正文

數(shù)據(jù)分析有幾種方法（數(shù)據(jù)分析有幾種方法）

發(fā)布時(shí)間：2023-03-17 10:44:52 稿源：創(chuàng)意嶺閱讀： 973 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于數(shù)據(jù)分析有幾種方法的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

1、數(shù)據(jù)分析的六種基本分析方法
2、16種常用的數(shù)據(jù)分析方法匯總
3、三種數(shù)據(jù)分析方法
4、論文數(shù)據(jù)分析方法有哪些

數(shù)據(jù)分析有幾種方法（數(shù)據(jù)分析有幾種方法）

一、數(shù)據(jù)分析的六種基本分析方法

數(shù)據(jù)分析的六種基本分析方法：

1、對(duì)比分析法：常用于對(duì)縱向的、橫向的、最為突出的、計(jì)劃與實(shí)際的等各種相關(guān)數(shù)據(jù)的。例如：今年與去年同期工資收入的增長(zhǎng)情況、3月CPI環(huán)比增長(zhǎng)情況等。

2、趨勢(shì)分析法：常用于在一段時(shí)間周期內(nèi)，通過分析數(shù)據(jù)運(yùn)行的變化趨勢(shì)（上升或下降），為未來的發(fā)展方向提供幫助。例如：用電量的季節(jié)性波動(dòng)、股市的漲跌趨勢(shì)等。

3、相關(guān)分析法：常用于分析兩個(gè)或多個(gè)變量之間的性質(zhì)以及相關(guān)程度。例如：氣溫與用電量的相關(guān)性、運(yùn)動(dòng)量大小與體重的相關(guān)性等。

4、回歸分析法：常用于分析一個(gè)或多個(gè)自變量的變化對(duì)一個(gè)特定因變量的影響程度，從而確定其關(guān)系。例如：氣溫、用電設(shè)備、用電時(shí)長(zhǎng)等因素對(duì)用電量數(shù)值大小的影響程度、工資收入的高低對(duì)生活消費(fèi)支出大小的影響程度等。

5、描述性分析法：常用于對(duì)一組數(shù)據(jù)樣本的各種特征進(jìn)行分析，以便于描述樣本的各種及其所代表的總體的特征。例如：本月日平均用電量、上海市工資收入中位數(shù)等。

6、結(jié)構(gòu)分析法：常用于分析數(shù)據(jù)總體的內(nèi)部特征、性質(zhì)和變化規(guī)律等。例如：各部分用電量占總用電的比重、生活消費(fèi)支出構(gòu)成情況等。

二、16種常用的數(shù)據(jù)分析方法匯總

一、描述統(tǒng)計(jì)

描述性統(tǒng)計(jì)是指運(yùn)用制表和分類，圖形以及計(jì)筠概括性數(shù)據(jù)來描述數(shù)據(jù)的集中趨勢(shì)、離散趨勢(shì)、偏度、峰度。

1、缺失值填充：常用方法：剔除法、均值法、最小鄰居法、比率回歸法、決策樹法。

2、正態(tài)性檢驗(yàn)：很多統(tǒng)計(jì)方法都要求數(shù)值服從或近似服從正態(tài)分布，所以之前需要進(jìn)行正態(tài)性檢驗(yàn)。常用方法：非參數(shù)檢驗(yàn)的K-量檢驗(yàn)、P-P圖、Q-Q圖、W檢驗(yàn)、動(dòng)差法。

二、假設(shè)檢驗(yàn)

1、參數(shù)檢驗(yàn)

參數(shù)檢驗(yàn)是在已知總體分布的條件下（一股要求總體服從正態(tài)分布）對(duì)一些主要的參數(shù)(如均值、百分?jǐn)?shù)、方差、相關(guān)系數(shù)等）進(jìn)行的檢驗(yàn) 。

1）U驗(yàn) 使用條件：當(dāng)樣本含量n較大時(shí)，樣本值符合正態(tài)分布

2）T檢驗(yàn) 使用條件：當(dāng)樣本含量n較小時(shí)，樣本值符合正態(tài)分布

A 單樣本t檢驗(yàn)：推斷該樣本來自的總體均數(shù)μ與已知的某一總體均數(shù)μ0 (常為理論值或標(biāo)準(zhǔn)值)有無差別；

B 配對(duì)樣本t檢驗(yàn)：當(dāng)總體均數(shù)未知時(shí)，且兩個(gè)樣本可以配對(duì)，同對(duì)中的兩者在可能會(huì)影響處理效果的各種條件方面扱為相似；

C 兩獨(dú)立樣本t檢驗(yàn)：無法找到在各方面極為相似的兩樣本作配對(duì)比較時(shí)使用。

2、非參數(shù)檢驗(yàn)

非參數(shù)檢驗(yàn)則不考慮總體分布是否已知，常常也不是針對(duì)總體參數(shù)，而是針對(duì)總體的某些一股性假設(shè)（如總體分布的位罝是否相同，總體分布是否正態(tài)）進(jìn)行檢驗(yàn)。

