反轉設計數據分析方法

1. 常用的數據分析方法有哪些

1. 描述型分析：發生了什麼?

這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2. 診斷型分析：為什麼會發生?

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。

3. 預測型分析：可能發生什麼?

預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4. 指令型分析：需要做什麼?

數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。

2. 反轉法設計凸輪輪廓線的基本原理是什麼

反轉法」原理的依據是相對運動原理。當給整個機構加一個共同的運動時,各構件的絕對運動發生了變化,但各構件的相對運動卻並不改變,各構件的相對尺寸亦不改變。因而,對轉化後的機構進行設計的結果與對原機構進行設計的結果是相同的。實現這種轉化的方法就是機構倒置或反轉法。反轉法的本質就是改變參考系,是許多機構的構型設計及機構運動學和動力學分析的一種基本方法。其中,在凸輪機構中的應用最典型。

3. 9種常用的數據分析方法（實用干貨，強烈建議收藏）

所謂公式拆解法就是針對某個指標，用公式層層分解該指標的影響因素。
舉例：分析某產品的銷售額較低的原因，用公式法分解

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。比如在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現數據變化規律，使用頻繁，經常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高於B公司，但是B公司的增速迅猛，高於A公司，即使後期增速下降了，最後的銷售額還是趕超。

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業務數據，最後分析評估出最好版本正式採用。A/Btest的流程如下：

（1）現狀分析並建立假設：分析業務數據，確定當前最關鍵的改進點，作出優化改進的假設，提出優化建議；比如說我們發現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了

（2）設定目標，制定方案：設置主要目標，用來衡量各優化版本的優劣；設置輔助目標，用來評估優化版本對其他方面的影響。

（3）設計與開發：製作2個或多個優化版本的設計原型並完成技術實現。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優化方案的流量設置可以較小，根據情況逐漸增加流量。

（5）採集並分析數據：收集實驗數據，進行有效性和效果判斷：統計顯著性達到95%或以上並且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。

（6）最後：根據試驗結果確定發布新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續優化迭代方案重新開發上線試驗。
流程圖如下：

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常與產品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

高點擊率高轉化的廣告，說明人群相對精準，是一個高效率的廣告。高點擊率低轉化的廣告，說明點擊進來的人大多被廣告吸引了，轉化低說明廣告內容針對的人群和產品實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容針對的人群和產品實際受眾符合程度較高，但需要優化廣告內容，吸引更多人點擊。低點擊率低轉化的廣告，可以放棄了。還有經典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

通過象限分析法，將有相同特徵的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優化策略
針對投放的象限分析法可以針對不同象限建立優化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們回歸。

帕累托法則，源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業。找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量並構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額，那麼哪些SKU是重要的呢，這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，並將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，並計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些，佔比多少。假設有20%，那麼在資源有限的情況下，就知道要重點維護這20%類客戶。

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環節。相鄰環節的轉化率則就是指用數據指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然後用轉化率來衡量每一個步驟的表現，最後通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的可優化點。對於沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

還有經典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品運營中比較常見的一個模型，結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環節，可以進行數據的橫向和縱向對比，從而發現對應的問題，最終進行不斷的優化迭代。

用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監測，可以用來衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業務目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。如何進行用戶行為路徑分析？

（1）計算用戶使用網站或APP時的每個第一步，然後依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。
（2）查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶後，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
（3）進行路徑優化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
（4）通過路徑識別用戶行為特徵。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。
（5）對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，並對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什麼問題。還有一種方法是利用演算法，基於用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復的過程，例如提交訂單後，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速用戶動機，從而引領用戶走向最優路徑或者期望中的路徑。
用戶行為路徑圖示例：

用戶留存指的是新會員/用戶在經過一定時間之後，仍然具有訪問、登錄、使用或轉化等特定屬性和行為，留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認定的留存為例：
第一種 日留存，日留存又可以細分為以下幾種：
（1）次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數
（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數
（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數
（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數
（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數

第二種 周留存，以周度為單位的留存率，指的是每個周相對於第一個周的新增用戶中，仍然還有登錄的用戶數。

第三種 月留存，以月度為單位的留存率，指的是每個月相對於第一個周的新增用戶中，仍然還有登錄的用戶數。留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

聚類分析屬於探索性的數據分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結果要求組內對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以藉助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

可以看到，數據可以被分到紅藍綠三個不同的簇（cluster）中，每個簇應有其特有的性質。顯然，聚類分析是一種無監督學習，是在缺乏標簽的前提下的一種分類模型。當我們對數據進行聚類後並得到簇後，一般會單獨對每個簇進行深入分析，從而得到更加細致的結果。

4. 數據分析常用的4大分析方法

1. 描述型分析：發生了什麼?

這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2. 診斷型分析：為什麼會發生?

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。

3. 預測型分析：可能發生什麼?

預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4. 指令型分析：需要做什麼?

數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。

關於數據分析常用的4大分析方法的內容，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

5. 常用的數據分析方法有哪些

通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。常見的對比有橫向對比和縱向對比。

②分組分析法

分組分析法是指根據數據的性質、特徵，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。所謂屬性指標代表的是事物的性質、特徵等，如姓名、性別、文化程度等，這些指標無法進行運算;而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

③預測分析法

預測分析法主要基於當前的數據，對未來的數據變化趨勢進行判斷和預測。預測分析一般分為兩種：一種是基於時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額;另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

④漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注於某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。比如，對於信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡，最後用戶激活並使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。使用漏斗分析法，能使業務方關注各個環節的轉化率，並加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，採取適當的措施來提升業務指標。

⑤AB測試分析法

AB 測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。例如，對於某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最後根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

