怎样用Excel做数据分析

1五个一。Excel数据分析方法1快速填充:选择单元格B2，输入馒头，回车定位到单元格B3，按CTRL+E22列:选择A2:A20数据区，数据选项卡和列。接下来，选择逗号作为分隔符，然后选择$2$2作为目标区域。3分组比较法:分组后，我们可以对数据进行汇总和计算。常见的方法是通过求和、平均值、百分比、技术将同类数据汇总成一个数据，减少数据量。4数据透视表:单击“插入”选项卡中的数据透视表以打开对话框，确认选择，然后单击“确定”。然后，您可以在新工作表中看到数据透视表视图。只需将表格字段拖动到行、列、值中，就可以得到相应的数据统计表。5VBA自定义函数:Alt+F11打开VBE编辑器，插入模块，进入下面的自定义函数。Excel主要用于数据的统计分析，门槛低，可以方便的转换成报表，定位于小规模的数据处理。Access主要用于数据存储，门槛较高，可以建立数据库管理系统，可以方便数据的快速查找和激活，定位于大规模数据处理。

谈及到如何说服他人时，我们通常都会说“要换位思考”，这个道理人人都知道，但是大家经常陷入到以自己的感受强制模拟的陷阱中。

比如我们经常能看到一个女生在劝闺蜜分手时，会说“如果我是你，我才不会在这种渣男身上多浪费一秒……”又比如某个滋补品在包装上的宣传文案“让您享受千古传承的秘方……”

这样的劝说，似乎都是试图站在对方的立场去看待问题，事实上却依旧是把自己固有的观点套上不同的人称而已，所以上面那位女生既没法把自己的感受转移给闺蜜，也无法让闺蜜承认“渣男”这个定论。

滋补品的策划者一定是想强调自己产品的历史性、独特性，从而传递出可靠、与众不同的理念，但这些特点更有可能是内部讨论会上提出的竞争策略，是团队的观点，而非用户的感受。

如何做到真正意义上的“换位思考”，需要从以下三点入手：

1制造感受

当我们想要说服对方做我们预期的事情时，需要摒弃我们自己的验证方式，用对方的视角去体验他们所面对的问题，设计出能够被感受的语言，用对方的感受说服对方的行动。

什么才是能够被感受的语言？

“我爱你，直到海枯石烂、地老天荒”，这样的表白看似荡气回肠，实则没有可以感受的内容，但如果把双方交往过程中的特殊场景提炼出来并加以渲染，就很容易把对方拉入到一个情感升温的回忆中，加速正反馈——“原来他记得这么清楚，原来跟他一起挺愉快……”

当然，如果你有充分的把握，直接说开头的三个字即可，把这一套说服技能用到日后的琐碎中。

某个毕业生去面试，做自我介绍的时候说“我当过学生会主席、拿过XXX奖项，有团队意识、责任感”，这样的陈述不是不可以，但是在可信度上缺乏支撑。

如果加上这样一段：“我独自带领十个人的小团队负责过XX活动，从方案策划到落地执行，有X个小组，分别组织情况是……最终的活动有XX人参与，带来了什么样的影响……”这么一说，面试官就能感受到你的职业素养，甚至能判断适合你的职能方向。

记住，你的故事总是比平白直抒的介绍有说服力。

故事与理论是两种截然不同的交流方式，故事是情感面向的，是把人拉进一个又一个场景中，产生情感上的共鸣，因为自带画面感属性，人们能快速感知、理解，并在这个引力场中拍手叫好。

因而每届大选时，候选人总是用故事引导公众的情感，让他们站在自己的一边。

特朗普在南卡罗来纳拉票时，就曾出现过一位五十岁左右的女士，满含热泪地讲述30年前特朗普帮助希尔夫妇捍卫祖辈经营三代的农场，而她正是这对已故夫妇的孩子，这样一个真实故事令在场的许多人为之动容，在一周后的选举中，特朗普获得了南卡罗来纳的全部50张选票。

而理论不具备故事的特性，它更注重事实，通过研究结果、数据分析来佐证自己的观点，需要人们消耗更多的脑力、精力去分析理解，这意味着让对方认同你的门槛更高，这样的群体占少数。

