令狐沖在華山學藝時，雖然勤學苦練，但是終不得法，在機緣巧合之下，得到風清揚老前輩的真傳，練成獨孤九劍之后，才名震江湖。雖然笑傲江湖的故事情節是虛構的，但從令狐沖蛻變的過程可以看出，練武需要秘籍。數據分析也有一本傳世秘籍，只有六字，這就是《數據化管理》中提到的六字箴言、數據分析的三板斧：對比、細分、溯源，具體來說：
- （1）對比就是成對的比較，分為橫向對比和縱向對比，橫比是指和“他人”比較，比如，兩家公司的離職率；縱比是指按照時間維度，和“自己”比較，比如，一家公司去年和今天的離職率。
- （2）細分是指分維度、降低粒度來分析數據，分維度是指增加維度，比如，離職率按照部門維度來分析；降低粒度是指降低數據聚合的程度，比如，離職率不按年份，而按照月份來統計。
- （3）溯源是指在對比、細分鎖定到具體維度和粒度之后，依然沒有結論，那就需要查看原始數據，洞察數據，從數據中尋找靈感。
無對比，不分析
數據放在那里，是沒有意義的，只有比較起來，才體現出數據分析的價值。無對比，不分析，對比在數據分析中地位，不言而喻。對比其實很簡單，就是把A和B比較，但是，沒有可對比性的對比一定是耍流氓。數據沒有可對比性，就沒有數據分析。指標的可對比性，可以從四個“一致”原則來評估：
- 對象一致：比較的對象一致
- 時間屬性一致：指標的時間屬性一致
- 定義和算法一致：對分析對象的定義和計算方法一致
- 數據源一致：統計的數據樣本一致
有時，指標的值不重要，是否具有可比性才是關鍵，這四個一致性原則分別是指：
1. 對象一致是可比的最基本原則，番茄的銷量和豬的銷量是不可比的，這其實就是因為比較的對象不一致。
2. 時間屬性比較特殊，對象所在的季節、月份等時間屬性要有可比性，例如，一家便利店冬季雪糕的銷量，和夏季沒有可比性，因為對象的時間屬性不同，但做銷量的同比是可以的。
3. 對象的定義和算法要一致，舉個例子，青年的定義：
-
中國國家統計局：15-34周歲
-
中國共青團：14-28周歲
當統計青年人數占總人數的比例時，中國國家統計局和中國共青團的做出的指標，肯定是不同的。
4. 所作的分析中，數據源不同，數據的可比性就會大打折扣。
在做對比分析時，要記住三個“要”：對比要可比、差異要顯著、描述要全面。
- 對比要可比：對比分析要有可比性
- 差異要顯著：組間差異要顯著，組內差異要細微，常用的顯著性檢驗有T檢驗和方差分析；
- 描述要全面：當刻畫一組數據時，不僅要描述這組數據的一般水平（均值），還要考慮到這組數據的波動水平。如果波動很大，一般水平對數據總體的代表性就會很差。只考慮一般水平而不考慮波動和差異，會使數據的可信度大大縮水。
細分，增加分析的深度
細分體現在增加維度和降低粒度上。一個維度是數據表的一列，通常情況下，維度是指定性數據，例如，產品提供的服務的類型、用戶分布的地域等。在分析數據時，增加分析的維度，改變看待問題的視角，能夠在更細分的級別上分析數據，洞察到更多的知識，增加數據分析的深度。例如，新用戶的留存率，通過增加獲客來源的維度，可以監控各個來源的新用戶的留存率，把有限的經費使用到真正可以帶來有效轉化的地方。
粒度是數據的聚合程度，最細節的數據是不會聚合的原始數據。舉個例子，每日數據是原始數據，其粒度是日，數據的數量巨大，而每周的統計數據是對日數據的聚合，其粒度是周，數據的數量變成原來的1/7。
通過增加維度和降低粒度來細分數據，深挖數據，揭示數據中潛藏的規律。
溯源，從原始數據中獲得洞察
溯源，就是到細節數據中去，查看原始數據，反思用戶的行為。在做數據分析時，一定要明白你分析得數據是二手的，還是一手的。一手數據是最原始的數據，包含的內容最豐富，但數據可能不規范。二手數據是經過處理的，甚至是分析之后的數據，這些數據可能是片面的、閹割的、面向特定主題的。由此得出的分析結果可能有失偏駁。
數據分析方法
基本的數據分析方法，主要有以下4個，每一個方法都包含非常豐富的內容，下面簡單介紹它們的顯著特征。
1. 對比分析
對比分析中，通常以時間和空間兩個維度選擇參照物，自我比較，從“歷史”到“現在”，形成時間序列，叫做縱向對比；時間屬性相同，與別的事物比較，空間不同，叫做橫向對比。
2. 分類分析
研究對象通常是由不同的分組，每個分組的屬性可能是不同的，一個分組也叫一個類別。如果能把所有的個體按照其特點和屬性分類，使類內的差異小、具有共性；使類間的差異大、具有個性，那么分析的工作就是面向這幾個類別，而不是大量的個體。分類分析的價值就是用類別代替個體，找到個性所在。
3. 分布分析
當對比的對象不是一個數值，而是一組數據值時，需要考察數據的集中和離散趨勢。
4. 相關分析
相關分析研究的是事物之間的聯系，相關分析的價值，在於把關聯量化。發現相關性可以幫助你預測未來，而發現因果關系意味着你可以改變世界。
參考文檔：