本文的主要内容就是为大家科普数据分析的概念和方法，作者用清晰的“是什么，为什么，怎么做”思路，为读者提供了一个又一个的方法论，为数据分析小白们带来了入门级的先进知识。

有同学问：陈老师，每次被面试都被问“你使用过哪些数据分析的方法”。结果都感觉答不上来。到底数据分析有什么方法？为啥我在做数据分析，却感觉没什么方法？今天系统解答一下。

首先，并不是名字带“分析”俩字的，就是数据分析方法。有很多XX分析，是统计学、运筹学、数学的专业工具做数据分析，并不直接指向业务问题的答案。当人们在问：”有什么分析方法”的时候，更多期望听到一个能给出结论的方法。

所以想回答好这个问题，要回到：数据分析到底解决哪些业务问题上去。

从业务用途上看，数据分析可以解决5大类问题

是多少（数据描述状况）是什么（树立数据标准）为什么（探索问题原因）会怎样（预测业务走势）又如何（综合判断状况）

围绕每个问题场景，有特定的方法组合（如下图）

一、解决“是多少”的方法

用数据描述状况，需要建立完善的数据指标体系。建立数据指标体系，则需要梳理清楚数据指标之间的逻辑。数据指标间有两种基本的逻辑：串行逻辑和并行逻辑，因此衍生出两种基本的分析方法：漏斗分析法&指标拆解法。

拆解的业务多了，人们发现，某些数据指标可以固定的组合使用，比如：

这些也习惯性被称为：分析模型。但注意，这些都只是在展示数据。数据+判断标准，才有分析结论。有关判断标准的分析，就是：是什么类问题。

二、解决“是什么”问题的方法

判断标准可以很简单，比如领导的指令、KPI要求、过往同期数据，都能作为标准。这些统称为：简单标准。但很多时候，指标走势是否正常，并无明确的KPI约束，甚至KPI达标，但是走势奇特，领导们还是会觉得有问题。这时候就需要找其他参照物。因此衍生出一系列分析方法。

比如：

这样对比，即使只有1个数据指标，也能得出好坏判断。如果业务发展违背过往规律，明显比其他个体更差，则可以判定为：不好。

当然，也可以使用2个指标，比如经典的矩阵分析法，通过两指标交叉+两指标平均值，分出四类业务，从而得出好坏判断。

如果用更多指标也行，比如常用的Kmean聚类，可以先利用多个指标对业务个体聚类，之后再看各类型之间表现优劣。

以上这些方法，都能将业务的好/坏区分出来，从而在一定程度上辅助判断。

三、解决“为什么”问题的方法

“分析下这个问题是什么原因导致的……”是常见的要求，这就是“为什么”问题。解决为什么问题，有两大基本思路：

1. 结果推断

常见的，比如：

结果推断，意为问题发生后，用各种数据寻找差异，建立假设。可以把业务口中“我觉得这是XX原因”，抽象成一个数据可验证的假设，因此适用范围非常广。但结果推断只是单方面从结果做归纳，有可能有偏颇，还需要实验验证。

2. 实验推断

这些方法更接近传统统计学的实验，大部分都要求：

实验推断有统计学依据，计算过程复杂，看起来更量化一些。但是对实验条件要求太高，比如大促销类ALL in的业务，比如商品、店铺这些无法控制环境的业务场景，比如业务员行为、内容传播等难采集数据的领域，都很难用。

理想的状态，肯定是两者结合，事实-假设-验证，不断循环，接近真相。但现实中有很多条件制约。导致我们只能从一个角度切入，慢慢靠近真相。

四、解决“会怎样”问题的方法

预测类问题，是所有人都感兴趣的话题，也是统计学/算法最有可能发挥作用的地方。唯一限制方法使用的，是：到底有多少数据&业务人员要不要参与。

如果业务人员坚持参与预测过程，就只能用业务假设法或者滚动预测法，这些方法把影响结果的参数都列出来，方便业务人员拍脑袋，也能帮他们清晰：我要做多少。

如果业务人员不参与，则视数据量的多少。数据少，则使用时间序列预测，数据多，且有影响结果的原因数据，则可以用诸如回归模型一类算法预测。

五、解决“又如何”问题的方法

综合评估与分配问题，统称“又如何”问题。这是决策的最后一步，决定是否对业务做动作，做多大动作。有些简单的评估是很容易的，比如销售签了生死状，达不成业绩目标

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！