所以手机厂商如果想获得尽可能多的关注，就需要在更广的用户群上制造感受，比如vivo在官方商城用“美颜自拍，绽放春日好气色”、“照亮你的美”等能带来使用场景、感官体验的文案，看完就能浮现出画面和感受，快速理解产品的核心卖点。

但如果面对的是测评论坛，那就需要提高认知门槛才能更好的迎合用户，因为在专业性较强的社区中，你所面对的发烧友对故事并不感冒，他们的兴奋点在于参数、材质、手感、跑分等等，他们在这个领域的认知能力足够强，使得他们愿意花更多时间从理性而非感性的层面去剖析。

因此只要你所面对的不是该领域的专家（否则劝说不成，还可能会被策反），你就可以用制造感受的方式说服对方。

2借用人性弱点

知道对方在选择中的疑虑，利用人性的弱点制造动力。

a规避损失

得失之于人们而言，常常都是“失”的影响更大，所以当你在劝说他人时，用“这么做你可以得到…”还不如用反向句式“不这么做你会失去…”

如果有一家乳腺癌体检机构要做推广，应该用哪一句文案：

1）请你每年定期接受乳腺癌检查，这样就能及时发现和治疗可能罹患的癌症。

2）如果你不每年接受乳腺癌检查，你是在冒可能罹患癌症却不能被及时发现并治疗的风险。

显然第二句对人们造成的刺激更强烈，为规避这样的风险，大家都自发提高对乳腺癌的关注意识。

相同的道理，长期健康的婚姻关系不仅仅只是因为夫妻双方的共同经营维护，更重要的是随着时间的推移，分离造成的的风险在持续增加，只要规避损失的动力依旧大于获得利益的动力，夫妻双方都是尽量避免。

所以我们常常能看到这样的桥段：当一个男人出轨时，女人又哭又闹、用近乎失态的样子去挽回，结果往往是女人折腾得越凶，男人就越想逃离；但如果这时候女人很淡定地让男人走，话语中没有一丝波澜，那么男人反而会局促不安，加深对这件事的本质思考。

看似不像是劝说的言行反而起到了劝说的作用，这都是抓住了人性中厌恶损失的特点。

b贪嗔痴

正如我现在使用这个概念来论述这件事本身就符合人的原罪，因为人性分明可以继续细分出更多的特点，并加以利用转化为说服的动机，却偏偏试图用“贪嗔痴”来一言以蔽之。

在这个特性上，很多人尝试回避、抗拒，认为自己能够摆脱“贪嗔痴”，然而真相却恰恰相反，我们真实生活中的动机诸多来自于此，理解这一点，我们就能更好地说服他人和自己。

比如常考满分的孩子这次考了99,，另一个常常不及格的孩子考了60，结果那个99分的孩子回家被痛骂了一顿，还被锁在家里反省，刚迈上及格线的孩子不仅得到赞赏，还被允诺可以去海洋公园玩。

长期以往，第一个孩子的成绩可能会逐渐下降，而第二个孩子的成绩反而会有所上升，且不论99与60各自的上升空间问题，前者是被消极刺激的，不断激发性恶的部分，后者是被积极刺激的，激发的是性善部分，换言之，第一个孩子或许会在持续的“嗔怒”中会进入恶性循环，第二个孩子在这个过程中能满足“贪”的本性，他就会更加努力。

一个人既有寻求自我突破的意识，也有自甘堕落的随性，往哪个方向发展，取决于外界如何引导内在的驱动。

在饭否上看到过这样一段劝人制怒的话，“就好比您是一只兔子，本该去赛跑，有希望拿块奖牌，却偏去和猪打架，还没打赢。”

前半句先是指明了对方的长处，并且告知其能在这方面有所作为，后半句揭示当前的真相，即对方如果把时间浪费在“猪”一样的对手上，就会一无所成。你看，既满足对方的虚荣，又铺好下台的台阶，还暗示了存在的风险，对方立马就被说动了。

3激发自我刺激

在劝说无效的情况下，大家听到最多的一类话就是“别劝我了，除非我自己能想明白……”

所以通常我们也会承认这样一个既定的“事实”：劝人戒烟是没用的，除非他自己想戒。

真是这样吗？从现象上来看，好像是这样没错，一个人突然想通了某件事，采取了与之前截然不同的做法，但事实上在这个决定背后隐藏着一个说服因子的蓄水池，往里灌水时看不到任何动静，一旦水满开阀，蓄积的势能才会带来强劲的效果。

