描述性分析（Descriptive Analysis）
定义：对数据的集中趋势、离散程度和分布状况等基本特征进行概括和描述，帮助我们初步了解数据的全貌。
内容包括：
- 计算平均值、中位数和众数：平均值是所有数据的算术平均数，中位数是将数据排序后位于中间位置的数值，众数是出现次数最多的数值。例如，分析一组学生的考试成绩，平均值可以反映整体水平，中位数能体现中间位置学生的成绩，众数可找出最常见的成绩分数。
- 测量标准差和方差：标准差是方差的平方根，方差是每个数据与平均值之差的平方和的平均数，用于衡量数据的离散程度。比如，比较两个班级学生成绩的稳定性，标准差小的班级成绩更集中、更稳定。
- 绘制频率分布表和直方图：频率分布表统计各区间内数据出现的次数，直方图以图形展示频率分布。以产品质量检测数据为例，通过直方图可以直观看到质量指标在各个区间的分布情况。
相关性分析（Correlation Analysis）
定义：用于研究两个或多个变量之间的线性关系强度和方向，判断变量之间是否存在关联以及关联的紧密程度。
常用方法：
- 皮尔逊相关系数（Pearson Correlation Coefficient）：适用于衡量两个连续变量之间的线性相关关系，取值范围为[-1, 1]。系数为1表示完全正相关， -1表示完全负相关，0表示无相关。例如，分析广告投入与产品销量之间的关系，若皮尔逊相关系数为0.8，则表明两者呈较强的正相关，广告投入增加可能会带来销量上升。
- 斯皮尔曼等级相关系数（Spearman’s Rank Correlation Coefficient）：主要用于衡量变量等级（排序）之间的相关性，不要求变量是连续的，也不要求变量之间是线性关系。对于存在非线性关系或非数值型变量（如排序数据）的情况较为适用。比如，分析用户对产品的满意度排名和产品复购率排名之间的相关性。
回归分析（Regression Analysis）
定义：通过建立数学模型来研究变量之间的因果关系，即一个因变量与一个或多个自变量之间的关系，用于预测和解释因变量的变化。
主要类型：
- 线性回归（Linear Regression）：假设因变量和自变量之间是线性关系，通过最小二乘法拟合出一条直线，使预测值与实际值的误差平方和最小。例如，在预测房屋价格时，以房屋面积、房龄、周边配套设施等为自变量，建立线性回归模型来预测房价。
- 逻辑回归（Logistic Regression）：主要用于因变量是分类变量（如0/1变量，表示是/否）的情况。它通过将线性函数的结果映射到概率空间，来预测事件发生的概率。例如，预测用户是否会购买某产品（购买为1，不购买为0），以用户的年龄、收入、浏览历史等为自变量，构建逻辑回归模型，得到用户购买产品的概率。
聚类分析（Cluster Analysis）
定义：将数据对象划分为不同的簇（cluster），使得同一簇内的数据对象具有较高的相似性，而不同簇之间的数据对象具有较大的差异性。
常用算法：
- K – means聚类（K – means Clustering）：是最常用的聚类方法之一。它预先设定聚类的簇数K，然后随机选择K个初始聚类中心，将每个数据点分配到距离其最近的聚类中心所属的簇，之后不断更新聚类中心，直到簇内数据点的分布不再变化。例如，在市场细分中，将消费者按照购买行为、消费金额等特征进行聚类，分成高价值客户、中等价值客户和低价值客户等不同群体，以便企业制定针对性的营销策略。
- 层次聚类（Hierarchical Clustering）：构建一个层次结构的聚类树，有两种方式：凝聚式（从每个数据点作为一个单独的簇开始，逐步合并相似的簇）和分裂式（从所有数据点在一个簇开始，逐步分裂成更小的簇）。它不需要预先指定簇数，但计算复杂度较高。在生物学领域对物种分类等场景比较常用。
分类分析（Classification Analysis）
定义：根据已知类别的训练数据，建立分类模型，对新的数据进行类别预测。
