跟資料打交道這麼多年，我發現這兩年有個現象越來越普遍了，那就是很多原本跟資料無關的崗位，現在也開始把資料分析作為崗位的基礎要求了。
財務、市場、產品、運營，甚至是人事......後臺來諮詢我的越來越不侷限於資料分析師了。
經常有剛入門資料分析的新手問我：看了你之前的乾貨，學了各種數理統計知識和資料分析方法，自以為入門了，但一應用到實際工作場景中就蒙圈了——這麼多資料分析模型和方法，我該怎麼選用呢？
資料分析方法雖多，常見的分析思路基本上可以總結為7類，今天我就來和大家介紹一下這七種分析套路，分別適用於什麼場合！（文中案例圖由帆軟FineBI製作）
01 趨勢分析
要描述某項指標隨時間的變化，趨勢分析必不可少。比如下圖的分析，就是透過 折線圖/柱狀圖 對不同時間的採購金額進行趨勢分析，以此分析業務狀況和監控異常波動。
再如下圖，就是透過 矩形塊圖 展示不同時間對不同原料的採購額情況，顏色越深代表採購額越大，這樣就可以一目瞭然看出什麼時間段隊什麼原料需求量最大了。
02 下鑽分析
如果想了解業務在不同顆粒度下的經營狀況和資料資訊，下鑽分析最為合適。
如下圖，點選「東莞市」可以檢視到東莞市下每個一級渠道的瀏覽量，再點選「新媒體運營」可以看到「東菀市」-「新媒體運營」下的每個二級渠道的瀏覽量。
下鑽分析簡單有效，比做一堆PPT然後來回切換要好用太多，而且本文用的工具FineBI支援無限層鑽取的，無論是我們自己分析還是做成分析報告給領導，都非常直觀易懂。
再比如，透過上探下鑽，在一張圖裡就能看到全國和各地區的銷售資料（透過 FineReport 製作）：
03 縮小分析
如果想找到某事件的關鍵影響因素，比如經營狀況出現異常需要找主要原因，比如定下目標後需要找主要實現路徑，縮小分析是一條重要的思路。
如下圖，從小圖1、2中可以看出2018年的流失客戶數過多，所以我們要重點關注18年的客戶流失情況。
當我們把不同型別和等級的流失客戶進行統計（如下圖3、4），就能發現，相比之前，2018年
流失客戶多分佈在二級以下醫院、零售、第三終端，且流失客戶數以C類客戶最多。所以得出結論：需要優先降低二級以下、第三終端、零售這三類客戶的流失，優先解決C類客戶的流失。
04 對比
對比分析能夠直觀表現出兩個或多個指標的差異，目的是找出差異後進一步挖掘差異背後的原因，從而找到最佳化的方法。
對比分析一般要建立在同一標準維度上。比如下圖，透過2017年和2018年不同型別流失使用者數的對比，可以發現2018年哪些領域流失使用者較多，進而最佳化策略降低這些客戶的流失。
05 象限分析
當我們需要找到不同事物/人群的共性時，或者當我們需要對不同事務/人群提出針對的最佳化策略時，象限分析就是最好的方式。
最簡單的例子如下圖，將我們手頭的事按重要程度和緊急程度進行分類，這樣就可以輕鬆確定每件事的優先順序了。
還比如經典分析模型——波士頓矩陣，將公司產品按銷售增長率（反映市場引力的指標）和市場佔有率（反映企業實力的指標）進行分類，進而分析公司的產品結構。
再比如流傳多年的RFM客戶管理模型，就是透過最近一次消費、消費金額和消費頻次3個維度進行的象限分析，達到對不同使用者採取不同運營策略的目的。
06 因素分析
當我們需要將主題拆解成若干部分來解釋主題時，就需要因素分析，這種思路類似於畫樹狀圖。
比如在一份經營分析報告中，既要對關鍵財務指標進行整體分析，還需要將經營狀況拆解成銷售額、毛利率、費用及人力成本三個主要部分進行拆解分析。而銷售額分析又可以拆解成單價分析、銷量分析、品類分析等。
總之，層層分解，目的是找到最佳化策略的方向。
07 離群值分析
當我需要對經營狀況進行監控、及時找出異常情況時，就要進行離群值分析。
如下圖，若已知某公司該月利潤下滑，需要找出異常情況，可透過設定警戒線或資料排列對比，及時定位異常門店：
定位異常門店後，再透過排列對比定位異常訂單明細，找出問題。
以上就是做資料分析時常用的7種分析思路，以及它們的使用場景和常見使用方式。以後我們遇到一個資料分析需求卻無法下手時，就可以對照上面的使用場景確定分析思路和分析方法。剛開始可能會比較麻煩，多多實踐和總結才能做到熟練運用。