所以并非劝说无效，而是需要提供有效的说服力，不停地激发对方加快自我刺激，最后由内在的动力去推动。

首先要明确的是说服对象是否存在这样的动机，其次是如何放大、加强这一动机。

对于一个老烟枪来说，他或许想过戒烟这回事（存在动机），但由于各种客观环境导致这个念头一晃而过，动机没有被强化，更无动力可言。

针对这样的情况，我们要做的就是强化动机，刺激对方自发产生动力，提问是一种特别巧妙的说服方式，它没有命令口吻带来的不适，反而是一种潜意识的引导，促使对方持续思考戒烟的动机。

这里要注意的是，如果你问“为什么不戒？”对方会加强抽烟时放松愉悦的感受，告诉你抽烟快感的同时还向你吐个烟圈，这不是我们想要的结果，所以应该这样问：“你为什么想戒烟？”

引用迈克尔6问来解释如何引导对方，加强我们的说服力：

写在最后

所谓“换位思考”，就是知晓对方的感受与思考，进而引导对方产生其原本就存在的隐性动机，通过制造感受、借用人性弱点、激发自我刺激的手段，让对方在摇摆之时获取偏向你的初速度，随后不断加速，达到说服的最终目的。

自古深情留不住，唯有套路得人心，而我想说的是，赋予套路以深情，方能留得住人心。

END

版主你好 我是过来人 在这里得到的答案有非常高的风险 有些个人意见是良药但是大部分的个人意见是独药 每个人的生长环境不一样喜好嗜好价值观道德观也不一样个人性格更不可能一样 感情问题不能依赖客观的角度去解决问题必须要靠正确的数据分析 另外有些广告是善意是良药但是大部分广告则是差劲是独药 所以请你自己要冷静的用智慧去判定每个人的答案是利是弊要好好的去分析出来一不小心就会变得更糟 更要小心怪力乱神的骗术感情的问题绝对不会跟星座或其他任何命理有任何的关系 你跟她告白并没有错,你现在不主动告白,她也不会主动跟你告白,,目前的社会是男女平等,,虽然女生比较不会主动,但是会主动去接近男生甚至跟男生告白的女生也很多,,为什么她就没有跟你告白呢~坦白说,只要那个男生的优点~条件~魅力在一定的水平之上,就会有女生主动接近甚至告白,,所以我建议你,先专心提升自己的优点~条件~魅力,到达一定的水平之后,再去追求自己喜欢的女生(也就是她),成效比较好,能长相思守的机率也会比较高,,你现在该做的就是 立即铲除你的缺点 并且快速提升你的优点~条件~魅力 我给你7项优缺的基准 也是条件与魅力的基准 更是形成恋爱的重要元素 外观 ( 穿着服装的整个气质~品味与神美观) 内观 ( 脱光衣服的整体身材~肤质与体香味) 谈吐 (说话节奏和声音的磁性以及用词得当有深度有趣味有内涵 ) 举止 (男生 : 行为动作和胆识姿态 女生 : 行为动作和优雅姿态 ) 内在 (充满 高尚的人格~品德与心态,具备四维八德的文化) 智能 (雍有 才智~知识~见识~反应力与联想力,并且也雍有待人处事的能力) 钱财 (赚钱能力~投资能力~生活质量~未来愿景和一切开支观念~) 7项元素里面含有真诚的关心、体谅、照顾、支持、保护、积极、陪伴、忠诚、忍让、情绪管理管控能力 和 共度喜怒哀乐的一切心态与反应 还有一些不可欠缺的元素那就是,~个人整体的卫生整洁,~工作环境的卫生整洁(学校座位的卫生整洁)~居住环境的卫生整洁,~身体的健全与身体的健康,~心理的素质与心理的健康 如果不知道怎么铲除缺点 也不知道如何提升优点~条件~魅力的话 我建议你去问爱情天使他会协助你想方设法的去帮你达成心愿如果是要挽回感情的话成功率更是高得惊人在 或 搜寻爱情天使就会找到了 如果聊过以后对你没有帮助或你没有任何收获的话建议你大力的检举我 我敢这么说是因为我的感情问题也是爱情天使帮我挽救回来的我非常相信他在这方面的能力 我久病变良医我的恋爱知识也都是从爱情天使那边点点滴滴学来的 你也加油吧