適用情況：順序類型的數(shù)據(jù)資料，這類數(shù)據(jù)的分布形態(tài)一般是未知的。

A 雖然是連續(xù)數(shù)據(jù)，但總體分布形態(tài)未知或者非正態(tài)；

B 體分布雖然正態(tài)，數(shù)據(jù)也是連續(xù)類型，但樣本容量極小，如10以下；

主要方法包括：卡方檢驗(yàn)、秩和檢驗(yàn)、二項(xiàng)檢驗(yàn)、游程檢驗(yàn)、K-量檢驗(yàn)等。

三、信度分析

檢査測(cè)量的可信度，例如調(diào)查問卷的真實(shí)性。

分類：

1、外在信度：不同時(shí)間測(cè)量時(shí)量表的一致性程度，常用方法重測(cè)信度

2、內(nèi)在信度；每個(gè)量表是否測(cè)量到單一的概念，同時(shí)組成兩表的內(nèi)在體項(xiàng)一致性如何，常用方法分半信度。

四、列聯(lián)表分析

用于分析離散變量或定型變量之間是否存在相關(guān)。

對(duì)于二維表，可進(jìn)行卡方檢驗(yàn)，對(duì)于三維表，可作Mentel-Hanszel分層分析。

列聯(lián)表分析還包括配對(duì)計(jì)數(shù)資料的卡方檢驗(yàn)、行列均為順序變量的相關(guān)檢驗(yàn)。

五、相關(guān)分析

研究現(xiàn)象之間是否存在某種依存關(guān)系，對(duì)具體有依存關(guān)系的現(xiàn)象探討相關(guān)方向及相關(guān)程度。

1、單相關(guān)：兩個(gè)因素之間的相關(guān)關(guān)系叫單相關(guān)，即研究時(shí)只涉及一個(gè)自變量和一個(gè)因變量；

2、復(fù)相關(guān) ：三個(gè)或三個(gè)以上因素的相關(guān)關(guān)系叫復(fù)相關(guān)，即研究時(shí)涉及兩個(gè)或兩個(gè)以上的自變量和因變量相關(guān)；

3、偏相關(guān)：在某一現(xiàn)象與多種現(xiàn)象相關(guān)的場(chǎng)合，當(dāng)假定其他變量不變時(shí)，其中兩個(gè)變量之間的相關(guān)關(guān)系稱為偏相關(guān)。

六、方差分析

使用條件：各樣本須是相互獨(dú)立的隨機(jī)樣本；各樣本來自正態(tài)分布總體；各總體方差相等。

分類

1、單因素方差分析：一項(xiàng)試驗(yàn)只有一個(gè)影響因素，或者存在多個(gè)影響因素時(shí)，只分析一個(gè)因素與響應(yīng)變量的關(guān)系

2、多因素有交互方差分析：一頊實(shí)驗(yàn)有多個(gè)影響因素，分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，同時(shí)考慮多個(gè)影響因素之間的關(guān)系

3、多因素?zé)o交互方差分析：分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，但是影響因素之間沒有影響關(guān)系或忽略影響關(guān)系

4、協(xié)方差分祈：傳統(tǒng)的方差分析存在明顯的弊端，無法控制分析中存在的某些隨機(jī)因素，使之影響了分祈結(jié)果的準(zhǔn)確度。協(xié)方差分析主要是在排除了協(xié)變量的影響后再對(duì)修正后的主效應(yīng)進(jìn)行方差分析，是將線性回歸與方差分析結(jié)合起來的一種分析方法，

七、回歸分析

分類：

1、一元線性回歸分析：只有一個(gè)自變量X與因變量Y有關(guān)，X與Y都必須是連續(xù)型變量，因變量y或其殘差必須服從正態(tài)分布。

2、多元線性回歸分析

使用條件：分析多個(gè)自變量與因變量Y的關(guān)系，X與Y都必須是連續(xù)型變量，因變量y或其殘差必須服從正態(tài)分布。

1）變呈篩選方式：選擇最優(yōu)回歸方程的變里篩選法包括全橫型法（CP法）、逐步回歸法，向前引入法和向后剔除法

2）橫型診斷方法：

A 殘差檢驗(yàn)：觀測(cè)值與估計(jì)值的差值要艱從正態(tài)分布

B 強(qiáng)影響點(diǎn)判斷：尋找方式一般分為標(biāo)準(zhǔn)誤差法、Mahalanobis距離法

C 共線性診斷：

診斷方式：容忍度、方差擴(kuò)大因子法(又稱膨脹系數(shù)VIF)、特征根判定法、條件指針CI、方差比例

處理方法：增加樣本容量或選取另外的回歸如主成分回歸、嶺回歸等

3、Logistic回歸分析

線性回歸模型要求因變量是連續(xù)的正態(tài)分布變里，且自變量和因變量呈線性關(guān)系，而Logistic回歸模型對(duì)因變量的分布沒有要求，一般用于因變量是離散時(shí)的情況

分類：

Logistic回歸模型有條件與非條件之分，條件Logistic回歸模型和非條件Logistic回歸模型的區(qū)別在于參數(shù)的估計(jì)是否用到了條件概率。

