和数据打交道这么多年，我发现这两年有一个现象越来越普遍，就是很多原本和数据无关的工作，开始把数据分析作为工作的基本要求。

财务、市场、产品、运营，甚至人事.....后台来咨询我的不仅仅是数据分析师越来越多了。

刚开始做数据分析的新手，经常会问我:看了你之前的干货，学习了各种数理统计知识和数据分析方法，觉得自己入门了，但是应用到实际的工作场景中，就很迷茫——这么多的数据分析模型和方法，怎么选择呢？

虽然数据分析方法很多，但常见的分析思路基本可以归纳为七大类。今天就给大家介绍这七个分析套路，分别适合什么场合？(文中案例图由Fansoft FineBI制作)

要描述一个指数随时间的变化，趋势分析是必不可少的。比如下图中的分析，就是通过折线图/柱形图来分析不同时间的采购金额趋势，从而分析经营情况，监控异常波动。

下图通过矩形框图展示了不同原材料在不同时间的采购量。颜色越深，采购量越大，让你一眼就能看出哪个时间段对哪个原材料的需求最大。

如果想了解业务在不同粒度下的运营状态和数据信息，钻取分析是最合适的。

如下图，点击“东莞市”查看东莞市下各一级频道的浏览量，再点击“新媒体运营”查看“东桥市”——“新媒体运营”下各二级频道的浏览量。

钻取分析简单有效，比做一堆PPT然后来回切换好用多了。另外，本文使用的工具FineBI支持无限层钻取，无论是我们自己分析，还是向领导做分析报告，都非常直观易懂。

比如上下钻取，一张图就能看到整个国家和地区的销售数据(由FineReport)制作:

如果你想找到一个事件的关键影响因素，比如经营状况异常的主要原因，比如设定目标后的主要实现路径，还原分析是一个重要的思路。

如下图所示，从图1和图2可以看出，2018年的客户流失数量偏大，所以要重点关注18年的客户流失情况。

当我们统计不同类型、不同档次的流失客户时(如下图3、图4)，可以发现，与之前相比，2018年。

流失客户大多分布在二级以下的医院、零售店和第三终端，流失客户数量以C类客户最多。因此得出结论，应优先减少二级以下、三级终端和零售的客户流失，优先解决丙类客户流失。

比较可以直观地显示两个或多个指标之间的差异。目的是找出差异背后的原因，进而找到优化方法。

比较一般是基于同一个标准维度。举个例子，如下图所示，通过对比2017年和2018年不同类型的流失用户数，可以发现2018年哪些地区流失的用户更多，进而优化策略，减少这些客户的流失。

当我们需要找到不同事物/人的共性，或者需要针对不同事物/人提出优化策略时，象限分析是最好的方法。

最简单的例子如下图所示，将手头的事情按照重要程度和紧急程度进行分类，这样我们就可以很容易的确定每件事情的优先级。

比如波士顿矩阵这种经典的分析模型，将公司的产品按照销售增长率(反映市场引力的指标)和市场占有率(反映企业实力的指标)进行分类，进而分析公司的产品结构。

比如流传多年的RFM客户管理模型，旨在通过最新消费、消费金额、消费频率三个维度的象限分析，针对不同的用户采取不同的运营策略。

当我们需要把主题拆分成几个部分来阐述主题时，就需要进行因子分析，这类似于画一个树形图。

例如，在一份经营分析报告中，不仅需要对关键财务指标进行整体分析，还需要将经营状况分解为三个主要部分:销售额、毛利率、费用和人工成本。销售分析可以分解为单价分析、销售分析、品类分析等等。

简而言之，逐层分解旨在找到优化策略的方向。

当我需要监控业务情况，及时发现异常情况时，我需要进行离群点分析。

如下图所示，如果已知某公司本月利润下降，则需要找出异常情况，通过设置警戒线或对比数据排列，可以及时定位异常门店:

定位异常门店后，通过整理对比异常订单明细，找出问题所在。

以上是数据分析中常用的七种分析思路，以及它们的使用场景和常用的使用方法。以后我们遇到一个数据分析需求却做不到的时候，可以根据上面的使用场景来确定分析思路和方法。刚开始可能会比较麻烦。只有大量练习和总结，才能熟练运用。