常用的列了九种供参考:

一、公式拆解

所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。

举例：分析某产品的销售额较低的原因，用公式法分解

二、对比分析

对比法就是用两组或两组以上的数据进行比较，是最通用的方法。

我们知道孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。

下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。

三、A/Btest

A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：

（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了

（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。

（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。

（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。

（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。

（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。

流程图如下：

四、象限分析

通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

象限法的优势：

（1）找到问题的共性原因

通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；

（2）建立分组优化策略

针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。

五、帕累托分析

帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。

常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。

ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。

六、漏斗分析

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。

整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。

还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。

从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。

七、路径分析

用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？

（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。

（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。

（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。

（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。

（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。

用户行为路径图示例：

八、留存分析

用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：

第一种 日留存，日留存又可以细分为以下几种：

（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数

（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数

（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数

（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数

（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数

第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。

第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：

九、聚类分析

聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。

常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：

可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。

获取更多数据分析学习信息及资料,欢迎关注聚数云海同名公众号哦~

几种常见的数据分析分析方法：

1周期性分析（基础分析）

What ：主要是从日常杂乱的数据中，发现周期性出现的现象，而从避免或改善问题的发生。常见的两种周期：自然周期和生命周期。

需要注意的点：虽然周期性分析主要针对时间序列，但不全是，例如公众号的文章阅读走势不仅和日期（工作日或周末）相关，也和文章类型相关。

例如：销售中3,6,9,12月，由于绩效考核出现的峰值

            重点节假日对和交付的影响

            产品销售的季节性影响（例如北方下半年的采暖产品，入夏空调的销售旺季等）

How： 自然后期的时间维度，根据分析的需求，可从年（同环比，业绩达成、和行业趋势对比），月（淡旺季、销售进度、生产预测），周（一般较少），日（工作日，非工作日的差异分析），时（时间分布，工作时段，上下班高峰，晚上，主要和大众消费行为分析相关）进行展开

生命周期一种常见的分析就“商品生命周期”，商品销量随上市时间的变化，通过时间轴+指标走势组合出来的。这种分析对快消品或者产品迭代速度很快的商品（典型如手机）是比较重要的，可以用于监控产品的市场表现，对照市场活动可以量化活动效果以及产品线的经营情况，如持续跟进，则可针对性的提出产品上市的建议。

2矩阵分析（重要分析方法）

矩阵分析是数据分析中非常重要的分析方法。主要解决分析领域的一个非常致命的核心问题：“到底指标是多少，才算好”。

平均数是一个非常常用的数据维度，但是单一维度，并不能充分评价好坏。例如考核销售，如果只考核业务销售业绩，那么业务人员一定会倾向卖利润低的引流产品。那种利润高，价格高，不容易卖的利润型产品就没人卖了，最后销售越多，公司的利润反而下降了。这个时候通过两个维度：销售规模和销售利润，构建交叉矩阵，就能将业务业绩进行更有效的区分。

举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩用矩阵分析法进行分析（具体数据略）：

第一步：先对客户数量、业绩求平均值

第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类

第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类

矩阵分析把关键业务目标拆分为两个维度，每个维度进行高低分类，进而可以对目标进行更加立体的描述。维度高低分类多采用 平均值作为参考 值。

注意：有两个场景，是不适合用矩阵分析法：

一：有极大/极小值影响了平均值的时候，一般出现极大/极小值的时候，可以用： 分层分析法 。

二：两个指标高度相关的时候，例如用户消费金额与消费频次，两个指标天生高度相关，此时数据分布会集中在某一个或两个区域，矩阵分析法的业务解读能力接近0，可采用 相关分析法

3结构分析

What： 结构分析是将分析的目标，向下分解，主要用于发现问题。

例如销售分析，可以按照区域—省—市 一级级的分解，分解之后可以更好的看出影响销售业绩的影响因素在哪个位置。

 结构分析可以有多个维度，取决于我们需要分析的方向。例如还是销售分析，可以从产品构成进行拆解，也可用从业务形态拆解

How：如何进行结构分析？

第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）

第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）

第三步：跟踪关键指标的走势，了解指标结构变化情况

第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题

注意：结构分析的不足

结构分析法是一种：知其然，不知其所以然的方法。只适用于发现问题，不能解答问题

4分层分析

What： 分层分析，是为了应对 平均值失效 的场景。典型的平均值失效例如平均工资，很多人都被“代表”。这个时候需要把收入群体分成几类，例如土豪，普通百姓，穷光蛋等，后面进行分析时就比较清楚了。业内也有一些不同的叫法，比如应用于商品的，叫ABC分类，应用于用户的，叫用户分层，应用于业务的，叫二八法则。本质都是一回事。

