投放投放

数据分析常用方法大全

投放 · 覆盖投放，约 11 分钟。

投放·约 11 分钟·共 2 页·纠错 / 投稿

一、描述性分析 (Descriptive Analytics) - “发生了什么？”

这是数据分析最基础、最核心的一步，旨在总结和呈现数据的基本特征。

方法名称	核心思想	应用场景	补充说明
1. 核心指标分析	监控和衡量业务表现的关键数值（KPIs）。	日活用户(DAU)、月活用户(MAU)、销售总额(GMV)、转化率、客单价等。	这是业务分析的起点，指标的选择必须紧扣业务目标。通常会结合对比分析来发现问题。
2. 集中趋势分析	描述数据集的中心点或典型值。	计算用户平均年龄、订单中位数金额、最常购买的商品类别（众数）。	- 平均值 (Mean): 易受极端值影响。 -中位数 (Median): 不受极端值影响，更适合偏态分布数据。 - 众数 (Mode): 用于分类数据。
3. 离散趋势分析	衡量数据的分散程度或波动性。	分析产品价格的波动范围、用户收入的离散程度、考试成绩的分布情况。	- 极差 (Range): 最大值-最小值，简单但粗糙。 - 方差/标准差 (Variance/Std Dev): 最常用，衡量数据点与均值的偏离程度。 - 四分位距 (IQR): 稳健，用于识别异常值。
4. 分布分析	探究数据的分布形状和规律。	查看用户年龄分布（是否符合正态分布）、消费金额分布（长尾分布）。	通常使用直方图 (Histogram)或核密度图 (KDE Plot) 进行可视化。了解数据分布有助于选择更合适的分析方法。
5. 交叉分析/多维度分析	将两个或多个维度（变量）进行交叉组合，以细分和审视数据。	分析“不同地区”的“不同产品类别”的销售额；分析“不同性别”的“不同年龄段”用户的点击率。	这是发现问题根源的利器。在Excel中常用数据透视表 (Pivot Table)，在SQL中常用 `GROUP BY` 子句实现。

二、诊断性分析 (Diagnostic Analytics) - “为什么会发生？”

在描述性分析的基础上，深入探究现象背后的原因。

方法名称	核心思想	应用场景	补充说明
1. 对比分析	将两个或多个数据进行比较，寻找差异和变化。	- 时间对比: 同比（与去年同期比）、环比（与上个周期比）。 - 空间对比: 不同城市、不同渠道的业绩对比。 - 目标对比: 实际完成情况与设定目标（KPI）的对比。	对比分析需要有明确的参照系，否则对比没有意义。差异本身不是结论，对差异原因的探究才是。
2. 归因分析	确定各个渠道或因素对最终结果的贡献度。	营销活动中，分析是哪个广告渠道（如搜索引擎、社交媒体、邮件）带来了最终的转化。	常见模型有：首次点击归因、末次点击归因、线性归因、时间衰减归因等。选择哪种模型取决于业务逻辑。
3. 钻取/下探分析 (Drill-Down)	从宏观指标层层深入到更细的维度，探究问题的具体构成。	发现本月总销售额下降 -> 钻取到各产品线，发现是A产品线下降 -> 再钻取到各销售区域，发现是华东区A产品线下降...	这是一个由宏观到微观的探索过程，与多维度分析紧密相连，常用于交互式报表（Dashboard）中。
4. 相关性分析	研究两个或多个变量之间相互关联的程度和方向。	分析“广告投入”与“销售额”之间的关系；分析“用户活跃天数”与“用户付费金额”的关系。	警告：相关不等于因果！两个变量高度相关，可能是由第三个隐藏变量（混淆变量）驱动的。相关性是发现潜在因果关系的线索。常用皮尔逊相关系数。

三、预测性分析 (Predictive Analytics) - “未来会发生什么？”

利用历史数据和算法模型来预测未来的可能性，这部分开始涉及机器学习。

方法名称	核心思想	应用场景	补充说明
1. 回归分析 (Regression)	预测一个连续的数值型结果。	预测未来一年的销售额、根据房屋特征预测房价、根据用户行为预测其生命周期价值（LTV）。	- 线性回归 (Linear Regression): 最基础，研究自变量和因变量的线性关系。 - 逻辑回归 (Logistic Regression): 虽名为回归，但用于分类问题（如预测用户是否流失）。
2. 分类分析 (Classification)	预测一个离散的、类别型的结果。	判断邮件是否为垃圾邮件、评估客户信用风险（高/中/低）、预测用户是否会购买某产品。	常用算法包括：决策树、支持向量机(SVM)、朴素贝叶斯、随机森林等。
3. 聚类分析 (Clustering)	在没有预先定义标签的情况下，将相似的数据对象分组。	用户分群（高价值用户、潜力用户、流失风险用户）、商品聚类（寻找关联商品）、异常检测。	属于无监督学习。最经典的算法是 K-Means。聚类的关键在于如何解释和利用分出来的“群组”。
4. 时间序列分析	基于时间顺序数据，预测未来的数值。	预测未来一个月的网站流量、股票价格走势、季节性产品的销量。	考虑趋势性、季节性、周期性等因素。常用模型有ARIMA、Prophet等。

四、指导性分析 (Prescriptive Analytics) - “我们应该做什么？”

数据分析的最高层次，不仅预测未来，还为决策提供最优建议。

方法名称	核心思想	应用场景	补充说明
1. A/B测试 (A/B Testing)	通过设置对照组和实验组，以科学严谨的方式测试不同策略的效果，从而做出最优决策。	测试不同版本的网页设计哪个转化率更高；测试两种推荐算法哪个点击率更好；测试不同营销文案的打开率。	这是验证因果关系的黄金标准。需要关注样本量、测试时长和统计显著性，避免 случайные结果。
2. 最优化分析	在给定约束条件下，寻找能使某个目标（如利润、效率）最大化或成本最小化的解决方案。	供应链中如何规划物流路线以节省成本；航空公司如何定价以实现收益最大化；如何分配广告预算以获得最高ROI。	通常需要运筹学和数学规划知识，如线性规划。