4、其他回歸方法非線性回歸、有序回歸、Probit回歸、加權(quán)回歸等

八、聚類分析

樣本個(gè)體或指標(biāo)變量按其具有的特性進(jìn)行分類，尋找合理的度量事物相似性的統(tǒng)計(jì)量。

1、性質(zhì)分類：

Q型聚類分析：對(duì)樣本進(jìn)行分類處理，又稱樣本聚類分祈使用距離系數(shù)作為統(tǒng)計(jì)量衡量相似度，如歐式距離、極端距離、絕對(duì)距離等

R型聚類分析：對(duì)指標(biāo)進(jìn)行分類處理，又稱指標(biāo)聚類分析使用相似系數(shù)作為統(tǒng)計(jì)量衡量相似度，相關(guān)系數(shù)、列聯(lián)系數(shù)等

2、方法分類：

1）系統(tǒng)聚類法：適用于小樣本的樣本聚類或指標(biāo)聚類，一般用系統(tǒng)聚類法來聚類指標(biāo)，又稱分層聚類

2）逐步聚類法：適用于大樣本的樣本聚類

3）其他聚類法：兩步聚類、K均值聚類等

九、判別分析

1、判別分析：根據(jù)已掌握的一批分類明確的樣品建立判別函數(shù)，使產(chǎn)生錯(cuò)判的事例最少，進(jìn)而對(duì)給定的一個(gè)新樣品，判斷它來自哪個(gè)總體

2、與聚類分析區(qū)別

1）聚類分析可以對(duì)樣本逬行分類，也可以對(duì)指標(biāo)進(jìn)行分類；而判別分析只能對(duì)樣本

2）聚類分析事先不知道事物的類別，也不知道分幾類；而判別分析必須事先知道事物的類別，也知道分幾類

3）聚類分析不需要分類的歷史資料，而直接對(duì)樣本進(jìn)行分類；而判別分析需要分類歷史資料去建立判別函數(shù)，然后才能對(duì)樣本進(jìn)行分類

3、進(jìn)行分類：

1）Fisher判別分析法：

以距離為判別準(zhǔn)則來分類，即樣本與哪個(gè)類的距離最短就分到哪一類，適用于兩類判別；

以概率為判別準(zhǔn)則來分類，即樣本屬于哪一類的概率最大就分到哪一類，適用于

適用于多類判別。

2）BAYES判別分析法：

BAYES判別分析法比FISHER判別分析法更加完善和先進(jìn)，它不僅能解決多類判別分析，而且分析時(shí)考慮了數(shù)據(jù)的分布狀態(tài)，所以一般較多使用；

十、主成分分析

將彼此梠關(guān)的一組指標(biāo)變適轉(zhuǎn)化為彼此獨(dú)立的一組新的指標(biāo)變量，并用其中較少的幾個(gè)新指標(biāo)變量就能綜合反應(yīng)原多個(gè)指標(biāo)變量中所包含的主要信息。

十一、因子分析

一種旨在尋找隱藏在多變量數(shù)據(jù)中、無法直接觀察到卻影響或支配可測(cè)變量的潛在因子、并估計(jì)潛在因子對(duì)可測(cè)變量的影響程度以及潛在因子之間的相關(guān)性的一種多元統(tǒng)計(jì)分析方法

與主成分分析比較：

相同：都能夠起到済理多個(gè)原始變量?jī)?nèi)在結(jié)構(gòu)關(guān)系的作用

不同：主成分分析重在綜合原始變適的信息.而因子分析重在解釋原始變量間的關(guān)系，是比主成分分析更深入的一種多元統(tǒng)計(jì)方法

用途：

1）減少分析變量個(gè)數(shù)

2）通過對(duì)變量間相關(guān)關(guān)系探測(cè)，將原始變量進(jìn)行分類

十二、時(shí)間序列分析

動(dòng)態(tài)數(shù)據(jù)處理的統(tǒng)計(jì)方法，研究隨機(jī)數(shù)據(jù)序列所遵從的統(tǒng)計(jì)規(guī)律，以用于解決實(shí)際問題；時(shí)間序列通常由4種要素組成：趨勢(shì)、季節(jié)變動(dòng)、循環(huán)波動(dòng)和不規(guī)則波動(dòng)。

主要方法：移動(dòng)平均濾波與指數(shù)平滑法、ARIMA橫型、量ARIMA橫型、ARIMAX模型、向呈自回歸橫型、ARCH族模型

十三、生存分析

用來研究生存時(shí)間的分布規(guī)律以及生存時(shí)間和相關(guān)因索之間關(guān)系的一種統(tǒng)計(jì)分析方法

1、包含內(nèi)容：

1）描述生存過程，即研究生存時(shí)間的分布規(guī)律

2）比較生存過程，即研究?jī)山M或多組生存時(shí)間的分布規(guī)律，并進(jìn)行比較

3）分析危險(xiǎn)因素，即研究危險(xiǎn)因素對(duì)生存過程的影響

4）建立數(shù)學(xué)模型，即將生存時(shí)間與相關(guān)危險(xiǎn)因素的依存關(guān)系用一個(gè)數(shù)學(xué)式子表示出來。

