数据分析最核心的工作，就是对数据进行分析，以找出数据中蕴含的业务规律和业务问题，从而能够辅助决策。
围绕业务问题，采用合适的分析方法，分析模型，以及分析工具，这是数据分析师的必备技能。
为了便于理解，我将数据分析分为三个层次，从低到高，由浅入深，分别是统计分析，基本分析，数据挖掘。
统计分析
一般情况下，企业有80%的分析工作都只需要掌握统计分析方法就可以完成，仅仅需要对业务数据进行汇总，然后利用简单的分析方法，就可以充分了解企业整体运营状况。
比如说，企业经营分析，其实主要是对一些KPI指标进行分析，这一类的分析基本上只需要对数据进行基本的统计和计算，就可以得到，然后利用一些简单的分析方法就可以描述数据的特点，发现数据的变化，从而可以确定业务的发展情况。
统计分析中，最常用的基本分析方法如下。
简单分析方法
对比分析法
分组分析法
结构分析法
趋势分析法
综合分析方法
漏斗图分析法
分组分析法
综合评价分析法
杜邦分析法
矩阵关联分析法
基本数据分析
除了统计之外，还有一些常用的数据分析方法，可以找到更深层的业务规律。比如说，如下的业务问题：
提升价格，会提升利润吗？（或者说，价格提升到什么时候利润反而下降？）
终端在柜台上的陈列位置会影响终端销量吗？
影响产品销量的关键因素有哪些？
预测明年的产品销量能够达到多少？
这些业务问题，不是统计分析就能够完成的，需要用到一定的数据模型。常用的分析方法包括相关分析、方差分析、回归分析等等。
相关分析
方差分析
回归分析（预测）
时序分析（移动平均、指数平滑）
高级数据分析（数据挖掘）
当前，大数据应用最多的领域是市场营销。
市场营销中，最为关注的是客户，即如何获取客户？如何挖掘客户的需求？如何挖掘客户的行为特征、消费特征、兴趣偏好？这些更深层次的业务规律及业务模式，需要更复杂的数据分析模型来支撑。
比如，市场细分，客户特征提取，客户价值评估，客户流失预警等等，就需要数据挖掘来发现数据的隐含模式及规律。
聚类，可以用于市场细分，发现不同的用户群；
决策树分类，可以用于客户特征提取，比如发现流失客户的特征，预测客户流失的倾向；
关联分析，可以用于发现产品套餐设计、交叉/捆绑销售等等。
RFM模型，可以用于客户价值评估，将客户分组，采用不同的营销策略。
当然，还有更多的方法，比如神经网络、SVM、贝叶斯分类等等，可以用于解决更复杂的业务问题。
数据挖掘方法
聚类分析
决策树分类
关联分析
RFM模型
是复杂的业务问题，越需要复杂的分析模型来支持，越需要复杂的分析方法。所以，先明确分析目的，围绕业务问题，收集数据，找到最合适的分析方法，才能最快速最有效的完成分析任务。
联系客服
