学习数据分析的朋友们都知道，算法是不可或缺的，或者说算法在一定程度上可以更好地量化一个人的学习能力和水平，数据分析中常见的分析方法有对比法、分类法、拆分法、流程法，当然还有其他分析方法，不在本次文章讨论范围内。以下对这几种分析方法进行理论详解。
对比分析法
对比分析方法是我们经常遇到的，比如女生经常会问男生的问题：我今天和昨天有什么变化吗？有什么不一样？这就是对比分析方法。在数据分析中，我们通过对比分析法，来衡量业务问题。比如，节日大促，女生消费占比从60%变为70%，这个数据能说明女生在节日的时候爱消费吗？显然不能，占比提高了，不代表绝对值也提高了，此外还没考虑到竞争对手的销售额的变化。这时候，就需要用对比分析方法来评价业务是不是有问题，问题严不严重。那如何进行对比分析呢？简单来说，可以从以下三方面分析：比什么？怎么比？和谁比？
（1）比什么，即绝对数和相对数对比
绝对数：本身包含数字信息，但是不能说明问题的严重性。比如，老王今天卖元的水果，元是确定值，但单看这个数字，不能说明好坏，还需要与昨天和之前的数值进行对比。
相对数：比如平均阅读率，某一产品的销量占总体销售量的占比，用户留存率，这些都是相对数，我们观察它们的变化来得出一些结论，哪一天的平均阅读率 ，哪一天用户的留存率 ，等等。
如下图，不同注册渠道每日注册人数的对比就属于绝对数对比，本年和上年的平均阅读率的对比就是相对数对比。
（2)怎么比，分为环比和同比
一般而言，环比和同比经常同时出现，比如年中国居民消费价格指数.9(上年=)，同比增长0.78%。
环比：常见的环比有日环比，月环比，年环比，表示连续2个统计周期（比如连续两月）内的量的变化比。环比增长率=（本期数-上期数）/上期数×%。如下表1所示，年1-12月各月汽车销量环比增长情况：可见年12月份汽车的销售量环比增长了12%，计算方法为(-)/×%=14%
表一年汽车销量环比变化情况同比：常见的同比有周同比、月同比、年同比，同比一般情况下是今年第n月与去年第n月比，主要用于观察更长期的数据集，消除短期数据的干扰。如下表2所示，年1-12月各月汽车销量同比增长情况：可见年1月份汽车的销售量同比增长了7%，计算方法为(-)*/=7%。
表二年汽车销量同比变化情况(3)和谁比，分为和自己比、和行业比
和自己比，可以从不同的时间维度、不同产品、不同渠道、不同地区等不同维度，跟自己比较，挖掘哪些产品的销售量 ，哪种渠道的销量 。
和行业比，通过将自身与行业的平均值对比，可以观察分析得出是本身的销售量提高或下降，还是整个行业的变化趋势也是如此。
分类法
分类法是将数据划分不同部分，使数据得到整理，将性质相同在同条件下的数据归在一起，从而将整体分为若干部分，分别加以研究。分类法是一种比较常见的数据分析方法，基本上只要涉及到数据分析，都会有分类法在其中。
一般在业务数据中，有以下几种分类情况：
1）直接用于分类的属性数据
例如地区，性别，年龄等
如下图中对某汽车品牌的分类分析中，就用到不同性别、年龄段以及品牌的购车者的分布情况。
2）对属性数据的再定义
有时候我们也需要根据一些属性信息重新定义类型，如细分地区可以汇总进行大区的划分，从而形成新的可以分类的属性数据。但是这部分数据视业务需求和数据而定。
如下图中某汽车品牌在进行裂变营销后对不同种子用户产生的裂变级别进行分析，在原始数据中是一个逐级增加的数值型数据，但是考虑到实际业务场景，对原始数据裂变级别进行如下划分，增强可读性和可理解性。
3）对数值数据进行分类
将数据划分为几个性质不同的部分，分析数据的分布特征和内部联系。
如下图中某汽车品牌对其车辆的价值进行了A，B，C，D的划分，分析年1月份不同分类价值对应的车辆数，原来的车辆价值是一个连续性的数值型数据，但是经过分类后，方便分析人员进行数据统计，同时也方便业务人员的数据查询和理解。
4）多维数据分类,也就是交叉分析
如下图，如果将上述分析的时间维度扩展到年至今所有月份时就会变成在车辆截止分类和时间维度上分类的综合分析。横向可以观察不同车辆价值分类的车辆数在不同月份的分布，纵向可以看在同一个月中不同车辆分类下的车辆数分布。这种分析角度可拓宽分析角度，方便业务人员多角度对问题进行剖析，对分析很有用。
通过上面的介绍可以发现，分类法很好用，并且经常用到，当要分析一个业务目标时，可以从不同方面进行分析，并且在不同方面中进行细分成不同分类进行业务剖析，这样可以有效定位到细节层面，帮助更好地发现问题，解决问题。
拆分法
也叫钻取分析法，其实是将一个问题进行拆分，此种拆分既可以是从下往上拆分也可以是从上往下拆分。往上的拆分是将细颗粒度问题综合往上到更高或更粗的颗粒度，站在更高角度去看结果，这样的好处是看到细颗粒度的数据对整体的影响，可以帮助从更加宏观的角度发现问题，以及设计相应结局方案。此方法一般用于结果汇报或者给更高层级人员看结果时候使用。往下拆分其实是采用总分方法，将粗颗粒度问题拆解到更细颗粒度，通过层层拆分方法，是用户对数据更了解，更容易发现问题。此方法一般用于从宏观角度发现问题，需要对问题进行细分来发现最根本原因。
从下往上拆分：比如现一个家具店有所有产品类型对应的销售额，但是由于细分种类太多，业务没法从中发现规律。
因此分析人员按照细分种类产品将其按照对应的产品大类进行汇总输出对应大类的销售额。
此时业务人员很直观看出家具类产品对应的销售额 ，表现 ，比在细分维度上看结果更加直观。
从上往下拆分：还是上面的案例，例如家具老板在看年年度业绩报告的时候，在首页中发现发现山东地区销售额 。
领导想了解下山东地区为何成为销售额 ， 的产品是什么，通过下钻到山东地区对应的产品销售额发现，家具类产品在过去三年的销售额 。
通过细分家具类产品可以看到，家具类在6月份的销售额明显高于其他月份。
通过细分我们发现原来家具中书架在6月份的销售额明显比其它家具类产品要多，且比书架在其它月份的销售额高。
通过对6月份书架拆分看到，书架中的Safco古典书架、金属这一品牌销售额明显高于其他产品。
考虑到对业务有明显营销的区域影响，我们看了山东省下面所有地区的书架中和细分品牌在不同地区的销售额，发现临清地区Safco古典书架、金属卖得 。
于是领导找到市场部询问，才发现原来品牌对临清地区在年6月份针对Safco古典书架,金属细分产品做了一次大促销，导致销售额明显好于其他地区和时间。由上面案例可以看出，拆分法可以用在多个场景下，并且拆分的角度和粗细度也不同。
流程分析法（漏斗分析法）
流程分析法有些地方也叫漏斗分析法，该方法用于观察达到某个目标任务前的流程描述，以及流程间转化情况，通常用来反应整个流程的健康度，而不是仅仅
转载请注明：http://www.0431gb208.com/sjszlff/2389.html