How：如何进行分层分析

1明确分层对象和分层指标

    例如：想区分用户消费力，分层对象就是：用户，分层指标就是：消费金额

               想区分商品销售额，分层对象就是：商品，分层指标就是：销售金额

                想区分部销售额，分层对象就是：分部，分层指标就是：销售收入

2查看数据，确认是否需要分层。分层是应对平均值失效的情况的，存在极值影响的情况，则适合分层。

3设定分层的层级。最好的解决办法是老板拍板，其次可以用“二八原则”，以上述销售业绩分层为例，可以先从高到低排序，然后把累积业绩占80%的人选出来，作为“第1层级（优等）”，其他的归为“第2层级（次等）”。有时如果颗粒度不够，也可以用“二四六八十”法则”。

如何应用分层

分层的最大作用是帮我们看清楚：到底谁是主力 ，谁是吊车尾。从而指导业务，从人海战术向精兵简政思考。

根据分层的结果找出差距，进而提出（假设）差异背后可能的原因，通过其它方式进行

应用 ：客户分析，目前系统中客户超5000个，为了更好的了解客户结构，可以通过分层分析的方法对这5000个客户进行分层，分层的方式通过年销售规模，可以按照累计规模排序，一般采用4-6个层级，每个层级可以给一个标签。例如王者客户，腰部客户，mini客户等。分层后，便可以针对性的进行分析，例如客户层级的销售占比，变动，各层级客户的销售构成，结合其它方法就可以有较全面的分析

5漏斗分析（待补充）

6指标拆解（待补充）

7相关性分析（待补充）

What ：两个（或多个）因素之间的关系。例如员工人数与销售额，市场推广与销售业绩，天气和销售表现等

            很多因素我们直观的感觉到之间有联系，相互影响，但具体的关系是什么，如何产品影响的，可以通相关性分析来量化。

例如，客户开拓中拜访客户的次数和客户成交是否有关系？

           拜访次数多，表明客户也感兴趣，所以成功几率大

           拜访这么多，客户还不成交，成功几率不大

            客户成交和拜访关系不太大，主要看你是否能打动他

How ：两种联系：直接关系，间接关系

直接关系 ：整体指标与部分指标的关系——结构分析，例如销售业绩与各中心的业绩

                  主指标与子指标的关系——拆解分析，例如总销售规模和客户数量与客户销售规模

                   前后步骤间的关系——漏斗分析：例如销售目标和项目覆盖率，储备率，签约等因素间的关系

        联系中，指标之间出现一致性的变化，基本是正常，如果出现相反的变动，则需要关注，这可能是问题所在

间接关系 ：要素之间没有直接的联系，但存在逻辑上的连接。例如推广多了，知名度上市，进而销售额上升。

                  由于关系非显性，需要通过处理进行评价，常用的就是散点图和excel中的相关系数法

在明确相关性后，就可以通过改变其中一个变量来影响和控制另一个变量的发展。

注意：相关性分析也存在很大的局限。主要体现在相关性并不等同因果性。例如十年前你在院子里种了一颗树，你发现树每天的高度和中国近十年GDP的增速高度相关，然后这两者间并没有什么实质性的联系。此次相关性分析过程中一定注意要找到关联的逻辑自洽。

8标签分析（待补充）

9

数据收集是数据分析的第一步，也是非常重要的一步。只有收集到足够的、准确的数据，才能进行有意义的数据分析。数据收集的方法有很多种，可以通过问卷调查、实地调查、网络爬虫、数据库查询等方式获取数据。在数据收集的过程中，要注意数据的准确性和完整性，以及保护数据的安全性和隐私性。

数据应用是指将分析好的数据应用到实际工作中，以解决实际的问题。数据应用的方法有很多种，可以制定营销策略、优化生产流程、风险控制等。在数据应用的过程中，要注意数据的有效性和可靠性，以及根据实际情况进行调整和改进。

