㈠ 数据分析的常用方法
数据分析的常用方法如下：
1、列表法。将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。
2、作图法。作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法）或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1除以T为横轴画图，则为一条直线。
1. 描述型分析
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
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
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
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。
㈢ 数据分析的基本方法有哪些
数据分析的基本方法包括以下三种：
1. 数据趋势分析
数据趋势分析通常适用于长期跟踪产品核心指标，如点击率、GMV、活跃用户数等。简单的数据趋势图并不能算作趋势分析，真正的趋势分析需要明确数据的变化，并对变化原因进行分析。在趋势分析中，最好的产出是比值。在进行趋势分析时，需要明确环比、同比和定基比的概念。环比是指本期统计数据与上期比较，用于了解最近的变化趋势，但会受到季节性差异的影响。为了消除季节差异，引入了同比的概念，即与去年同期进行比较。定基比则是与某个基点进行比较，例如将某一时间点作为基点进行比较。趋势分析的另一个核心目的是对趋势进行解释，对于趋势线中明显的拐点，需要给出合理的解释，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地观察时，很多情况下并不能说明问题。对比分析就是为孤立的数据提供一个合理的参考系，使其具有意义。对比的数据通常是数据的基本面，如行业情况、全站情况等。有时为了增加说服力，会人为设置对比的基准，即A/B测试。比较试验的关键是A/B两组只保持单一变量，其他条件保持一致，以获得有说服力的数据。
3. 数据细分分析
在得到一些初步结论后，需要进一步进行细分分析，因为在一些综合指标的使用过程中，会掩盖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。细分分析需要进行多维度的细分，常见的拆分方法包括分时、分渠道、分用户、分地区和组成拆分。细分分析是一个非常重要的手段，多问一些为什么，才是得出结论的关键，而一步一步拆分，就是在不断问为什么的过程。