今天给各位分享数据分析方法的知识，其中也会对数据分析方法论文进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、三种数据分析方法
• 2、数据分析的6种常用方法
• 3、常用数据分析处理方法有哪些
• 4、数据分析的方法有哪些
• 5、数据分析的六种基本分析方法
• 6、常见的数据分析方法有哪些？

三种数据分析方法

首先，常见的数据分析方法有9种： 对比分析，多维度拆解分析，漏斗观察 ，分布分析，用户留存分析，用户画像，归因查找，路径挖掘，行为序列分析。

这里将重点展开分享前三种数据分析方法：  对比分析，多维度拆解分析，漏斗观察。

1、对比分析 

对比分析是 最基础最常见 的数据分析方法，能 直观的看出事物某阶段的变化，并且可以准确、量化地表达出这种变化/差距是多少 ，重点从「比什么」「怎么比」「跟谁比」三个维度进行分析。

（1）比什么 

比什么，分为绝对值（#）和比例值（%）的比较。

绝对值本身已是具备“价值”的数据，比如销售金额2000元，阅读数10000万，单看数字不易得知问题的严重程度；

比例值只有在具体环境中看比例才具备对比价值 ，比如活跃占比，注册转化率， 单看比例值容易受到极端值的影响。 

（2）怎么比 

怎么比，分为环比和同比。

常见的环比有日环比，月环比 ，是指 与当前时间范围相邻的上一个时间范围对比 ，主要用于对短期内具备连续性的数据进行分析，如指标设定；

常见的同比有周同比，年同比 ，是指 与当前时间范围上层时间范围的前一范围中同样位置进行数据对比分析 ，主要用于观察更长期的数据集，消除短期数据的干扰。

（3）和谁比 

和谁比，分为和自己比、和行业比。

和自己比 ，可以从不同的时间维度，不同的业务线，过往经验估计，跟自己比较；

和行业比 ，可以观察分析得出是自身因素，还是行业趋势，比如都跌的时候，能否比同行跌的少？都涨的时候，能都比同行涨的快？ 

现在回到上面这条「飞猪公关数据」“放假消息公布以后，10点到12点，国内机票的预定量，比上周同时段增长超过50%；国际机票的增长更加惊人，超过了150%。” 

很显然， 

“50%，150%”都是比例值； 

“比上周同时段增长...”由于是#五一放假4天#消息导致的数据短期内连续上涨，所以选择的是周同比； 

“国内机票的预定…国际机票...”飞猪是在跟自己比，若有行业数据公布作为依据，可以判断飞猪是比同行涨的快/慢。 

2、多维度拆解 

多维度拆解，是最重要的一种思维方式， 一个单一指标是不具备分析价值的，我们需要从多个维度进行拆解分析才有意义，最终以获得更加全面的数据洞察。 

数据分析的本质是用不同的视角去拆分，观察同一数据指标。多维度拆解的本质多维度拆分指标/业务流程，来观察数据变动。 

多维度拆解的适用场景： 

（1） 分析单一指标的构成、比例时 ，比如分栏目的播放量、新老用户比例；

（2） 针对流程进行拆解 ，比如不同渠道的浏览、购买转化率，不同省份的活动参与漏斗；

（3） 还原行为发生时的场景 ，比如打赏主播的用户的等级、性别、关注频道，是否在WiFi或4G环境下。

现在回到第一个场景：“比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析…” 

