思维技巧：
象限法（SWOT分析，KNO模型客户分群，RFM模型等，分类视角）：
优点：清晰，简单，直观，划分结果可以直接应用于策略（活用数据）
应用：较为普遍，战略分析、产品分析、市场分析、客户管理、用户管理、商品管理
注意事项：象限的划分可以按中位数，也可以按平均数或者是不同的经验维度进行划分。
多维法（分类视角）：
自然因素维度：客户的性别、年龄、地区等；
客户社会特征维度：收入、职业、教育程度等；
行为特征维度：偏好、兴趣、购买数量、购买频次；
消费维度：消费金额、消费频率、消费水平；
商品维度：商品品类、商品品牌、商品属性；
对不同维度组成立方体进行多维分析，通常可用可视化工具对多维度的内容进行分析展现（比如Tableau）。
应用：处理大数据量且较多维度的数据时效果较好，不过要注意辛普森悖论（规避辛普森悖论的方法可以采用下钻）；
（当组内差异较大时就容易出现辛普森悖论，当组建差异较大时就可以避免辛普森悖论）
假设法（通常采用控制变量）：
例如：在没有明细数据的情况下要怎么分析？
公司在节假日进行了一次营销活动，APP上的销量数据整体比上周上升了20%。现因某些原因拿不到明细数据。请问，销量本身就有可能因为节假日而提高，那么怎么证明活动是有效还是无效的呢？
假设活动是有效的——会有一定数量的用户购买，如果证明这条，那么有理由相信活动是有效的——用户通过活动购买，会发生什么可观测的行为呢？——假设有一些用户会评论留言，那么可以统计提及活动的字眼-当用户提及了这次活动营销活动，那么到底有效了多少？10%？20%？——假设参与活动的用户行为没有变化，那么通过历史数据的用户评论占比，进而反推购买人数，也就是通过控制变量和人工的设置一个比例来进行反推。
你是自营电商的数据分析师，现在想商品提价后，收入会不会有变化，你会怎么做？
指数法：
线性加权：不同指标的权重比例
反比例：y=k/x，收敛的效果（可与线性加权结合）
Log：将数据变小，但是数据是大于1的，单个值对数据的影响不会很大
（三个基本上是结合使用的）
二八法（描述视角）：
也叫做二八法则、帕累托法则
重点关注20%的数据，TopN，抓住核心，把精力用在更重要的地方（企业的资源是有限的）；重点要关注核心指标情况，当然也要兼顾全局；
对比法（对比视角）：
好的数据指标，一定是比例或者比率；好的数据分析，一定会用到对比（精益数据分析）
因为孤数不证，单一的一个数字是没有意义的，要跟其它的数据进行对比才有意义，一般是使用占比、绝对值，对比数据；
通常有竞争对手对比，类别对比，特征和属性对比，时间同比环比，转化对比，前后变化对比；
对比法是一种挖掘数据规律的思考方式，可以和其它方法相结合，多维对比，象限对比和假设对比
漏斗法：
通常是转化率，是一种流程话的思考方式，但是单一的漏斗分析没有太大用处，要和其它分析方法进行结合（多维法、对比法）
分析视角
分析视角一般分为四类：对比视角、相关视角、分类视角和描述视角。
在前面分析框架和思维技巧的前提下，结合使用分析视角来进行分析，才能提高分析价值。
对比视角：
通常有频数统计、均值分析、标准化、转化率分析、PSM模型和归因分析等；
相关视角：
方差分析、交叉分析、比较均值、因子分析、对应分析、品牌和觉图分析、回归分析、线性规划等；
分类视角：
SWOT分析、波特五力（消费者、供应商、直接竞争对手、替代品、潜在进入者）、聚类分析、矩阵分析、Graveyard模型、KANO模型等；
描述视角：
集中趋势（加权平均计算评分）、离中趋势（变异系数法确定权重）；
以上的分析方法和模型基本上都是多种视角的综合运用，归类划分只是将其归类为最主要的分析视角里，在实际的工作运用中需要进行综合评估
网友评论