今天介绍几种常用的数据分析方法。 不同的分析方法可以解决不同的问题。 另外，也可以组合使用，加深对问题的理解。 但是，并不是只用于数据分析的工作中。 当我们生活中处于不同的场合，改变看法也许能发现新大陆。
数据分析的作用
基本方法
数据分析的具体方法
现状分析
对比
比较分析、分组分析、结构分析、分布分析交叉分析、RFM分析、矩阵相关分析综合评价分析.
原因分析
细分化
结构分解法、因子分解法、漏斗分析.
预测分析
预测
趋势分析、回归分析和时间序列.
对比
比较分析法的定义：指比较两个以上的数据，分析差异，明确事物的发展变化情况和规律性。
指标和维度：
1 )指标)衡量事物发展程度的单位和方法，也称为度量(如人口数量、GDP、收入…)； 指标分为绝对数指标和相对数指标。
绝对数指标的反应规模大小(数量-质量)、相对数指标的反应质量高低) -质量)。 俗称QQ模型分析法。
我们在分析的时候，首先要看业务是否达到了一定的规模。 在业务规模足够大的情况下，如果看分析质量是否不高，就从提高质量的观点开始。
维度：事物或现象的特征。 (例如，产品类型、用户类型、地区、时间等维度)作为同级比较的横向比)例如，各国人口数、GDP比较、各省收入.
不同时期的比较即纵横比：如本月的数据与同月的数据进行比较.
与目标的对比即现在的业绩和全年的业绩目标进行对比。
行业内的比较与行业标杆企业、竞争对手或行业内的平均水平进行比较
-------------请参见
按照数据类型分类，维度可以分为定性维度和定量维度。
定性维度：指文字型数据、事物固有的特征属性。 例如，产品类型、用户类型.)
定量维度：数值型数据(如收入、消费、年龄…) )。
注意事项：
指标必须以相同的单位或标准衡量。 数据标准化的几种方法：
Min-Max标准化【公式：(原始数据-极小值) /极大值-极小值】——最大、最小值不发生明确变化
Z-score标准化【(原数据-平均) /标准偏差】——最大值、最小值未知(接近正态分布) ) ) ) ) ) ) ) ) ) ) ) ) )。
对数Logistics标准化【ln (原数据(ln )最大值)】——长尾部分布数据，对样本进行分段操作
指标类型必须一致。 例如，GDP无法与增长率进行比较。 组分析法根据分组领域，将分析对象分为不同部分，比较分析各组之间的差异，分为定性组和定量组。
解析法是指根据分组(定性分组)，计算各构成部分所占的比重，分析整体的内部构成特征。 (某部分的占有率越大，其重要度越高) ) ) ) ) ) ) ) )。
结构相对指标的计算公式：
结构相对指标=(整体某部分的数值/整体总量) ) *100%
市场占有率=(某商品的销售量/该商品的市场销售总量) *100%
关于图形的使用，一般使用饼图； 成分少时，可以使用圆环图； 成分多的情况下，例如10个以上的情况下，可以考虑使用树状图。
RFM分析法的定义：基于顾客活跃度和交易金额的贡献，进行顾客价值细分的顾客细分方法。 是交叉分析在顾客价值细分领域的典型应用。
相关指标： r (灵敏度)接近度、f ) f (频率)频率、m ) m (月)额
r :从客户最近的交易时间到现在的间隔。 越大，表示客户很久没有交易了。越小，表示最近有交易了。
f :客户在最近一段时间内交易的次数。 越大，表示客户交易越频繁；越小，表示客户的活跃度越低。
m :客户在最近期间内交易的金额。 越大，客户的价值越高；越小，客户的价值越低。
三维立方体
origin/pgc-image/2f5d153b328949328dbeb79edca67887?from=pc">R值
F值
M值
客户类型
高
高
高
高价值
低
高
高
重点保持
高
低
高
重点发展
低
低
高
重点挽留
高
高
低
一般价值
低
高
低
一般保持
高
低
低
一般发展
低
低
低
潜在客户
使用RFM分析法时，要满足以下三点假设：
假设最近有过交易行为的客户，再次发生交易的可能性要高于最近没有交易行为的客户。假设交易频率高的客户比交易频率较低的客户更有可能再次发生交易行为。假设过去所有交易总额较多的客户，比交易总额较少的客户更有消费积极性。细分
5.漏斗分析法
漏斗模型是一套流程式数据分析，它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。
漏斗分析的作用
