几种常见的数据分析分析方法：1.周期性分析（基础分析）What：主要是从日常杂乱的数据中，发现周期性出现的现象，而从避免或改善问题的发生。常见的两种周期：自然周期和生命周期。需要注意的点：虽然周期性分析主要针对时间序列，但不全是，例如公众号的文章阅读走势不仅和日期（工作日或周末）相关，也和文章类型相关。例如：销售中3,6,9,12月，由于绩效考核出现的峰值 重点节假日对和交付的影响 产品销售的季节性影响（例如北方下半年的采暖产品，入夏空调的销售旺季等）How：自然后期的时间维度，根据分析的需求，可从年（同环比，业绩达成、和行业趋势对比），月（淡旺季、销售进度、生产预测），周（一般较少），日（工作日，非工作日的差异分析），时（时间分布，工作时段，上下班高峰，晚上，主要和大众消费行为分析相关）进行展开生命周期一种常见的分析就“商品生命周期”，商品销量随上市时间的变化，通过时间轴+指标走势组合出来的。这种分析对快消品或者产品迭代速度很快的商品（典型如手机）是比较重要的，可以用于监控产品的市场表现，对照市场活动可以量化活动效果以及产品线的经营情况，如持续跟进，则可针对性的提出产品上市的建议。
2.矩阵分析（重要分析方法）矩阵分析是数据分析中非常重要的分析方法。主要解决分析领域的一个非常致命的核心问题：“到底指标是多少，才算好”。平均数是一个非常常用的数据维度，但是单一维度，并不能充分评价好坏。例如考核销售，如果只考核业务销售业绩，那么业务人员一定会倾向卖利润低的引流产品。那种利润高，价格高，不容易卖的利润型产品就没人卖了，最后销售越多，公司的利润反而下降了。这个时候通过两个维度：销售规模和销售利润，构建交叉矩阵，就能将业务业绩进行更有效的区分。
举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩用矩阵分析法进行分析（具体数据略）：第一步：先对客户数量、业绩求平均值第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类
矩阵分析把关键业务目标拆分为两个维度，每个维度进行高低分类，进而可以对目标进行更加立体的描述。维度高低分类多采用平均值作为参考值。注意：有两个场景，是不适合用矩阵分析法：一：有极大/极小值影响了平均值的时候，一般出现极大/极小值的时候，可以用：分层分析法。二：两个指标高度相关的时候，例如用户消费金额与消费频次，两个指标天生高度相关，此时数据分布会集中在某一个或两个区域，矩阵分析法的业务解读能力接近0，可采用相关分析法3.结构分析What：结构分析是将分析的目标，向下分解，主要用于发现问题。例如销售分析，可以按照区域—省—市 一级级的分解，分解之后可以更好的看出影响销售业绩的影响因素在哪个位置。 结构分析可以有多个维度，取决于我们需要分析的方向。例如还是销售分析，可以从产品构成进行拆解，也可用从业务形态拆解How：如何进行结构分析？第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）第三步：跟踪关键指标的走势，了解指标结构变化情况第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题注意：结构分析的不足结构分析法是一种：知其然，不知其所以然的方法。只适用于发现问题，不能解答问题4.分层分析What：分层分析，是为了应对平均值失效的场景。典型的平均值失效例如平均工资，很多人都被“代表”。这个时候需要把收入群体分成几类，例如土豪，普通百姓，穷光蛋等，后面进行分析时就比较清楚了。业内也有一些不同的叫法，比如应用于商品的，叫ABC分类，应用于用户的，叫用户分层，应用于业务的，叫二八法则。本质都是一回事。How：如何进行分层分析1.明确分层对象和分层指标 例如：想区分用户消费力，分层对象就是：用户，分层指标就是：消费金额 想区分商品销售额，分层对象就是：商品，分层指标就是：销售金额 想区分部销售额，分层对象就是：分部，分层指标就是：销售收入2.查看数据，确认是否需要分层。分层是应对平均值失效的情况的，存在极值影响的情况，则适合分层。3.设定分层的层级。最好的解决办法是老板拍板，其次可以用“二八原则”，以上述销售业绩分层为例，可以先从高到低排序，然后把累积业绩占80%的人选出来，作为“第1层级（优等）”，其他的归为“第2层级（次等）”。有时如果颗粒度不够，也可以用“二四六八十”法则”。如何应用分层分层的最大作用是帮我们看清楚：到底谁是主力，谁是吊车尾。从而指导业务，从人海战术向精兵简政思考。根据分层的结果找出差距，进而提出（假设）差异背后可能的原因，通过其它方式进行应用：客户分析，目前系统中客户超5000个，为了更好的了解客户结构，可以通过分层分析的方法对这5000个客户进行分层，分层的方式通过年销售规模，可以按照累计规模排序，一般采用4-6个层级，每个层级可以给一个标签。例如王者客户，腰部客户，mini客户等。分层后，便可以针对性的进行分析，例如客户层级的销售占比，变动，各层级客户的销售构成，结合其它方法就可以有较全面的分析
5.漏斗分析（待补充）
6.指标拆解（待补充）
7.相关性分析（待补充）What：两个（或多个）因素之间的关系。例如员工人数与销售额，市场推广与销售业绩，天气和销售表现等 很多因素我们直观的感觉到之间有联系，相互影响，但具体的关系是什么，如何产品影响的，可以通相关性分析来量化。例如，客户开拓中拜访客户的次数和客户成交是否有关系？ 拜访次数多，表明客户也感兴趣，所以成功几率大 拜访这么多，客户还不成交，成功几率不大 客户成交和拜访关系不太大，主要看你是否能打动他How：两种联系：直接关系，间接关系直接关系：整体指标与部分指标的关系——结构分析，例如销售业绩与各中心的业绩 主指标与子指标的关系——拆解分析，例如总销售规模和客户数量与客户销售规模 前后步骤间的关系——漏斗分析：例如销售目标和项目覆盖率，储备率，签约等因素间的关系 联系中，指标之间出现一致性的变化，基本是正常，如果出现相反的变动，则需要关注，这可能是问题所在间接关系：要素之间没有直接的联系，但存在逻辑上的连接。例如推广多了，知名度上市，进而销售额上升。 由于关系非显性，需要通过处理进行评价，常用的就是散点图和excel中的相关系数法在明确相关性后，就可以通过改变其中一个变量来影响和控制另一个变量的发展。注意：相关性分析也存在很大的局限。主要体现在相关性并不等同因果性。例如十年前你在院子里种了一颗树，你发现树每天的高度和中国近十年GDP的增速高度相关，然后这两者间并没有什么实质性的联系。此次相关性分析过程中一定注意要找到关联的逻辑自洽。8.标签分析（待补充）9.