對比分析，分組分析，矩陣關聯分析，邏輯樹分析，漏斗分析法
使用場景是用來判斷某個資料是好還是壞，以及判斷某幾個資料時間的差異性。
對比分析案例（時間，空間）：
不同時間分組：日、周、月、年
不同產品型別分組：產品屬性，產品區域
不同使用者型別分組：人口屬性（性別、年齡），客戶價值，消費頻次
不同渠道分組：線上渠道、線下渠道，付費渠道、免費渠道
使用場景：使用者資料報含的資訊多樣化，且各種型別的資料之間差異較大，用於分析不同型別資料之間的差異，經常與對比分析法一起使用。
使用場景：通過將複雜資料層層拆解，用於發現複雜資料中的問題和機會；
案例分析：
背景：為了更好的對不同點位進行精細化運營，根據點位產出，將點位分為了不同的層級，現在需要對不同層級的點位進行分析，找到影響產出的決定因素，以便找到提公升點位產出的措施。
gmv=點位數*單個點位下單人數*平均每人訂單量*客單價*平均每件商品**
案例分析：
背景：在監控某產品使用者路徑轉化率時發現，從列表頁到詳情頁這一步流失率特別高，需要具體定位問題原因。
結論：通過調研發現：使用者無法快速在列表中找到自己想要的產品，於是調整了列表頁的排序規則，並且增加了按照**和銷量排序的功能，經過一段時間的優化後，從產品詳情頁到支付成功環節的轉化率有了明顯的提高。
使用場景：當判斷某個事物有多重屬性時，且各個屬性之間沒有直接的關聯性，需要根據多重屬性判斷事物的結果。
swot矩陣：優勢，劣勢，機會，威脅
波士頓矩陣：市場份額，市場增長率
滿意度矩陣：重要性，滿意度
案例分析：
資料分析（五）
週末，終於閒了下來。突然想起資料分析的知識還沒整理完。好吧，廢話就不多說了，我們繼續總結相關的知識點。前面學了series和dataframe，今天我們先說說他們的運算 重要 使用python操作符 以行為單位操作，對所有行都有效。類似於numpy中二維陣列與一維陣列的運算，但可能出現nan 使用p...
資料分析處理（五）
id點菜次數最多 import numpy as np import pandas as pd 匯入pandas用於 操作 import xlrd 匯入xlrd用於獲取乙個 裡多個sheet from matplotlib import pyplot as plt 匯入pyplot用於繪圖 from...
資料分析學習（五）
學習主題 作者關聯 資料建模任務 對 作者關係進行建模，統計最常出現的作者關係 學習內容 構建作者關係圖，挖掘作者關係 學習成果 作者知識圖譜 圖關係挖掘 將作者列表進行處理，並完成統計。具體步驟如下 將 第一作者與其他作者 非第一作者 構建圖 使用圖演算法統計圖中作者與其他作者的聯絡 圖是複雜網路...