况等。
㈢ 数据分析常用的方法有哪些
1、简单趋势
通过实时访问趋势了解供应商及时交货情况。如产品类型，供应商区域(交通因子)，采购额，采购额对供应商占比。
2、多维分解
根据分析需要，从多维度对指标进行分解。例如产品采购金额、供应商规模(需量化)、产品复杂程度等等维度。
3、转化漏斗
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。常见的转化情境有不同供应商及时交货率趋势等。
4、用户分群
在精细化分析中，常常需要对有某个特定行为的供应商群组进行分析和比对;数据分析需要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。
5、细查路径
数据分析可以观察供应商的行为轨迹，探索供应商与本公司的交互过程;进而从中发现问题、激发灵感亦或验证假设。
6、留存分析
留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新新供应商”在一段时间内“重复行为”的比例。通过分析不同供应商群组的留存差异、使用过不同功能供应商的留存差异来找到供应链的优化点。
7、A/B 测试
A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同;然后以某种规则优胜略汰选择最优的方案。数据分析需要在这个过程中选择合理的分组样本、监测数据指标、事后分析和不同方案评估。
㈣ 数据分析方法有哪些
数据分析方法主要包括以下几种：
1. 描述性分析：这是最基本的数据分析类型，用于理解数据的性质和结构。它通过计算各种统计指标（如平均值、中位数、众数、频率分布等）来描绘数据集的整体特征，帮助我们了解数据的基本情况。
2. 探索性分析：这种分析方法旨在发现数据中的模式、趋势和异常值。它通常涉及数据可视化，如制作直方图、散点图、箱线图等，以便直观地识别数据的分布、相关性和潜在的关系。
3. 预测性分析：预测性分析使用历史数据来构建模型，预测未来的趋势或行为。常见的方法有回归分析、时间序列分析、机器学习（如线性回归、决策树、随机森林、神经网络等）等。
4. 诊断性分析：当遇到问题时，我们会用诊断性分析来查找原因。这可能包括识别异常值、识别缺失值、检查变量之间的关系等，以确定影响结果的关键因素。
5. 因子分析和聚类分析：这两种方法主要用于发现数据集中的隐藏结构或群体。因子分析试图找出一组潜在的变量（因子），这些变量可以解释原始变量之间的大部分变异。聚类分析则将观测对象分成不同的组，每个组内的对象相似度较高，而组与组之间差异较大。
6. 实验设计与A/B测试：在商业环境中，实验设计用于评估不同策略的效果，而A/B测试则是其具体应用，通过对比两组用户的行为，确定哪种策略更有效。
以上每种方法都有其特定的应用场景和目的，根据实际需求选择合适的方法是数据分析的关键。