主要方法：
- 决策树（Decision Tree）：以树状结构表示分类规则，从根节点开始，根据不同的属性条件进行分支，直到叶节点确定类别。例如，在银行贷款审批中，以申请人的收入、信用记录、负债情况等为决策节点，构建决策树模型，根据申请人的这些特征来判断是否批准贷款。
- 支持向量机（Support Vector Machine，SVM）：通过寻找一个最优超平面，将不同类别的数据点分隔开来，并且使间隔最大化。它在处理小样本、高维数据的分类问题上表现出色。例如，在文本分类中，将文章分为体育、娱乐、科技等不同类别，SVM可以根据文章中的词汇特征构建分类模型。
对比分析（Comparative Analysis）
定义：将两个或多个数据进行对比，以发现数据之间的差异、变化或关系。可以是同一指标在不同时间、不同主体、不同场景下的对比。
应用场景示例：
- 时间对比：分析企业季度利润的变化，对比本季度和上季度的利润情况，若利润增长，可进一步分析是因为销售额增加、成本降低还是其他因素导致的。
- 主体对比：比较不同部门的绩效，如销售部门和市场部门的业绩指标对比，包括销售额、市场占有率等，找出优势和不足，以便相互学习和改进。
- 场景对比：比较产品在不同销售渠道（线上和线下）的销售情况，分析渠道特点和消费者行为差异，从而优化销售策略。
趋势分析（Trend Analysis）
定义：观察数据随时间或其他有序变量的变化趋势，有助于预测未来的发展方向。
应用示例：
- 时间序列趋势：分析股票价格走势，通过绘制价格曲线，观察长期和短期趋势，结合市场动态和公司财务状况，预测股票价格的未来走向。
- 业务增长趋势：以电商平台的用户增长为例，观察月活用户数（MAU）的变化趋势，若发现增长放缓，可考虑推出新功能、开展促销活动或优化用户体验来促进增长。
结构分析（Structural Analysis）
定义：分析数据的组成结构，了解各部分占总体的比例以及相互之间的关系，有助于把握数据的内在特征。
应用场景示例：
- 成本结构分析：对于企业成本，分析原材料成本、人力成本、营销成本等各部分在总成本中所占的比例。如制造业企业，若原材料成本占总成本的70%，当原材料价格波动时，能直观评估对总成本的影响程度。
- 用户结构分析：在社交平台上，分析用户的年龄、性别、地域等结构。例如，发现平台用户以年轻人为主，年龄在18 – 30岁之间的用户占比60%，可根据这个结构特点开发适合年轻用户的功能和内容。
漏斗分析（Funnel Analysis）
定义：用于分析用户在一系列操作流程中的转化情况，从最初的进入到最终的目标完成，每一步都会有用户流失，形状像漏斗。
应用场景示例：
- 电商购物漏斗：用户从浏览商品、加入购物车、结算、支付成功的整个购物流程。例如，有1000人浏览商品，300人加入购物车，200人结算，150人支付成功，通过漏斗分析可以清晰看到每个环节的转化率，发现从结算到支付成功环节转化率较低，就可以优化支付流程。
- APP注册漏斗：从用户下载APP、打开APP、注册账号、完成新手引导等步骤的转化率分析。若下载量为10000，打开量为8000，注册量为3000，完成新手引导量为2000，找出转化率低的环节进行优化，以提高用户留存。
留存分析（Retention Analysis）
定义：关注用户在初次使用产品后的一段时间内是否继续使用，以及使用的频率等情况，是衡量产品粘性和用户忠诚度的重要方法。
应用场景示例：
- APP留存分析：分析新用户在下载后的第1天、第7天、第30天等时间点的留存率。例如，第1天留存率为30%，第7天留存率为15%，第30天留存率为5%，通过分析留存率的变化，找出用户流失的关键时间点和原因，如功能复杂、推送过多等。
- 会员留存分析：对于会员制服务，分析会员在续费周期内的留存情况。若发现会员在续费前一个月的流失率较高，可通过提供续费优惠、会员专属福利等方式提高留存率。
