写在前面
- 实际的数据分析过程中，其实并不简简单单的使用一些数据技术，还有很多成熟的方法论值得我们去借鉴，当然这些都是企业长期发展过程中进行的总结。
- 之前的文章也说过，数据分析师并不是一个纯粹的程序员，相信我当你只会编程的时候，在找数据分析工作时十之八九是以失败告终。说白了，现在的企业更需要的是业务上的熟练，所以对于一个专注于数据的公号，今天我就从电商的角度跟大家罗列下常用的方法论：
- 其实很多方法大白话说的很好理解，但是了解相关的专业术语是你写专业数据分析的前提，就像你写自己的毕业论文一样。
对比法
这里主要说一下纵向/横向对比，纵横对比才能准确定位自己的市场地位和发展状况，比如说：
行业：同行业的商家对比就是纵向对比，全网的商家就是横向对比
店铺：自己不同时期的对比就是纵向对比，和其他店铺的同时期对比就是横向对比
拆分法
其实后面说的“杜邦分析法”有点像，这个是数据分析中非常常用的分析方法，往往一个具体的问题都可以细细拆分成多个指标，等额或者不等额，等等
排序法
指标的高低优先，轻重缓急
交叉法
又称“多维分析法”，对比法和拆分法的结合，多个维度结合在一起分析查找规律
降维/增维法
对数据的维度进行相应变换和处理
最优选择法
由于量级的限制，选取最优或者最优代表性的数据
SWOT分析法（态势分析法）
S （strengths）是优势、W （weaknesses）是劣势，O （opportunities）是机会、T （threats）是威胁。按照企业竞争战略的完整概念，战略应是一个企业“能够做的”（即组织的强项和弱项）和“可能做的”（即环境的机会和威胁）之间的有机组合。
所谓了解市场，了解自己才能做到游刃有余。综合态势分析从中得出一系列相应的结论，而结论通常带有一定的决策性。
杜邦分析法
电商最经典的应用就是将销售额拆分成：访客-转化-客单，其中往下还可以继续的下钻细分，简单说就是基于某种分法细化某个指标，当然子指标之间不一定依赖算数关系，就是把所有的影响因素罗列出来，全面剖析问题
数据归一法
这个在数据挖掘算法中使用的较为普遍主要有两种：
- min-max标准化[0,1]：新数据=（原数据-最小值）/（最大值-最小值）
- Z-score标准化：新数据=（原数据-均值）/标准差
漏斗分析法
强调了事件的发展过程，换句话说就是按照时间发展过程分析问题的，科学的反应用户行为状态或者各阶段用户转换率的分析模型
相关性分析法
准确来说这个就是数据挖掘算法里面的东西了，主要找到多个变量元素之间的相关密切程度（正相关，负相关，不相关）
比如网上的一张数据分析图，不懂数据分析的人可能就会理解为纹身会影响生育？其实并不是这样的，这里的是关联性分析，一般纹身女孩的作息不规律，抽烟喝酒之类的的概率大点（这里是主观理由，纯属解释这张图），这就导致了更容易诞下畸形儿。也就是说这两者存在着很大的正关联关系。
所以这就是数据分析思维
「公众号：琦度」