2、方法：

1）統(tǒng)計(jì)描述：包括求生存時(shí)間的分位數(shù)、中數(shù)生存期、平均數(shù)、生存函數(shù)的估計(jì)、判斷生存時(shí)間的圖示法，不對(duì)所分析的數(shù)據(jù)作出任何統(tǒng)計(jì)推斷結(jié)論

2）非參數(shù)檢驗(yàn)：檢驗(yàn)分組變量各水平所對(duì)應(yīng)的生存曲線是否一致，對(duì)生存時(shí)間的分布沒有要求，并且檢驗(yàn)危險(xiǎn)因素對(duì)生存時(shí)間的影響。

A 乘積極限法（PL法）

B 壽命表法(LT法)

3）半?yún)?shù)橫型回歸分析：在特定的假設(shè)之下，建立生存時(shí)間隨多個(gè)危險(xiǎn)因素變化的回歸方程，這種方法的代表是Cox比例風(fēng)險(xiǎn)回歸分析法

4）參數(shù)模型回歸分析：已知生存時(shí)間服從特定的參數(shù)橫型時(shí)，擬合相應(yīng)的參數(shù)模型，更準(zhǔn)確地分析確定變量之間的變化規(guī)律

十四、典型相關(guān)分析

相關(guān)分析一般分析兩個(gè)變里之間的關(guān)系，而典型相關(guān)分析是分析兩組變里（如3個(gè)學(xué)術(shù)能力指標(biāo)與5個(gè)在校成績(jī)表現(xiàn)指標(biāo)）之間相關(guān)性的一種統(tǒng)計(jì)分析方法。

典型相關(guān)分析的基本思想和主成分分析的基本思想相似，它將一組變量與另一組變量之間單變量的多重線性相關(guān)性研究轉(zhuǎn)化為對(duì)少數(shù)幾對(duì)綜合變量之間的簡(jiǎn)單線性相關(guān)性的研究，并且這少數(shù)幾對(duì)變量所包含的線性相關(guān)性的信息幾乎覆蓋了原變量組所包含的全部相應(yīng)信息。

十五、R0C分析

R0C曲線是根據(jù)一系列不同的二分類方式(分界值或決定閾）.以真陽性率（靈敏度)為縱坐標(biāo)，假陽性率（1-特異度)為橫坐標(biāo)繪制的曲線

用途：

1、R0C曲線能很容易地査出任意界限值時(shí)的對(duì)疾病的識(shí)別能力

用途

2、選擇最佳的診斷界限值。R0C曲線越靠近左上角，試驗(yàn)的準(zhǔn)確性就越高；

3、兩種或兩種以上不同診斷試驗(yàn)對(duì)疾病識(shí)別能力的比較，一股用R0C曲線下面積反映診斷系統(tǒng)的準(zhǔn)確性。

十六、其他分析方法

多重響應(yīng)分析、距離分祈、項(xiàng)目分祈、對(duì)應(yīng)分祈、決策樹分析、神經(jīng)網(wǎng)絡(luò)、系統(tǒng)方程、蒙特卡洛模擬等。

三、三種數(shù)據(jù)分析方法

首先，常見的數(shù)據(jù)分析方法有9種：對(duì)比分析，多維度拆解分析，漏斗觀察，分布分析，用戶留存分析，用戶畫像，歸因查找，路徑挖掘，行為序列分析。

這里將重點(diǎn)展開分享前三種數(shù)據(jù)分析方法：對(duì)比分析，多維度拆解分析，漏斗觀察。

1、對(duì)比分析

對(duì)比分析是最基礎(chǔ)最常見的數(shù)據(jù)分析方法，能直觀的看出事物某階段的變化，并且可以準(zhǔn)確、量化地表達(dá)出這種變化/差距是多少，重點(diǎn)從「比什么」「怎么比」「跟誰比」三個(gè)維度進(jìn)行分析。

（1）比什么

比什么，分為絕對(duì)值（#）和比例值（%）的比較。

絕對(duì)值本身已是具備“價(jià)值”的數(shù)據(jù)，比如銷售金額2000元，閱讀數(shù)10000萬，單看數(shù)字不易得知問題的嚴(yán)重程度；

比例值只有在具體環(huán)境中看比例才具備對(duì)比價(jià)值，比如活躍占比，注冊(cè)轉(zhuǎn)化率，單看比例值容易受到極端值的影響。

（2）怎么比

怎么比，分為環(huán)比和同比。

常見的環(huán)比有日環(huán)比，月環(huán)比，是指與當(dāng)前時(shí)間范圍相鄰的上一個(gè)時(shí)間范圍對(duì)比，主要用于對(duì)短期內(nèi)具備連續(xù)性的數(shù)據(jù)進(jìn)行分析，如指標(biāo)設(shè)定；

常見的同比有周同比，年同比，是指與當(dāng)前時(shí)間范圍上層時(shí)間范圍的前一范圍中同樣位置進(jìn)行數(shù)據(jù)對(duì)比分析，主要用于觀察更長(zhǎng)期的數(shù)據(jù)集，消除短期數(shù)據(jù)的干擾。

