九大数据分析方法-综合型分析方法以及如何使用这九大分析方法

本文来源，为接地气的陈老师的知识星球，以及付同学的观看笔记。

3 综合型分析方法

3.1 相关性分析法

相关性分析法：寻找指标之间关系的方法。 指标之间有两种关系：直接相关、间接相关

3.1.1 直接相关

直接相关关系是不言而喻的，不用分析。 在三种情况下直接相关：

1.整体与部分（结构分析法）； 2.主指标与子指标（指标拆解法）； 3.前后步骤指标（漏斗分析法）。

3.1.2 间接相关

间接相关，不等于真的有因果关系。 间接相关案例：

1.理论上有关系，实际上待验证。如： 广告投入 vs 业绩增长，理论上广告多了，用户会买的也多，但没有直接证据。 2.理论上模棱两可，实际上待验证。如： 用户浏览 vs 成交，一种说法是：用户很想买，才会一直看；另一种说法是：用户不想买，所以才一直看，就是不掏钱。

想要论证相关关系，需要：

1.明确对象（谁和谁相关）； 2.找到衡量对象的数据指标； 3.计算相关系数法&散点图法。 （1）散点图法： 通过散点图，能直观看出来是否有相关关系 两个指标相关，则数据呈规律性分布，不会散布在图上 （2）相关系数法： excel->数据->数据分析->相关分析，输入区域，把要计算的两列指标选中，输出结果，相关系数越接近1，相关性越大。 但是，间接相关，不等于真的有因果关系。

间接相关的应用场景：

1.探索性分析。比如想要知道什么指标和收入/成本有关系，有没有明确的方向，就把一堆指标都和收入/成本计算相关系数，看看哪个相关系数高，挑出来一些指标再看合不合逻辑。 2.验证性分析。比如验证广告投入与销售收入、积分与用户消费、用户活跃度与用户付费、用户互动与用户留存等议题，则先看数据是否相关，再看逻辑上成立不成立。

相关分析的关键：

1.先区分直接相关与间接相关很重要，不要盲目计算相关系数； 2.直接相关时，重点关注是否存在“单指标涨，整体不涨”的异常； 3.间接相关时，先明确对象，再找指标，再做计算； 4.间接相关可以用来筛选重要指标，之后再找数据上的相关； 5.不是所有关系用能用指标来衡量，还可以用标签。

3.2标签分析法

标签分析法：通过打标签的方式，将很难用数据指标描述的问题具体化，之后基于标签进行分析，解答问题的方法。 有时候，我们想了解的事务不能用指标来表达时，可用标签分析法。 比如：下雨了，客人少，所以业绩不好。 这里，下雨，就是一个标签。

标签的基本分类：

1.预测标签：基于过往数据，通过算法预判未来行为，比如：违约、高潜力； 2.规则标签：基于规则计算，比如消费10001算高，5001-10000算中等消费； 3.事实消费：事实性描述，比如一二三线城市，男女。

标签分析法看似简单，实则经常出错。 标签分析法的关键：

1.一个标签，可能有若干种制作方法，制作方法会影响分析结果； 2.一个事务，可能有多个标签，其中某些是重要的，某些并不重要； 3.做标签分析时，试着思考更多可能性，做多次交叉验证，才能准确。好的标签一定是经过长期分析沉淀下来的，单次结论很容易被推翻。 通过细分标签，可以发现表象背后的深层次问题。

细分标签的操作方法：

1.明确要分析的问题：“下雨了，路上客人少，业绩不行” 2.先准备最粗分类的标签：下雨、非下雨，明确待检验指标：业绩； 3.先观察最粗分类下，待检验指标是否有差异； 4.如几乎无差异，可以直接放弃；如有一定差异，可以尝试继续深入； 5.再考虑细分标签，比如：大雨、中雨、小雨，继续观察； 6.再考虑其他影响因素，比如其他恶劣天气、停工通知。

3.3 MECE法

每个问题都有很多影响因素，用MECE法可以分清。 分不清的关键在于各种因素相互交织在一起，问题交织太多，人们就习惯地分为：态度问题/非态度问题两类。 MECE分析法是相互独立、完全穷尽的分类法则，可以解开一团乱麻。把影响因素一一对齐，找到最核心的问题，避免相互交织重叠。 有了分类以后，可以确认哪个问题是主因，还可以跟踪变化情况。 MECE分析法的思路：

相互独立、完全穷尽，是结果，不是手段。MECE分析法用剥洋葱的手段层层细分，从一个粗分类开始，逐步做细。

案例：

在这里插入图片描述

在这里插入图片描述

每次增加一个清晰的分类，逐步细化，使用的分类以具备可解释的业务含义为最佳。不同的分类标签，其业务上潜台词不一样，找能达成自己目的的。 细分的终点：可以落地一个业务动作。

完整版分类形态：

在这里插入图片描述

MECE的结论并不唯一，可以有多种选择，从哪里开始做分析，分析到什么程度，完全取决于人心。 应用场景：

1.面对复杂问题，各种说法齐出，众说纷纭，没有方向； 2.某一个理由被拿来当挡箭牌（下雨、大环境，…）需要找到更细节的问题。

MECE的关键：

1.面对复杂问题，不要着急，把假设情况列出来，一个个梳理； 2.梳理问题时，从业务最关心、最容易下手的地方开始； 3.梳理的时候，先看粗分类，再看细分类； 4.梳理的结果，以业务可以行动为准，设定好观察指标； 5.如果业务能解决问题，则梳理结束，如出现新问题，再做调整。

4 如何使用九大方法

做数据分析时，要做到能说出来：

1.我负责的业务，收入指标是…，成本是…； 2.我负责的业务，收入规律是…，哪些动作能影响收入； 3.收入的内部结构是…，最近半年这个结果稳定/变化； 4.可以用xx方法进行拆解，其中业务最关心的点是…；

熟练掌握分析方法，就是要做到：

1.当前，业务面临的问题是…； 2.这个问题，有x个假设，依次顺序是…； 3.数据上，能马上证明的是…，尚不能证明的是…’

掌握了九大分析方法以后，看数据的积累量：

1.积累了固定的分析维度：业务分析模型； 2.针对预测、分类问题，积累足够特征：算法模型； 3.针对抽样检验问题：统计学检验； 4.针对最优分配问题：线性规划模型；