在数据分析训练营给大家讲解数据分析案例的时候，发现一些新手小白在做数据分析时，拿到数据不知道怎么分析、从什么维度分析，脑海里没有清晰的分析思路。

  对于数据分析思路的培养是一个不断练习积累的过程，刚入行的小白可以先套用一些常用的数据分析方法或模型，掌握基础的分析思路。本文给大家讲解8个常见的数据分析方法，帮助大家快速上手数据分析，解决实际工作问题。

  逻辑树是分析问题最常使用的方法之一，不光是在数据分析领域，在日常生活中也是一个很好的解决问题的方法，帮助我们理清思路，避免进行重复和无关的思考。

  例如，我们需要对站外推送到达率底的问题进行分析，可以按照逻辑树分析法将问题拆解外安卓和ios送达率低两个子问题，然后在继续向下拆分，严密地探索问题背后的每一个原因，将问题表面化，以因果逻辑为线索，在深度与广度上寻找问题的原因。

  PEST分析法主要用在行业研究中。从政治（P）、经济（E）、社会（S）、技术（T）这个四个角度，对行业进行比较分析。

  比如，我们就以分析大数据行业为例，用PEST来分析一下大数据行业的前景：

  多维度拆解法就是把复杂问题按照维度拆解成简单问题，观察数据异动，发现问题的原因。

  多维度拆解法的应用场景主要有两个：一是对单一指标的构成或比例进行拆解分析，比如让你对某个课程网站的访问情况进行分析，你可以从用户性别、用户来源渠道、用户地区等维度进行分析

  第二个就是对业务流程进行拆解分析，最常见的就是电商网站的用户转化流程分析，我们可以从渠道、地区等维度来对用户的注册、下单、支付数据进行拆解，进一步定位问题的原因。

  比如下图，我们从渠道维度拆分用户注册、下单、支付的数据，发现百度这个渠道的注册流量很大，但是下单转化率却很低，这种情况我们可以适当减少百度的广告投放力度，加大其他渠道。

  对比分析法是最基础分析方法之一，基本上人人都会用了，俗话说“没有对比没有伤害嘛”

  怎么比，一般有同比和环比两种方式，同比是与当前时间范围上层时间范围的前一范围中同样位置数据对比，比如年同比：今日vs去年今日。环比是与当前时间范围相邻的上一个时间范围对比，比如日环比：今天vs昨天

  和谁比？可以和自己比，也可以和行业或者竞品比。比如从时间维度，那去年的销售额数据和今年的相比，发现下滑5%，说明公司今年销售情况相比去年不太好，然后再和行业整体数据相比，发现行业整体销售下滑20%，公司销售下滑比例远小于行业整体销售下滑比例，说明今年公司的销售情况还不错。

  假设检验分析法顾名思义就是先提出假设，然后通过证据证明假设是否成立，然后得出结论

  比如，发现某一天的用户活跃率下降了5%，根据这个问题，我们可以从这三个角度提出假设，活跃率下降可能是用户渠道出了问题，或者产品出问题，又或者竞品当天搞了什么大型活动，对我们冲击比较大？...带着这些问题，我们去找运营部、产品部、市场部查看数据，分别求证，看看是否我们的推断成立，如果都不成立，那排除以上假设后，再从其他角度寻找原因

  AARRR模型在《增长黑客》中提出来的，AARRR对应了产品运营中最重要的5个环节：获取用户、提高用户活跃度、提高用户留存率、获取收入、自传播，通常会用在流量监控、活动营销效果监控、app运营、商品活动分析、产品转化分析上，通过分析各个环节的转化率，从而优化产品的运营

  RFM分析法是衡量客户价值的一个重要方法，通过计算R、F、M值，来判定客户价值的高低，把企业的主要运营精力放在最有价值的客户上。

  Recency（R）是最近一次购买日期距离现在的天数，理论上越是在近期发生购买行为，就越有可能复购。

  Frequency（F）指的是最近一段时间内购买的次数，最常购买的消费者，忠诚度也就较高。

  计算出R、F、M的值后，再按照他们与均值比较后的高低可以将客户分成8类，然后对不同价值的客户采取对应的营销策略。

  杜邦分析法是一个经典的财务分析方法，把企业的盈利水平、经营效率和风险承受能力综合在一起评价企业经营业绩。它的核心思路就是把净资产收益率ROE层层分解，深入了解企业经营业绩

  以上就是我今天的分享，希望能给大家一些帮助，关于数据分析思维的掌握，需要不断实战练习，积累经验，提升数据敏感度，对各种数据分析方法烂熟于心后，拿到问题就自然而然知道如何下手分析了。