对于业务流程相对规范，周期较长、环节较多的流程进行分析，能够直观地发现和说明问题所在，可以更快地找出某个环节的转化率出现问题。
1、企业可以监控用户在各个层级的转化情况。
降低流失是运营人群的重要目标，通过不同层级的情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率
2、多维度切分与呈现用户转化情况
科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化，提升了转化分析的精度和效率，对选购流程的异常定位和策略调整效果验证有科学指导意义。
3、不同属性的用户群体漏斗比较
漏斗对比分析是科学漏斗分析的重要一环，运营人员可以通过不同属性的用户群体（如新注册用户与jwdby）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。
漏斗分析的一些模型：
1、AARRR模型：
从用户增长各阶段入手，包括Acquisition用户获取，Activation用户激活，Retention用户留存，Revenue用户产生收入，Refer自传播。改模型主要应用于互联网行业
2、消费漏斗模型：
一般用于页面结构和内容较为复杂的业务，从用户内容消费和流量走向的角度，宏观层面用于回答用户消费什么内容，微观层面则用于分析影响用户消费的问题是什么。主要流程是从广告引流—商品介绍—场景打造—下单购买
3、电商漏斗模型：
典型的用户购买行为由以下连续的行为构成：浏览首页—浏览商品—提交订单—支付订单。
当我们期望观察各步骤间及总体转化率，可按以下步骤进行：
4、AIDMA模型：
主要的流程是注意 → 兴趣 → 欲望 → 记忆 → 行动（购买），适用于品牌营销。
5、AISAS模型：
主要的流程是注意-兴趣-搜索-行动-分享，在AIDMA模型的基础上增加了用户反馈的环节
预测
6.回归分析法(regression analysis method)
定义：利用数据统计原理，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程（函数表达式），并加以外推，用于预测今后的因变量的变化的分析方法。
根据因变量和自变量的个数分为：一元回归分析和多元回归分析；根据因变量和自变量的函数表达式分为：线性回归分析和非线性回归分析。
回归分析法的步骤如下：
1、根据自变量与因变量的现有数据以及关系，初步设定回归方程；
2、求出合理的回归系数；
3、进行相关性检验，确定相关系数；
4、在符合相关性要求后，即可根据已得的回归方程与具体条件相结合，来确定事物的未来状况，并计算预测值的置信区间。
有效性：用回归分析法进行预测首先要对各个自变量做出预测。若各个自变量可以由人工控制或易于预测，而且回归方程也较为符合实际，则应用回归预测是有效的，否则就很难应用；
注意事项：为使回归方程较能符合实际，首先应尽可能定性判断自变量的可能种类和个数，并在观察事物发展规律的基础上定性判断回归方程的可能类型；其次，力求掌握较充分的高质量统计数据，再运用统计方法，利用数学工具和相关软件从定量方面计算或改进定性判断。
7.时间序列预测法
定义：时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。
步骤：
第一步收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。
第二步分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。
第三步求时间序列的长期趋势(T)季节变动(s)和不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。
第四步利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：
加法模式T+S+I=Y乘法模式T×S×I=Y如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用，本质上也只是一个平均数的作用，实际值将围绕着它上下波动。
今天的【常用数据方法】必须收藏转发哦~
更多数据分析干货，关注高大的野狼号【数字营销学堂】，回复“数据”免费领取1G干货资料包~
#数据分析##模型##运营##互联网#