（3）和誰比

和誰比，分為和自己比、和行業(yè)比。

和自己比，可以從不同的時(shí)間維度，不同的業(yè)務(wù)線，過往經(jīng)驗(yàn)估計(jì)，跟自己比較；

和行業(yè)比，可以觀察分析得出是自身因素，還是行業(yè)趨勢(shì)，比如都跌的時(shí)候，能否比同行跌的少？都漲的時(shí)候，能都比同行漲的快？

現(xiàn)在回到上面這條「飛豬公關(guān)數(shù)據(jù)」“放假消息公布以后，10點(diǎn)到12點(diǎn)，國(guó)內(nèi)機(jī)票的預(yù)定量，比上周同時(shí)段增長(zhǎng)超過50%；國(guó)際機(jī)票的增長(zhǎng)更加驚人，超過了150%?！?#160;

很顯然，

“50%，150%”都是比例值；

“比上周同時(shí)段增長(zhǎng)...”由于是#五一放假4天#消息導(dǎo)致的數(shù)據(jù)短期內(nèi)連續(xù)上漲，所以選擇的是周同比；

“國(guó)內(nèi)機(jī)票的預(yù)定…國(guó)際機(jī)票...”飛豬是在跟自己比，若有行業(yè)數(shù)據(jù)公布作為依據(jù)，可以判斷飛豬是比同行漲的快/慢。

2、多維度拆解

多維度拆解，是最重要的一種思維方式，一個(gè)單一指標(biāo)是不具備分析價(jià)值的，我們需要從多個(gè)維度進(jìn)行拆解分析才有意義，最終以獲得更加全面的數(shù)據(jù)洞察。

數(shù)據(jù)分析的本質(zhì)是用不同的視角去拆分，觀察同一數(shù)據(jù)指標(biāo)。多維度拆解的本質(zhì)多維度拆分指標(biāo)/業(yè)務(wù)流程，來觀察數(shù)據(jù)變動(dòng)。

多維度拆解的適用場(chǎng)景：

（1）分析單一指標(biāo)的構(gòu)成、比例時(shí) ，比如分欄目的播放量、新老用戶比例；

（2）針對(duì)流程進(jìn)行拆解，比如不同渠道的瀏覽、購(gòu)買轉(zhuǎn)化率，不同省份的活動(dòng)參與漏斗；

（3）還原行為發(fā)生時(shí)的場(chǎng)景，比如打賞主播的用戶的等級(jí)、性別、關(guān)注頻道，是否在WiFi或4G環(huán)境下。

現(xiàn)在回到第一個(gè)場(chǎng)景：“比如，某段時(shí)間公司做了一波網(wǎng)紅大V推廣，老板想看看推廣效果，你需要來個(gè)復(fù)盤分析…”

這時(shí)就需要用到多維度拆解分析方法，大致的分析思路這樣這樣：

（1）從APP啟動(dòng)事件來分析

按照設(shè)備類型查看，比如Android、iPhone…不同機(jī)型的啟動(dòng)情況；

按照啟動(dòng)來源來看，比如是從桌面、短信、PUSH…不同來源的啟動(dòng)情況；

按照城市等級(jí) 觀察，比如一線、二線、三線及以下…不同城市的啟動(dòng)情況；

按照新老用戶細(xì)分，比如總體、新用戶、老用戶...不同用戶群體的啟動(dòng)情況。

（2）從業(yè)務(wù)流程拆解

比如對(duì)于簡(jiǎn)單的“注冊(cè)——>下單——>支付”流程而言：

支付漏斗按照渠道查看，渠道可能分為百度、頭條、微信公眾號(hào)…

支付漏斗按照城市來看，城市可能分為一線、二線、三線及以下…

支付漏斗按照設(shè)備來看，設(shè)備可能分為Android、iPhone…

3、漏斗觀察

漏斗觀察的分析方法我們常見且熟悉，它的運(yùn)作原理是通過一連串向后影響的用戶行為來觀察目標(biāo)。

適用于有明確的業(yè)務(wù)流程和業(yè)務(wù)目標(biāo)的業(yè)務(wù)，不適用于沒有明確的業(yè)務(wù)流程、跳轉(zhuǎn)關(guān)系紛繁復(fù)雜的業(yè)務(wù)。

通過漏斗觀察核心業(yè)務(wù)流程的健康程度。

盤點(diǎn)一下在建立漏斗時(shí)容易掉的坑：

（1）首先漏斗觀察需要有一定的時(shí)間窗口，具體需要根據(jù)業(yè)務(wù)實(shí)際情況，選擇對(duì)應(yīng)的時(shí)間窗口。

按天觀察，適用于對(duì)用戶心智的影響只在短期內(nèi)有效的情況，比如一些短期活動(dòng)（當(dāng)前有效，倒計(jì)時(shí)設(shè)置等）；

