数据分析和数据处理本身是个非常大的领域，这里主要总结些我自己觉得比较基础且实用的部分，在日常产品工作中能发挥比较大作用。本期主要讨论些数据分析的三个常用方法：

  趋势变化分析般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势变化分析，趋势变化分析更多的是需要明确数据的变化，以及对变化原因进行分析。

  趋势分析，较好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。环比是指，是本期统计数据与上期比较，例如2017年2月份与2017年1月份相比较，环比不难得知较近的变化趋势，但是会有些季节性差异。为了消除季节差异，于是有了同比的概念，例如2017年2月份和2016年2月份作比较。定基比更好理解，就是和某个基点作比较，比如2016年1月作为基点，定基比则为2017年2月和2016年1月进行比较。

  比如：2017年2月份某APP月活跃用户数我2000万，相比1月份，环比增加2%，相比去年2月份，同比增长20%。

  趋势分析另个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么样的事情要给出合理的解释，无论是外部原因还是内部原因。

  数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的别的企业普遍为负增长，则5%很多，如果行业别的企业增长平均为50%，则这是个很差的数据。

  般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有些时候，在产品迭代测试的时候，为增加说服力，会人为的设置对比的基准。也就是A/B test。

  比较试验较关键的是A/B两组只保持单变量，其他条件保持致。比如测试页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才可以得到比较有说服力的数据。

  在得到些初步结论的时候，需要进步地细拆，因为在些综合指标的使用的过程中，会抹杀些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分定要进行多维度的细拆。常见的拆分方法包括：

  分用户：新注册用户和老用户相比是否有差异，高等用户和低等用户相比是否有差异。

  组成拆分：比如搜索由搜索词组成，可以拆分不同搜索词;店铺流量由不用店铺产生，可以分拆不同的店铺。

  细分分析是个很重要的手段，多问些为什么，才是得到结论的关键，而步步拆分，就是在不断问为什么的过程。

  趋势，对比，细分，基本包含了数据分析较基础的部分。无论是数据核实，还是数据分析，都要一直地找趋势，做对比，做细分，才能得到较终有效的结论。

  大数据分析中常用的方法有哪些.中琛魔方大数据表示科学技术的更新与互联网的快速的提升，推动着大数据时代的来临，每天各行各业都在产生数量无法预估的数据碎片。只有在合理的时间内撷取、管理、处理、整理这些庞大的数据库，才能帮企业获得自己想要的数据，从而更好地提出经营管理对策。