数据分析的顶级方法是什么？

在数据驱动的商业时代，数据分析已经成为企业决策的重要工具。然而，面对许多复杂的数据分析方法，如何选择合适的工具来解决实际的业务问题已经成为一个挑战。

同学们常常疑惑：

"什么是顶级的数据分析方法"

“面试的时候，有人问：用过什么方法，怎么回答？ ? "

"为什么我所说的分析方法，会被人嫌弃简单？"

今日系统盘点数据分析方法，大家也罢不懂装懂，看看自己说的水平如何。

第一，不是名字带“分析”二字，而是数据分析方法。很多 XX 分析是统计、运筹、数学的专业工具，并不直接指向业务问题的答案。当人们问“有哪些分析方法”时，他们期望听到一种可以给出结论的方法。

因此要回答好这个问题，要回答：数据分析到底应该处理哪些业务问题。

就商业用途而言，数据分析可以解决问题 5 大类问题

1、多少(数据描述)

2、是什么(建立数据标准)

3、为什么(探索问题的原因)

4、会怎样(预测业务趋势)

5、怎样(综合考虑)？

围绕每一个问题场景，有特定的方法组合(如下图所示)

第一，处理“多少”的方法？

有必要建立一个完善的数据指标系统来描述数据。要建立一个数据指标系统，我们需要对数据指标之间的思维进行梳理。数据指标之间有两个基本思路:串行逻辑和并行逻辑，从而衍生出两种基本的分析方法:漏斗分析 & 指标拆解法。

拆解业务较多，人们发现，某些数据指标可以固定组合使用，例如：

使用者操作场景：AARRR 指标、RFM 指标

零售商店情景：人、货、场指标

产品管理情景：进、销、存指标。

这就是所谓的习惯性：分析模型。

但是注意，这些只是在显示数据。

数据 判断标准，才能得出分析结论。有关判断标准的分析，即：是什么样的问题。

二是处理“是什么”问题的方法？

判断标准可以很简单，比如领导的指示，KPI 要求和过去同期的数据都可以作为标准。这些统称为简单标准。然而，在许多情况下，没有明确的指标趋势。 KPI 约束，甚至 KPI 达到标准，但趋势奇特，领导还是会觉得有问题。此时需要寻找其它参考。所以衍生出一系列的分析方法。

例如：

与业务本身的规律相比，判断优缺点:生命周期法、自然周期法

与同类型、同期发展的业务对比：同期群分析法

对比相关业务个人：分层分析法

这种对比，即使只有 1 一个数据指标，也可以得到优劣的判断。假如市场扩张违反了过去的规律，确实比其他个人差，可以判断为：不好。

当然，也可以使用 2 一个指标，比如经典的矩阵分析法，通过两个指标交叉。 两个指标平均，分为四类业务，从而得出优劣判断。

假如使用更多的指标，比如常用的指标。 Kmean 聚类，可以先用多个指标对业务个人进行聚类，然后再看各种类型之间的表现。

以上这些方法，都可以把生意做好。 / 区分不良，进而在一定程度上帮助判断。

处理“为什么”问题的方法三、

"分析一下这个问题是什么原因造成的…"这是一个常见的要求，这就是“为什么”。

解决问题有两个基本思路：

1. 结果推断：问题发生后，利用各种数据寻找差异，建立假设。

例如：常见的，例如：

结构分析法：通过结构分析，找出问题的发生点。

标记分析方法：通过标记，进行个人比较，找出问题的原因。

相关分析方法：通过计算指标的相关关系，找出相关指标，然后形成假设

MECE 法律：讲多种商业假设， MECE 原则合并为分析逻辑，逐一验证

结果可以推断出业务口中的“我认为这是 XX 原因“，抽象成一个可以通过数据验证的假设，所以适用范围很广。但是结果推断只是单方面总结结果，可能会有偏差，需要实验验证。

2. 试验推断：先有假设，然后通过试验 / 分组比较，验证假设。

常用的方法包括 ABtest、DID、PSM、RDD、Uplift 等方法。

这几种方法更接近传统统计学的实验，大部分要求：

进行数据测试，验证假设

设参考组 / 实验组，并参考组 / 实验组的特点相似

调节变量、环境变量的区别，重点测量调节变量的影响

实验推断有统计依据，计算步骤复杂，看起来更加量化。但对实验条件的要求太高，比如大促销。 ALL in 无法控制环境的业务，如商品、商店等需求场景，如业务员行为、内容传播等难以收集数据的行业，都很难使用。

理想状态，必须是两者的结合，事实 - 假设 - 验证，不断循环，接近真相。但是现实中有很多条件。结果，我们只能从一个角度切入，慢慢接近真相。第四，如何处理“会发生什么”的问题

预测问题，是每个人都感兴趣的话题，也是统计学。 / 算法最有可能发挥作用的地方。唯一有限的方法是:有多少数据？ & 业务人员是否应该参与。

如果业务人员坚持参与预测过程，只能使用业务假设法或滚动预测法，列出所有影响结果的参数值，方便业务人员拍脑袋，帮助他们明确:我想做多少？

如果业务人员不参与，视数据量而定。如果数据较少，则使用时间序列进行预测。如果数据较多，并且有影响结果的原因，则可以使用回归模型等算法进行预测。

处理“又怎样”问题的方法？

综合评价和分配问题，俗称“怎么做”。这是决策的最后一步，决定是否做生意，做多少动作。有些简单的评价很容易，比如销售签了生死，达不到业绩目标就解雇。

但是在大多数情况下，评价非常复杂，需要考虑各个方面。这里最大的区别在于是否要考虑领导的主观意见。如果你想，果断使用主观评分法！满足领导的评分欲望是第一位的。如果没有，考虑使用有监督的机器学习算法或因素分析法。DEA 法律(求相对效率)等客观方法。

对于:做多少，谁来做。这是一个更复杂的问题。想要做好分配，首先要完成前几步的分析，对每条业务线的基本能力有深刻的了解，然后才能做出判断。在这里，线性规划的方法可以用来支持。

为什么感觉没有用上方法？

综上所述，数据分析的方法有很多。但是为什么很多学生觉得自己没有用上方法呢？因为每种方法都与需求场景、领导风格、数据质量密切相关。

比如因果推断算法多以分组检测为基础，而在实际业务中，很多因果分析都是以后再查原因，也不给二次实验机会。

举例来说，许多公司的分配方案，根本就是领导拍脑袋，一言堂，根本没有机会让分析师使用算法。

举例来说，预测问题，许多企业根本没有足够的数据积累，只有一个销售数据，那么撑死也只能用时间序列法。

这种理想和现实的差距让很多学生非常痛苦。一方面，我不知道如何使用这些方法，另一方面，我不知道如何应对项目需求。面试和工作都很困难。

本文由产品经理作者【接地气的陈老师】、微信微信官方账号:【接地气的陈老师】、原创。 / 授权 发布于每个人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com