这时就需要用到多维度拆解分析方法，大致的分析思路这样这样： 

（1）从APP启动事件来分析 

按照 设备类型 查看，比如Android、iPhone…不同机型的启动情况；

按照 启动来源 来看，比如是从桌面、短信、PUSH…不同来源的启动情况；

按照 城市等级 观察，比如一线、二线、三线及以下…不同城市的启动情况；

按照 新老用户 细分，比如总体、新用户、老用户...不同用户群体的启动情况。

（2）从业务流程拆解 

比如对于简单的“注册——下单——支付”流程而言：

支付漏斗按照 渠道 查看，渠道可能分为百度、头条、微信公众号…

支付漏斗按照 城市 来看，城市可能分为一线、二线、三线及以下…

支付漏斗按照 设备 来看，设备可能分为Android、iPhone…

3、漏斗观察 

漏斗观察的分析方法我们常见且熟悉，它的运作原理是 通过一连串向后影响的用户行为来观察目标。 

适用于有明确的业务流程和业务目标的业务，不适用于没有明确的业务流程、跳转关系纷繁复杂的业务。 

通过漏斗观察核心业务流程的健康程度。 

盘点一下在建立漏斗时容易掉的坑： 

（1）首先漏斗观察需要有一定的时间窗口 ，具体需要根据业务实际情况，选择对应的时间窗口。 

按天观察 ，适用于对用户心智的影响只在短期内有效的情况，比如一些短期活动（当前有效，倒计时设置等）； 

按周观察 ，适用于业务本身复杂，用户决策成本高，需要跨日才能完成的情况，比如投资理财，开户注资； 

按月观察 ，适用于用户决策周期更长的情况，比如装修买房。 

（2）其次漏斗观察是有严格顺序的 ，不可以用ABCDE（仅搜索途径的数据）的漏斗，看ACE（包含分类、搜索、推荐位三条途径的数据）的数据 。

（3）漏斗的计算单位可以基于用户，也可以基于时间。

观察用户，是关心整个业务流程的推动；

观察事件，是关心某一步具体的转化率，但无法获知事件流转的真实情况。

（4）结果指标的数据不符合预期时，需要自查是否只有一个漏斗能够触达最终目标 ，也就是检查下，是否出现第二个坑的情况。

四、案例分享——某款社交APP在国庆期间数据猛涨原因分析

场景是这样，现在有一款匿名社交APP，类似于探探，数据范围在 2018 年 9 月 1 日 - 10 月 14 日之间，其中在国庆期间数据猛涨，试分析其原因。

（1）首先定义“数据猛涨”

作为一款匿名社交产品，可以选择观察「注册成功」事件。

由于产生行为数据的时间较短，所以最后选择关注“注册用户数的日环比是否有比较大的增涨”，并按照「注册成功」事件的「触发用户数」进行查看：

（2）发现异常定位问题

从上面这张注册成功的触发用户数折线图可以看出，国庆期间的注册用户日环比存在较高的数据增长差，就是折线右侧出现的一段高峰。

由此判断，国庆期间由于某种原因造成了注册用户数的大幅增长，具体原因，待进一步拆解分析。

（3）多维度拆解分析

按照操作系统区分观察，可以发现Android的涨幅明显高于iOS，iOS稍有涨幅，但涨幅不明显。

这一步仍无法直接定位问题，需进一步拆解分析。

上图 按照注册方式观察 ，微信、微博、手机号这三种注册方式，在国庆期间均有涨幅且涨幅相似，可初步判断注册方式与此次数据异常无关。

上图 按照性别观察 ，男生和女生在国庆期间均有涨幅，男生略高于女生，但仍无法直接定位问题，需进一步拆解分析；

上图 按照年龄观察 ，不同年龄层的用户在国庆期间均有涨幅且涨幅相似，可初步判断年龄与此次数据异常无关。

问题来了！按照省份观察 ，上图明显看到有一根折现异常升高！

其实是海南省的日环比涨幅增高，除此之外，云南省的环比涨幅相较其他省份也明显升高。

综上观察分析基本可以判断，国庆期间数据猛涨，跟海南省、云南省的注册用户数大幅增长有关，具体原因待进一步拆解分析。

继续 按照城市观察 ，筛选条件设置为省份等于海南省，云南省，直观看到丽江市、大理市、三亚市、海口市国庆期间数据猛涨。

综合以上多维度分析发现，国庆期间数据猛涨，主要是由于 丽江市、大理市、三亚市、海口市 四个城市有明显涨幅。

而这四个城市都属于旅游城市，且数据增长时期伴随国庆假期。

于是猜测可能是，该款匿名社交产品在国庆期间，面向这四个热门旅游目的地，做了推广活动，关于数据猛涨真实的具体原因，还需要与市场、运营、或负责增长相关的同事沟通确认。

