以下资源来源于B站秦路老师《七周成为数据分析师》

一、结构化思维

即《金字塔原理》中的从上至下、从general到specific。
举例：分析销量下降的原因

销量下降.png

显然，有些指标是无法从数据的方面衡量的，因此有下列的方法。

二、 公式化

即对某一指标进行拆解，使用四则运算将其分成多个指标。
如上例分析销量下降的原因：

销量下降.png

三、 业务化

结构化和公式化让我们很容易脱离业务方的需要，停留在一个很宽泛的概念，而无法进行改进。
在分析之后，要反问自己：

• 有没有从业务方的角度出发？
• 真的分析出原因了吗？
• 能不能将分析结果落地？
  三者之间的关系应该是：
  结构化思维（捋清思路）——公式化（结构化数据）——结构化业务数据（落地，贴合业务）

四、 象限法

即使用四象限、八象限将数据群按照属性进行分割。
常见的有RFM分析法：（待填坑）

图源：知乎（猴子数据分析）.png

五、 多维法

即将数据集按照多个属性进行归类。但注意要避免辛普森悖论。
辛普森悖论:
https://zhuanlan.zhihu.com/p/348967975

六、 假设法

当我们没有缺少数据时（即系统是黑箱的），我们只能假设某些条件是正确的，在该条件下去找到支持的数据。
eg1.在某节日的一次营销活动之后，某APP的销量上升，试问该营销活动是否有效？（也可能是节日效果的原因）
假设该营销活动是有效的→通过该活动购买人数增加→有购买评论提及该活动→假设评论数/购买总人数的比例相比于日常是不变的→推断总购买人数
eg2.假设你是一名电商分析师，分析价格提高后，收入的变化？
假设价格提高，销量减少→渠道曝光率不变，但转化率发生了变化→假设忠诚客户转换率几乎不变、薅羊毛顾客转化率几乎为0、普通顾客下降一个比率→根据历史数据计算三者人数的汇总和总收入

七、 二八法

即考虑最重要的指标，考虑能产生80％效果的20％的数据。

八、 指数法

• 线性加权：即根据各个指标的重要程度赋予权重。
• 反比例法：将数据控制在0-1之间，并通过k/x或1/(x+a)来控制系数的变化，从而加强数据之间的分布差异或者说反比例函数的收敛性（与灰色关联中的分布系数相似）
• log法：将大的数据缩小

九、 对比法

没有对比的数据是没有意义的，从中得不到什么有意义的结论。

• 竞争对手对比
• 类别对比
• 特征和属性对比
• 时间环比同比对比
• 转化对比
• 前后变化对比

十、 漏斗法

通过漏斗法可以分析一整个流程中用户的转换情况。如：

图源知乎用户.png

但需要注意的是，单看漏斗转换的数据是没有意义的，需要结合对比法来应用