欢迎关注 @Python与数据挖掘 ，专注 Python、数据分析、数据挖掘、好玩工具！

我比较喜欢理论与实践相结合，之前分析了很多实战案例，也快到年底了，我归纳整理了15种常用/常见的数据分析方法和模型，并将其分为两大类。喜欢本文记得收藏、关注、点赞。话不多话，直接开盘！

交流群

群内高手如云，想要技术交流、资料获取的同学，可以直接加微信号：dkl88191。加的时候备注一下：研究方向+学校/公司+，即可。然后我拉你进群

对外部用户分析模型

1、RFM分析

RFM分析模型用来对用户进行分类，并判断每类细分用户的价值。通过这三个关键指标判断客户价值并对客户进行观察和分类，针对不同的特征的客户进行相应的营销策略。

2、帕累托/ABC分析

ABC分析法可用于分清业务的重点和非重点，以此实现差异化的营销管理。

3、波士顿矩阵分析

波士顿矩阵通过销售增长率和市场占有率，来将产品类型分为四类。

4、转化分析

转化漏斗模型，是工作中最常用的分析模型，可以分析整条业务流程中的转化和流失情况，通过转化数据，精确定位每个环节流失用户，进而定向营销促转化。

5、购物篮分析-关联规则

通过分析用户消费数据，把不同商品进行关联，挖掘二者之间的联系，就叫做商品关联分析法。

6、复购率分析

指最近一段时间购买次数，用于说明用户的忠诚度，反向则说明商品或服务的用户黏性。

7、留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，用来查看进行初始行为后的用户中， 经过一段时间后仍然存在客户行为。

8、月复购分析

月复购率分析可以帮我们观察用户的忠诚度。提升复购率，可以提高用户购买的频次。

9、AARRR用户运营分析

AARRR模型又叫海盗模型，包含用户增长的5个指标：获客、激活、留存、收益、传播。

10、用户流入流出分析

对流入客户和流出客户的行为进行分析，分析后各个品牌的竞争力情况一目了然。

11、用户画像分析

用户画像分析用一句话来总结就是：用户信息标签化。

对内部运营分析方法

12、需求分析方法—KANO模型

KANO模型：是对用户需求进行分类和优先排序的有用工具，将需求分为四类。这个模型能帮助我们从海量需求中找出最值得去做的事

必备型需求（必须有）：即常说的痛点。对于用户而言，这些需求是必须满足的，理所当然的。当不提供此需求，用户满意度会大幅降低。这类是核心需求，也是产品必做功能。

期望型需求（应该有）：当提供此需求，用户满意度会提升；当不提供此需求，用户满意度会降低。通常作为竞品之间比较的重点。

兴奋型需求（可以有）：惊喜型产品功能，超出用户预期，往往能带来较高的忠诚度。不提供也不会降低用户满意度。

无差异需求（可以没有）：用户根本不在意的需求，对用户体验毫无影响。尽量规避做此类型功能。

13、库存周转分析

通过分析企业从取得存货开始，到消耗、销售为止所经历的天数。周转天数越少，说明存货变现速度越快，销售状况越良好。

14、杜邦分析

杜邦分析法用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效。

15、盈亏平衡分析

盈亏平衡分析又称本量利分析法，是根据产品的业务量、成本、利润之间的相互制约关系的综合分析，用来预测利润，控制成本，判断经营状况。

文章推荐

心得总结：一名优秀的数据分析专家的能力模型

实践分享：如何搭建数据指标体系？

够强大！Python 这款可视化大屏不足百行代码！

太漂亮了 ! 输出好看的表格，就用这个 Python 库！

不容错过！这三个堪称神级的 Python 网站真香啊！

摒弃这18个 Python 坏习惯，让你的代码好用到起飞！

妙不可言！这4款Python自动数据分析神器真香啊！

训练模型时，如何便捷地保存日志信息？

深度盘点：8000字详细介绍 Python 中的 7 种交叉验证方法

效率倍增！PyCaret：一个开源、低代码的 Python 机器学习工具!

盘点数据挖掘中常见的5种 AutoEDA 工具

效率倍增！5 个提高生产力的 Jupyter notebook插件！

20+时序模型！GluonTS：一个专门为时间序列建模而设计的工具包！

妙不可言！使用 Python 管道 Pipe 编写代码如此优雅！

只需三五行代码即可产出完美数据分析报告，这四大 AutoEDA 工具包真的太棒了！

深度盘点：机器学习中常见的7种 AutoML 工具库！

微软出品！FLAML：一款可以自动化机器学习过程的神器！

整理不易，有所收获，点个赞和爱心❤️，更多精彩欢迎关注