谁说数据分析很难？看完这7大分析套路后，还学不会的来找我

跟数据打交道这么多年，我发现这两年有个现象越来越普遍了，那就是很多原本跟数据无关的岗位，现在也开始把数据分析作为岗位的基础要求了。

财务、市场、产品、运营，甚至是人事......后台来咨询我的越来越不局限于数据分析师了。

经常有刚入门数据分析的新手问我：看了你之前的干货，学了各种数理统计知识和数据分析方法，自以为入门了，但一应用到实际工作场景中就蒙圈了——这么多数据分析模型和方法，我该怎么选用呢？

数据分析方法虽多，常见的分析思路基本上可以总结为7类，今天我就来和大家介绍一下这七种分析套路，分别适用于什么场合！（文中案例图由帆软FineBI制作）

01 趋势分析

要描述某项指标随时间的变化，趋势分析必不可少。比如下图的分析，就是通过折线图/柱状图对不同时间的采购金额进行趋势分析，以此分析业务状况和监控异常波动。

再如下图，就是通过矩形块图展示不同时间对不同原料的采购额情况，颜色越深代表采购额越大，这样就可以一目了然看出什么时间段队什么原料需求量最大了。

02 下钻分析

如果想了解业务在不同颗粒度下的经营状况和数据信息，下钻分析最为合适。

如下图，点击「东莞市」可以查看到东莞市下每个一级渠道的浏览量，再点击「新媒体运营」可以看到「东菀市」-「新媒体运营」下的每个二级渠道的浏览量。

下钻分析简单有效，比做一堆PPT然后来回切换要好用太多，而且本文用的工具FineBI支持无限层钻取的，无论是我们自己分析还是做成分析报告给领导，都非常直观易懂。

再比如，通过上探下钻，在一张图里就能看到全国和各地区的销售数据（通过FineReport制作）：

03 缩小分析

如果想找到某事件的关键影响因素，比如经营状况出现异常需要找主要原因，比如定下目标后需要找主要实现路径，缩小分析是一条重要的思路。

如下图，从小图1、2中可以看出2018年的流失客户数过多，所以我们要重点关注18年的客户流失情况。

当我们把不同类型和等级的流失客户进行统计（如下图3、4），就能发现，相比之前，2018年

流失客户多分布在二级以下医院、零售、第三终端，且流失客户数以C类客户最多。所以得出结论：需要优先降低二级以下、第三终端、零售这三类客户的流失，优先解决C类客户的流失。

04 对比

对比分析能够直观表现出两个或多个指标的差异，目的是找出差异后进一步挖掘差异背后的原因，从而找到优化的方法。

对比分析一般要建立在同一标准维度上。比如下图，通过2017年和2018年不同类型流失用户数的对比，可以发现2018年哪些领域流失用户较多，进而优化策略降低这些客户的流失。

05 象限分析

当我们需要找到不同事物/人群的共性时，或者当我们需要对不同事务/人群提出针对的优化策略时，象限分析就是最好的方式。

最简单的例子如下图，将我们手头的事按重要程度和紧急程度进行分类，这样就可以轻松确定每件事的优先级了。

还比如经典分析模型——波士顿矩阵，将公司产品按销售增长率（反映市场引力的指标）和市场占有率（反映企业实力的指标）进行分类，进而分析公司的产品结构。

再比如流传多年的RFM客户管理模型，就是通过最近一次消费、消费金额和消费频次3个维度进行的象限分析，达到对不同用户采取不同运营策略的目的。

06 因素分析

当我们需要将主题拆解成若干部分来解释主题时，就需要因素分析，这种思路类似于画树状图。

比如在一份经营分析报告中，既要对关键财务指标进行整体分析，还需要将经营状况拆解成销售额、毛利率、费用及人力成本三个主要部分进行拆解分析。而销售额分析又可以拆解成单价分析、销量分析、品类分析等。

总之，层层分解，目的是找到优化策略的方向。

07 离群值分析

当我需要对经营状况进行监控、及时找出异常情况时，就要进行离群值分析。

如下图，若已知某公司该月利润下滑，需要找出异常情况，可通过设置警戒线或数据排列对比，及时定位异常门店：

定位异常门店后，再通过排列对比定位异常订单明细，找出问题。

以上就是做数据分析时常用的7种分析思路，以及它们的使用场景和常见使用方式。以后我们遇到一个数据分析需求却无法下手时，就可以对照上面的使用场景确定分析思路和分析方法。刚开始可能会比较麻烦，多多实践和总结才能做到熟练运用。