6. 數據分析的方法有哪些

數據分析是指通過統計分析方法對收集到的數據進行分析，將數據加以匯總、理解並消化，通過數據分析可以幫助人們作出判斷，根據分析結果採取恰當的對策，常用的數據分析方法如下：

將收集到的數據通過加工、整理和分析的過程，使其轉化為信息，通常來說，數據分析常用的方法有列表法和作圖法，所謂列表法，就是將數據按一定規律用列表方式表達出來，是記錄和處理數據最常用的一種方法；

表格設計應清楚表明對應關系，簡潔明了，有利於發現要相關量之間的關系，並且在標題欄中還要註明各個量的名稱、符號、數量級和單位等；

而作圖法則能夠醒目地表達各個物理量間的變化關系，從圖線上可以簡便求出實驗需要的某些結果，一些復雜的函數關系也可以通過一定的變化用圖形來表現。

想要了解更多關於數據分析的問題，可以咨詢一下CDA認證中心。CDA行業標准由國際范圍數據領域的行業專家、學者及知名企業共同制定並每年修訂更新，確保了標準的公立性、權威性、前沿性。通過CDA認證考試者可獲得CDA中英文認證證書。

7. 數據分析方法有哪些

常用的數據分析方法有：聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析。

1、聚類分析(Cluster Analysis)

聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。

2、因子分析(Factor Analysis)

因子分析是指研究從變數群中提取共性因子的統計技術。因子分析就是從大量的數據中尋找內在的聯系，減少決策的困難。因子分析的方法約有10多種，如重心法、影像分析法，最大似然解、最小平方法、阿爾發抽因法、拉奧典型抽因法等等。

3、相關分析(Correlation Analysis)

相關分析(correlation analysis)，相關分析是研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向以及相關程度。

4、對應分析(Correspondence Analysis)

對應分析(Correspondence analysis)也稱關聯分析、R-Q型因子分析，通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系。對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構以點的形式在較低維的空間中表示出來。

5、回歸分析

研究一個隨機變數Y對另一個(X)或一組(X1，X2，?，Xk)變數的相依關系的統計分析方法。回歸分析(regression analysis)是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。

6、方差分析(ANOVA/Analysis of Variance)

又稱「變異數分析」或「F檢驗」，是R.A.Fisher發明的，用於兩個及兩個以上樣本均數差別的顯著性檢驗。由於各種因素的影響，研究所得的數據呈現波動狀。

想了解更多關於數據分析的信息，推薦到CDA數據認證中心看看，CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證， 旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。 「CDA 數據分析師」具體指在互聯網、金融、零售、咨詢、電信、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、 提供決策的新型數據分析人才。

8. 常用的數據分析方法是什麼

1. 描述型分析

這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2. 診斷型分析

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。

3. 預測型分析

預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4. 指令型分析

數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。

9. 怎樣對數據進行分析

數據分析方法：

1、對比分析法

對比分析法是通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。常見的對比有橫向對比和縱向對比。利用對比分析法可以對數據規模大小、水平高低、速度快慢等做出有效的判斷和評價。

2、分組分析法

分組分析法是根據數據的性質、特徵，按照一定的指標，將數據總體劃分為不同的部分，分析其內部結構和相互關系，從而了解事物的發展規律。根據指標的性質，分組分析法分為屬性指標分組和數量指標分組。

所謂屬性指標代表的是事物的性質、特徵等，如姓名、性別、文化程度等，這些指標無法進行運算；而數據指標代表的數據能夠進行運算，如人的年齡、工資收入等。分組分析法一般都和對比分析法結合使用。

3、預測分析法

預測分析法主要基於當前的數據，對未來的數據變化趨勢進行判斷和預測。

預測分析一般分為兩種：一種是基於時間序列的預測，例如，依據以往的銷售業績，預測未來3個月的銷售額；另一種是回歸類預測，即根據指標之間相互影響的因果關系進行預測，例如，根據用戶網頁瀏覽行為，預測用戶可能購買的商品。

4、漏斗分析法

漏斗分析法也叫流程分析法，它的主要目的是專注於某個事件在重要環節上的轉化率，在互聯網行業的應用較普遍。

比如，對於信用卡申請的流程，用戶從瀏覽卡片信息，到填寫信用卡資料、提交申請、銀行審核與批卡，最後用戶激活並使用信用卡，中間有很多重要的環節，每個環節的用戶量都是越來越少的，從而形成一個漏斗。

使用漏斗分析法，能使業務方關注各個環節的轉化率，並加以監控和管理，當某個環節的轉換率發生異常時，可以有針對性地優化流程，採取適當的措施來提升業務指標。

5、AB測試分析法

AB測試分析法其實是一種對比分析法，但它側重於對比A、B兩組結構相似的樣本，並基於樣本指標值來分析各自的差異。

例如，對於某個App的同一功能，設計了不同的樣式風格和頁面布局，將兩種風格的頁面隨機分配給使用者，最後根據用戶在該頁面的瀏覽轉化率來評估不同樣式的優劣，了解用戶的喜好，從而進一步優化產品。

10. 數據分析的方法有哪些

數據分析的方法有：對比分析法，分組分析法，預測分析法，漏斗分析法，AB測試分析法，象限分析法，公式拆解法，可行域分析法，二八分析法，假設性分析法。

1.對比分析法：對比分析法指通過指標的對比來反映事物數量上的變化，屬於統計分析中常用的方法。常見的對比有橫向對比和縱向對比。

橫向對比指的是不同事物在固定時間上的對比，例如，不同等級的用戶在同一時間購買商品的價格對比，不同商品在同一時間的銷量、利潤率等的對比。

數據分析方法是‬數據統計學‬當中‬應用‬非常‬廣泛‬的方法‬，具體‬方法‬有很多種‬，具體採用的時候因人而異。