按周觀察，適用于業(yè)務(wù)本身復(fù)雜，用戶決策成本高，需要跨日才能完成的情況，比如投資理財(cái)，開戶注資；

按月觀察，適用于用戶決策周期更長(zhǎng)的情況，比如裝修買房。

（2）其次漏斗觀察是有嚴(yán)格順序的，不可以用ABCDE（僅搜索途徑的數(shù)據(jù)）的漏斗，看ACE（包含分類、搜索、推薦位三條途徑的數(shù)據(jù)）的數(shù)據(jù) 。

（3）漏斗的計(jì)算單位可以基于用戶，也可以基于時(shí)間。

觀察用戶，是關(guān)心整個(gè)業(yè)務(wù)流程的推動(dòng)；

觀察事件，是關(guān)心某一步具體的轉(zhuǎn)化率，但無法獲知事件流轉(zhuǎn)的真實(shí)情況。

（4）結(jié)果指標(biāo)的數(shù)據(jù)不符合預(yù)期時(shí)，需要自查是否只有一個(gè)漏斗能夠觸達(dá)最終目標(biāo) ，也就是檢查下，是否出現(xiàn)第二個(gè)坑的情況。

四、案例分享——某款社交APP在國(guó)慶期間數(shù)據(jù)猛漲原因分析

場(chǎng)景是這樣，現(xiàn)在有一款匿名社交APP，類似于探探，數(shù)據(jù)范圍在 2018 年 9 月 1 日 - 10 月 14 日之間，其中在國(guó)慶期間數(shù)據(jù)猛漲，試分析其原因。

（1）首先定義“數(shù)據(jù)猛漲”

作為一款匿名社交產(chǎn)品，可以選擇觀察「注冊(cè)成功」事件。

由于產(chǎn)生行為數(shù)據(jù)的時(shí)間較短，所以最后選擇關(guān)注“注冊(cè)用戶數(shù)的日環(huán)比是否有比較大的增漲”，并按照「注冊(cè)成功」事件的「觸發(fā)用戶數(shù)」進(jìn)行查看：

（2）發(fā)現(xiàn)異常定位問題

從上面這張注冊(cè)成功的觸發(fā)用戶數(shù)折線圖可以看出，國(guó)慶期間的注冊(cè)用戶日環(huán)比存在較高的數(shù)據(jù)增長(zhǎng)差，就是折線右側(cè)出現(xiàn)的一段高峰。

由此判斷，國(guó)慶期間由于某種原因造成了注冊(cè)用戶數(shù)的大幅增長(zhǎng)，具體原因，待進(jìn)一步拆解分析。

（3）多維度拆解分析

按照操作系統(tǒng)區(qū)分觀察，可以發(fā)現(xiàn)Android的漲幅明顯高于iOS，iOS稍有漲幅，但漲幅不明顯。

這一步仍無法直接定位問題，需進(jìn)一步拆解分析。

上圖按照注冊(cè)方式觀察，微信、微博、手機(jī)號(hào)這三種注冊(cè)方式，在國(guó)慶期間均有漲幅且漲幅相似，可初步判斷注冊(cè)方式與此次數(shù)據(jù)異常無關(guān)。

上圖按照性別觀察，男生和女生在國(guó)慶期間均有漲幅，男生略高于女生，但仍無法直接定位問題，需進(jìn)一步拆解分析；

上圖按照年齡觀察，不同年齡層的用戶在國(guó)慶期間均有漲幅且漲幅相似，可初步判斷年齡與此次數(shù)據(jù)異常無關(guān)。

問題來了！按照省份觀察，上圖明顯看到有一根折現(xiàn)異常升高！

其實(shí)是海南省的日環(huán)比漲幅增高，除此之外，云南省的環(huán)比漲幅相較其他省份也明顯升高。

綜上觀察分析基本可以判斷，國(guó)慶期間數(shù)據(jù)猛漲，跟海南省、云南省的注冊(cè)用戶數(shù)大幅增長(zhǎng)有關(guān)，具體原因待進(jìn)一步拆解分析。

繼續(xù) 按照城市觀察，篩選條件設(shè)置為省份等于海南省，云南省，直觀看到麗江市、大理市、三亞市、?？谑袊?guó)慶期間數(shù)據(jù)猛漲。

綜合以上多維度分析發(fā)現(xiàn)，國(guó)慶期間數(shù)據(jù)猛漲，主要是由于麗江市、大理市、三亞市、?？谑?四個(gè)城市有明顯漲幅。

而這四個(gè)城市都屬于旅游城市，且數(shù)據(jù)增長(zhǎng)時(shí)期伴隨國(guó)慶假期。

于是猜測(cè)可能是，該款匿名社交產(chǎn)品在國(guó)慶期間，面向這四個(gè)熱門旅游目的地，做了推廣活動(dòng)，關(guān)于數(shù)據(jù)猛漲真實(shí)的具體原因，還需要與市場(chǎng)、運(yùn)營(yíng)、或負(fù)責(zé)增長(zhǎng)相關(guān)的同事溝通確認(rèn)。