数据分析的6种常用方法

常见的6种数据分析的方法有： 直接判断法、对比分析法、结构分析法、平均分析法、漏斗分析法、因果分析法

无需经过任何的数据对比，根据经验直接进行判断。

这种方法对人的要求极高，要求个人对于数据和市场的理解都极其透彻，没有深度沉淀较长时间是做不到的，否则就成了武断。

把数据与过去N次进行对比，常见的对比类型有：竞争对手对比、时间同比与环比、类比对比、转化对比、特征和属性对比、前后变化对比的等等。

对比分析法在分析中使用频率是最高的，因为很多数据只有在对比中才能得出好坏、析出问题。

常见分析术语：

达成： 本月实际完成销售额与目标业绩的对比。达成是用于获取当前业绩的完成进度，评估业绩完成进度是否合理。业绩达成了，原因是什么？因为什么地方足够好？业绩不达成，原因又是什么？什么地方出现问题？

同比： 本月实际完成业绩与去年同月时期的对比。同比是用于看当前业绩和去年同期业绩相比有没有增长。这是做增长的运营者关注的重要指标。同比上升了，要看上升幅度有没有符合预期，同比下降了，要重点看下降的原因。

环比： 本月实际完成的业绩与上月实际完成业绩的对比。环比是用于看企业业绩前后变化，如试行新的运营策略一个月后与前一个月进行对比，看运营策略是否有效，但是这需要排除其他导致数据异常的原因。

差异： 自身完成业绩与竞争对手完成业绩的对比。差异是用于寻找企业与同行的产品不同之处，有时是为了避开直接竞争，有时候是为了学习同行优秀之处。

注： 对比分析法要注意控制变量，尽可能保持单一变量的对比，其他条件需要保持一致，这样的数据对比才有意义。

组内数据与总体数据之间进行对比。

常见如电商流量结构，自然搜索流量占总体的比例，付费流量占总体的比例，个性化推荐占总体的比例等等。

设置一个平均线，分析数据高于或者低于平均值的原因。

观察流程中每一步的转化和流失。常见如电商转化漏斗：展现——点击——访问——咨询——下单——支付等，每一步都设置数据埋点，观察用户行为数据，对跳失较高的步骤进行优化，提升产品功能、促销策略、服务体验等。

用枝状结构画出因果关系的图表，把影响因素一一列出，形成因果对应，有利于制定合理的方案。

常用数据分析处理方法有哪些

常用的数据分析方法有：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析。

1、聚类分析：聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

2、因子分析：因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。

3、相关分析：相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系。

4、对应分析：对应分析也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。

5、回归分析：回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析。

6、方差分析：又称“变异数分析”或“F检验”，方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。

想要了解更多关于数据分析的相关信息，推荐选择十方融海。十方融海作为技术创新型企业，坚持源头核心技术创新，为用户提供听得懂、学得会、用得上的产品。该机构的解决方案和社会价值获得了主流媒体报道，与厦门大学、深圳大学、华南理工大学等高校达成校企合作，探索产教融合、成人教育新模式。用科技推动教育改革，让教育创造美好生活。