二、数据清洗

数据清洗是指对收集到的数据进行筛选、去重、去除异常值等处理，以确保数据的质量。数据清洗可以使用Excel、Python、R等工具进行，可以通过编写代码或使用现成的函数来实现。在数据清洗的过程中，要注意数据的一致性和规范性，以及保留有用的数据，删除冗余的数据。

三、数据分析

        时下的大数据时代与人工智能热潮，相信很多人都会对数据分析产生很多的兴趣，其实数据分析师是Datician的一种，指的是不同行业中，专门从事行业数据收集，整理，分析，并依据数据做出行业研究、评估和预测的专业人员。

        很多人学习过数据分析的知识，但是当真正接触到项目的时候却不知道怎样去分析了，导致这样的原因主要是没有属于自己的分析框架，没有一个合理的分析步骤。那么数据分析的步骤是什么呢？比较让大众认可的数据分析步骤分为

六大步骤。只有我们有合理的分析框架时，面对一个数据分析的项目就不会无从下手了。

        无论做什么事情，首先我们做的时明确目的，数据分析也不例外。在我们进行一个数据分析的项目时，首先我们要思考一下为什么要进展这个项目，进行数据分析要解决什么问题，只有明确数据分析的目的，才不会走错方向，否则得到的数据就没有什么指导意义。

        明确好数据分析目的，梳理分析思路，并搭建分析框架，把分析目的分解成若干不同的分析要点，即如何具体开展数据分析，需要从那几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑化，确定分析对象、分析方法、分析周期及预算，保证数据分析的结果符合此次分析的目的。

        数据收集的按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。常见的数据收集方式主要有以下几种

        一般地我们收集过来的数据都是杂乱无章的，没有什么规律可言的，所以就需要对采集到的数据进行加工处理，形成合适的数据样式，保证数据的一致性和有效性。一般在工作中数据处理会占用我们大部分的时间

        数据处理的基本目的是从大量的，杂乱无章的数据中抽取到对接下来数据分析有用的数据形式。常见的数据处理方式有 数据清洗、数据分组、数据检索、数据抽取 等，使用的工具有 Excel、SQL、Python、R 语言等。

        对数据整理完毕之后，就需要对数据进行综合的分析。数据分析方式主要是使用适当的分析方法和工具，对收集来的数据进行分析，提取有价值的信息，形成有效结论的过程。

        在确定数据分析思路的阶段，就需要对公司业务、产品和分析工具、模型等都有一定的了解，这样才能更好地驾驭数据，从容地进行分析和研究，常见的分析工具有 SPSS、SAS、Python、R语言 等，分析模型有 回归、分类、聚类、关联、预测 等。其实数据分析的重点不是采用什么分析工具和模型而是找到合适的分析工具和模型，从中发现数据中含有的规律。

        通过对数据的收集、整理、分析之后，隐藏的数据内部的关系和规律就会逐渐浮现出来，那么通过什么方式展现出这些关系和规律，才能让别人一目了然。一般情况下，是通过表格和图形的方式来呈现出来。多数情况下，人们通常愿意接受图形这样数据展现方式，因为它能更加有效、直观地传递出数据所要表达的观点。

        常用数据图表 有饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图、矩阵图 等图形，在使用图形展现的情况下需要注意一下几点：

        当分析出来最终的结果之后，我们是知道这部分数据展现出来的意义，适用的场景。但是如果想让更多人了解你分析出来的东西，让你的分析成果为众人所熟知，这时就需要一份完美的PPT报告，一个逻辑合理的故事。这样的分析结果才是最完美的。

        一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次清晰，能够让阅读者一目了然。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象，直观地看清楚问题和结论，从而产生思考。

                                                           数据分析的四大误区

1、分析目的不明确，不能为了分析而分析 。只有明确目的才能更好的分析

2、缺乏对行业、公司业务的认知，分析结果偏离实际 。数据必须和业务结合才有意义，清楚所在行业的整体结构，对行业的上游和下游的经营情况有大致的了解，在根据业务当前的需要，制定发展计划，归类出需要整理的数据，同时，熟悉业务才能看到数据背后隐藏的信息。

3、为了方法而方法，为了工具而工具 。只要能解决问题的方法和工具就是好的方法和工具

4、数据本身是客观的，但被解读出来的数据是主观的 。同样的数据由不同的人分析很可能得出完全相反的结论，所以一定不能提前带着观点去分析