四、論文數(shù)據(jù)分析方法有哪些

論文數(shù)據(jù)方法有多選題研究、聚類分析和權(quán)重研究三種。

1、多選題研究：多選題分析可分為四種類型包括：多選題、單選-多選、多選-單選、多選-多選。

2、聚類分析：聚類分析以多個(gè)研究標(biāo)題作為基準(zhǔn)，對(duì)樣本對(duì)象進(jìn)行分類。如果是按樣本聚類，則使用SPSSAU的進(jìn)階方法模塊中的“聚類”功能，系統(tǒng)會(huì)自動(dòng)識(shí)別出應(yīng)該使用K-means聚類算法還是K-prototype聚類算法。

3、權(quán)重研究：權(quán)重研究是用于分析各因素或指標(biāo)在綜合體系中的重要程度，最終構(gòu)建出權(quán)重體系。權(quán)重研究有多種方法包括：因子分析、熵值法、AHP層次分析法、TOPSIS、模糊綜合評(píng)價(jià)、灰色關(guān)聯(lián)等。

拓展資料：

一、回歸分析

在實(shí)際問題中，經(jīng)常會(huì)遇到需要同時(shí)考慮幾個(gè)變量的情況，比如人的身高與體重，血壓與年齡的關(guān)系，他們之間的關(guān)系錯(cuò)綜復(fù)雜無法精確研究，以致于他們的關(guān)系無法用函數(shù)形式表達(dá)出來。為研究這類變量的關(guān)系，就需要通過大量實(shí)驗(yàn)觀測(cè)獲得數(shù)據(jù)，用統(tǒng)計(jì)方法去尋找他們之間的關(guān)系，這種關(guān)系反映了變量間的統(tǒng)計(jì)規(guī)律。而統(tǒng)計(jì)方法之一就是回歸分析。

最簡(jiǎn)單的就是一元線性回歸，只考慮一個(gè)因變量y和一個(gè)自變量x之間的關(guān)系。例如，我們想研究人的身高與體重的關(guān)系，需要搜集大量不同人的身高和體重?cái)?shù)據(jù)，然后建立一個(gè)一元線性模型。接下來，需要對(duì)未知的參數(shù)進(jìn)行估計(jì)，這里可以采用最小二乘法。最后，要對(duì)回歸方程進(jìn)行顯著性檢驗(yàn)，來驗(yàn)證y是否隨著x線性變化。這里，我們通常采用t檢驗(yàn)。

二、方差分析

在實(shí)際工作中，影響一件事的因素有很多，人們希望通過實(shí)驗(yàn)來觀察各種因素對(duì)實(shí)驗(yàn)結(jié)果的影響。方差分析是研究一種或多種因素的變化對(duì)實(shí)驗(yàn)結(jié)果的觀測(cè)值是否有顯著影響，從而找出較優(yōu)的實(shí)驗(yàn)條件或生產(chǎn)條件的一種數(shù)理統(tǒng)計(jì)方法。

人們?cè)趯?shí)驗(yàn)中所觀察到的數(shù)量指標(biāo)稱為觀測(cè)值，影響觀測(cè)值的條件稱為因素，因素的不同狀態(tài)稱為水平，一個(gè)因素可能有多種水平。

在一項(xiàng)實(shí)驗(yàn)中，可以得到一系列不同的觀測(cè)值，有的是處理方式不同或條件不同引起的，稱為因素效應(yīng)。有的是誤差引起的，稱做實(shí)驗(yàn)誤差。方差分析的主要工作是將測(cè)量數(shù)據(jù)的總變異按照變異原因的不同分解為因素效應(yīng)和試驗(yàn)誤差，并對(duì)其作出數(shù)量分析，比較各種原因在總變異中所占的重要程度，作為統(tǒng)計(jì)推斷的依據(jù)。

例如，我們有四種不同配方下生產(chǎn)的元件，想判斷他們的使用壽命有無顯著差異。在這里，配方是影響元件使用壽命的因素，四種不同的配方成為四種水平?？梢岳梅讲罘治鰜砼袛唷?/p>

三、判別分析

判別分析是用來進(jìn)行分類的統(tǒng)計(jì)方法。我來舉一個(gè)判別分析的例子，想要對(duì)一個(gè)人是否有心臟病進(jìn)行判斷，可以取一批沒有心臟病的病人，測(cè)其一些指標(biāo)的數(shù)據(jù)，然后再取一批有心臟病的病人，測(cè)量其同樣指標(biāo)的數(shù)據(jù)，利用這些數(shù)據(jù)建立一個(gè)判別函數(shù)，并求出相應(yīng)的臨界值。

這時(shí)候，對(duì)于需要判別的病人，還是測(cè)量相同指標(biāo)的數(shù)據(jù)，將其帶入判別函數(shù)，求得判別得分和臨界值，即可判別此人是否屬于有心臟病的群體。

四、聚類分析

聚類分析同樣是用于分類的統(tǒng)計(jì)方法，它可以用來對(duì)樣品進(jìn)行分類，也可以用來對(duì)變量進(jìn)行分類。我們常用的是系統(tǒng)聚類法。首先，將n個(gè)樣品看成n類，然后將距離最近的兩類合并成一個(gè)新類，我們得到n-1類，再找出最接近的兩類加以合并變成n-2類，如此下去，最后所有的樣品均在一類，將上述過程畫成一張圖。在圖中可以看出分成幾類時(shí)候每類各有什么樣品。