数据分析的方法有哪些

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~

数据分析的六种基本分析方法

数据分析的六种基本分析方法：

1、对比分析法 ：常用于对纵向的、横向的、最为突出的、计划与实际的等各种相关数据的。例如：今年与去年同期工资收入的增长情况、3月CPI环比增长情况等。

2、趋势分析法：常用于在一段时间周期内，通过分析数据运行的变化趋势（上升或下降），为未来的发展方向提供帮助。例如：用电量的季节性波动、股市的涨跌趋势等。

3、相关分析法：常用于分析两个或多个变量之间的性质以及相关程度。例如：气温与用电量的相关性、运动量大小与体重的相关性等。

4、回归分析法：常用于分析一个或多个自变量的变化对一个特定因变量的影响程度，从而确定其关系。例如：气温、用电设备、用电时长等因素对用电量数值大小的影响程度、工资收入的高低对生活消费支出大小的影响程度等。

5、描述性分析法：常用于对一组数据样本的各种特征进行分析，以便于描述样本的各种及其所代表的总体的特征。例如：本月日平均用电量、上海市工资收入中位数等。

6、结构分析法 ：常用于分析数据总体的内部特征、性质和变化规律等。例如：各部分用电量占总用电的比重、生活消费支出构成情况等。

常见的数据分析方法有哪些？

常见的数据分析方法有哪些？

1.趋势分析

当有大量数据时，我们希望更快，更方便地从数据中查找数据信息，这时我们需要使用图形功能。所谓的图形功能就是用EXCEl或其他绘图工具来绘制图形。

趋势分析通常用于长期跟踪核心指标，例如点击率，GMV和活跃用户数。通常，只制作一个简单的数据趋势图，但并不是分析数据趋势图。它必须像上面一样。数据具有那些趋势变化，无论是周期性的，是否存在拐点以及分析背后的原因，还是内部的或外部的。趋势分析的最佳输出是比率，有环比，同比和固定基数比。例如，2017年4月的GDP比3月增加了多少，这是环比关系，该环比关系反映了近期趋势的变化，但具有季节性影响。为了消除季节性因素的影响，引入了同比数据，例如：2017年4月的GDP与2016年4月相比增长了多少，这是同比数据。更好地理解固定基准比率，即固定某个基准点，例如，以2017年1月的数据为基准点，固定基准比率是2017年5月数据与该数据2017年1月之间的比较。

2.对比分析

水平对比度：水平对比度是与自己进行比较。最常见的数据指标是需要与目标值进行比较，以了解我们是否已完成目标；与上个月相比，要了解我们环比的增长情况。

纵向对比：简单来说，就是与其他对比。我们必须与竞争对手进行比较以了解我们在市场上的份额和地位。

许多人可能会说比较分析听起来很简单。让我举一个例子。有一个电子商务公司的登录页面。昨天的PV是5000。您如何看待此类数据？您不会有任何感觉。如果此签到页面的平均PV为10,000，则意味着昨天有一个主要问题。如果签到页面的平均PV为2000，则昨天有一个跳跃。数据只能通过比较才有意义。

3.象限分析

根据不同的数据，每个比较对象分为4个象限。如果将IQ和EQ划分，则可以将其划分为两个维度和四个象限，每个人都有自己的象限。一般来说，智商保证一个人的下限，情商提高一个人的上限。

说一个象限分析方法的例子，在实际工作中使用过：通常，p2p产品的注册用户由第三方渠道主导。如果您可以根据流量来源的质量和数量划分四个象限，然后选择一个固定的时间点，比较每个渠道的流量成本效果，则该质量可以用作保留的总金额的维度为标准。对于高质量和高数量的通道，继续增加引入高质量和低数量的通道，低质量和低数量的通过，低质量和高数量的尝试策略和要求，例如象限分析可以让我们比较和分析时间以获得非常直观和快速的结果。

4.交叉分析

比较分析包括水平和垂直比较。如果要同时比较水平和垂直方向，则可以使用交叉分析方法。交叉分析方法是从多个维度交叉显示数据，并从多个角度执行组合分析。

分析应用程序数据时，通常分为iOS和Android。

交叉分析的主要功能是从多个维度细分数据并找到最相关的维度，以探究数据更改的原因。