比如，對(duì)中國(guó)31個(gè)省份的經(jīng)濟(jì)發(fā)展情況進(jìn)行分類，可以通過收集各地區(qū)的經(jīng)濟(jì)指標(biāo)，例如GDP，人均收入，物價(jià)水平等等，并進(jìn)行聚類分析，就能夠得到不同類別數(shù)量下是如何分類的。

五、主成分分析

主成分分析是對(duì)數(shù)據(jù)做降維處理的統(tǒng)計(jì)分析方法，它能夠從數(shù)據(jù)中提取某些公共部分，然后對(duì)這些公共部分進(jìn)行分析和處理。

在用統(tǒng)計(jì)分析方法研究多變量的課題時(shí)，變量個(gè)數(shù)太多就會(huì)增加課題的復(fù)雜性。人們自然希望變量個(gè)數(shù)較少而得到的信息較多。在很多情形，變量之間是有一定的相關(guān)關(guān)系的，當(dāng)兩個(gè)變量之間有一定相關(guān)關(guān)系時(shí)，可以解釋為這兩個(gè)變量反映此課題的信息有一定的重疊。

主成分分析是對(duì)于原先提出的所有變量，將重復(fù)的變量（關(guān)系緊密的變量）刪去多余，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而且這些新變量在反映課題的信息方面盡可能保持原有的信息。

最經(jīng)典的做法就是用F1（選取的第一個(gè)線性組合，即第一個(gè)綜合指標(biāo)）的方差來表達(dá)，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應(yīng)該是方差最大的，故稱F1為第一主成分。

如果第一主成分不足以代表原來P個(gè)指標(biāo)的信息，再考慮選取F2即選第二個(gè)線性組合，為了有效地反映原來信息，F(xiàn)1已有的信息就不需要再出現(xiàn)在F2中，用數(shù)學(xué)語言表達(dá)就是要求Cov(F1, F2)=0，則稱F2為第二主成分，依此類推可以構(gòu)造出第三、第四，……，第P個(gè)主成分。

六、因子分析

因子分析是主成分分析的推廣和發(fā)展，它也是多元統(tǒng)計(jì)分析中降維的一種方法。因子分析將多個(gè)變量綜合為少數(shù)幾個(gè)因子，以再現(xiàn)原始變量與因子之間的相關(guān)關(guān)系。

在主成分分析中，每個(gè)原始變量在主成分中都占有一定的分量，這些分量（載荷）之間的大小分布沒有清晰的分界線，這就造成無法明確表述哪個(gè)主成分代表哪些原始變量，也就是說提取出來的主成分無法清晰的解釋其代表的含義。

因子分析解決主成分分析解釋障礙的方法是通過因子軸旋轉(zhuǎn)。因子軸旋轉(zhuǎn)可以使原始變量在公因子（主成分）上的載荷重新分布，從而使原始變量在公因子上的載荷兩級(jí)分化，這樣公因子（主成分）就能夠用哪些載荷大的原始變量來解釋。以上過程就解決了主成分分析的現(xiàn)實(shí)含義解釋障礙。

例如，為了了解學(xué)生的學(xué)習(xí)能力，觀測(cè)了許多學(xué)生數(shù)學(xué)，語文，英語，物理，化學(xué)，生物，政治，歷史，地理九個(gè)科目的成績(jī)。為了解決這個(gè)問題，可以建立一個(gè)因子模型，用幾個(gè)互不相關(guān)的公共因子來代表原始變量。我們還可以根據(jù)公共因子在原始變量上的載荷，給公共因子命名。

例如，一個(gè)公共因子在英語，政治，歷史變量上的載荷較大，由于這些課程需要記憶的內(nèi)容很多，我們可以將它命名為記憶因子。以此類推，我們可以得到幾個(gè)能評(píng)價(jià)學(xué)生學(xué)習(xí)能力的因子，假設(shè)有記憶因子，數(shù)學(xué)推導(dǎo)因子，計(jì)算能力因子等。

接下來，可以計(jì)算每個(gè)學(xué)生的各個(gè)公共因子得分，并且根據(jù)每個(gè)公共因子的方差貢獻(xiàn)率，計(jì)算出因子總得分。通過因子分析，能夠?qū)W(xué)生各方面的學(xué)習(xí)能力有一個(gè)直觀的認(rèn)識(shí)。

七、典型相關(guān)分析

典型相關(guān)分析同樣是用于數(shù)據(jù)降維處理，它用來研究?jī)山M變量之間的關(guān)系。它分別對(duì)兩組變量提取主成分。從同一組內(nèi)部提取的主成分之間互不相關(guān)。用從兩組之間分別提取的主成分的相關(guān)性來描述兩組變量整體的線性相關(guān)關(guān)系。

以上就是關(guān)于數(shù)據(jù)分析有幾種方法相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。