数据分析中有哪些常见的数据模型？ 举报 理由 举报 取消 如题，数据分析中有哪些数据模型可以直接使用，特别是对于一些互联网平台而言的产品，主要是最近想提升产品的销量，希望各位大神能够给予一点参考~~~ 2017年9月1日 7 条回复 794 次浏览 产品,分析,数据,数据模型,经理
回复 ( 7 )
之前的答案居然被人无耻地举报了，账号还被莫名其妙地封了，这里不评价知乎团队，起码还有很多优质的用户。
鉴于之前赞数还是很多的，挺多人关注的，这里我又把答案抛开出来。
—————————————————————————-
要进行一次完整的数据分析，首先要明确数据分析思路，如从那几个方面开展数据分析，各方面都包含什么内容或指标。是分析框架，给出分析工作的宏观框架，根据框架中包含的内容，再运用具体的分析方法进行分析。
数据分析方法论的作用：
五大数据分析模型
1.PEST分析模型
政治环境：
包括一个国家的社会制度，执政党性质，政府的方针、政策、法令等。不同的政治环境对行业发展有不同的影响。
政治体制，经济体制，财政政策，税收政策，产业政策，投资政策，专利数量，国防开支水平，政府补贴水平，民众对政治的参与度。
经济环境：
宏观和微观两个方面。
宏观：一个国家国民收入，国民生产总值以及变化情况，以通过这些指标反应国民经济发展水平和发展速度。
微观：企业所在地区的消费者收入水平、消费偏好、储蓄情况、就业程度等因素，这些因素决定着企业目前以及未来的市场大小。
GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
社会环境：
包括一个国家或地区的居民受教育程度和文化水平、宗教信仰、风俗习惯、审美观点、价值观等。文化水平营销居民的需求层次，宗教信仰和风俗习惯会禁止或抵制某些活动的进行，价值观会影响居民对组织目标和组织活动存在本身的认可，审美观点则会影响人们对组织活动内容、活动方式以及活动成果的态度。
人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
技术环境：
企业所处领域直接相关的技术手段发展变化，国家队科技开发的投资和支持重点，该领域技术发展动态和研究开发费用总额，技术转移和技术商品化速度，专利及其保护情况。
新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况。
3.逻辑树分析模型
将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。
把一个已知问题当作树干，考虑这个问题和哪些问题有关，将相关的问题作为树枝加入到树干，一次类推，就会将问题扩展成一个问题树。
逻辑树能保证解决问题的过程完整性，将工作细化成便于操作的具体任务，确定各部分优先顺序，明确责任到个人。
逻辑树分析法三原则：
产品：
能提供给市场，被人们使用和消费并满足人们某种需求的任何东西，包括有形产品、服务、人员、组织、观念和它们的组合。
价格：
购买产品时的价格，包括基本价格、折扣价格、支付期限等。影响价格的主要因素有需求、成本和竞争。
渠道：
产品从生产企业流转到用户手上全过程所经历的各个环节。
促销：
企业通过销售行为的改变来激励用户消费，以短期的行为促进消费的增长，吸引其他品牌用户或导致提钱消费来促进销售增长。
5.用户行为模型
用户行为指用户为获取、使用产品或服务才去的各种行动，首先要认知熟悉，然后试用，再决定是否继续消费使用，最后成为产品或服务的忠实用户。
行为轨迹：认知->熟悉->试用->使用->忠诚
最后
五大数据分析模型的应用场景根据数据分析所选取的指标不同也有所区别。
PEST分析模型主要针对宏观市场环境进行分析，从政治、经济、社会以及技术四个维度对产品或服务是否适合进入市场进行数据化的分析，最终得到结论，辅助判断产品或服务是否满足大环境。
5W2H分析模型的应用场景较广，可用于对用户行为进行分析以及产品业务分析。
逻辑树分析模型主要针对已知问题进行分析，通过对已知问题的细化分析，通过分析结论找到问题的最优解决方案。
4P营销理论模型主要用于公司或其中某一个产品线的整体运营情况分析，通过分析结论，辅助决策近期运营计划与方案。
用户行为分析模型应用场景比较单一，完全针对用户的行为进行研究分析。
当然，最后还是要说，模型只是前人总结出的方式方法，对于我们实际工作中解决问题有引导作用，但是不可否认，具体问题还要具体分析，针对不同的情况需要进行不同的改进，希望成为一个数据专家，最重要的一点还是多实践！实践才是真理！
针对题主主要想提高产品销量的目的，我试图回答一下。我先给出一般的方法论，然后针对具体提高销量的问题进行分析解答。
首先，一般的方法论：你最应该关注的，可能不只是数据模型，而是一整套数据分析的过程（methodology）:
1. 问题建模（problem formulation), 把你的商业问题转化为一个数据分析的问题。
2. 针对转化好的数据分析问题，有针对性的收集数据 （data collection)
3. 检验数据的正确性 (data validation)
4. 运用恰当模型分析数据，得出能导致可操作的结论 (data analysis, get actionable insight)
5. 如果4没能成功，肯定市2，3，4中某一步有问题，返回迭代。(next iteration)
下面针对如何提高销量的问题，对每一步稍微展开一点。
1. 问题建模。尧提高销量，显然要首先理解用户及潜在用户。必须对用户进行分类，针对每一类用户货潜在用户，分析他们的需求特点，消费习惯，消费能力，然后有针对性的进行销售。因而，这个商业问题可以转化为这样一些数据分析的问题。
1.a. 用户分类 （user segmentation)
1.b. 针对每类用户，进行需求，消费习惯，消费能力的总结概括。(user behavior analysis, aggregation)
2. 数据收集。要进行用户分类，必须对每一个用户或潜在用户，搜集他们的尽可能多的属性，简单的比如，年龄，性别，地域，职业，等等，复杂的，比如购买历史，等等。
3. 数据检验。这个很重要，必须确认你得到的数据是可靠的，否则没有任何分析的价值，甚至会产生误导。(garbage in, garbage out)
4. 数据分析。用户分类有很多现成的方法，一般来讲，你可能需要聚类（无监督学习）的方法，如果你没有标好的数据的话（labeled data)，象K-menas之类。
分类如果做好的话，针对每类用户，分析总结他们的特点相对比较容易。这时候，你就会分析哪一类用户商业价值最大，最需要你投入精力，等等。
5. 如果第四步没能得到有效的结论指导你的销售策略，就返回2，反思，总结，改进，进行下一轮的迭代。
数据分析中， 产品经理经常会用AARRR模型来进行数据分析。著名的《增长黑客》里面的数据分析基础，也是以这个模型为基础的。2A3R理论包括：
AARRR用户运营模型是在海盗理论模型基础上简化了，把用户细分，不同类型的用户对应的处理方式不同，用户分为新增、活跃、流失三类，分别对应的业务如下图：
运营人员需要全面掌握站点、商品、用户的信息的同时，更重要的是通过对三者的干预来实现运营目标，不论是增加粉丝、拉升销量还是扩大品牌效应。但是有一点需要我们注意的是，我们实际能直接干预的是站点和商品、对用户我们基本是通过站点和商品来实现的间接影响。
AARRR模型，一般用作用户运营分析，解决用户的问题。但是对各种活动来说， 并不能有效的指导活动，活动针对的是商品和体验，这一点从99click CEPO标准获客分析模型中可以体现出。
从CEPO标准获客分析模型可以看出用户从看到广告到注册成功这一流程，经过5个环节，分别对应不同的数据指标，那用户对站点的而体验表现在从吸引，兴趣、转化、引导这些，以内容和体验为主要，因此站点体验影响了用户的转化。根据这些找出问题所在，并进行优化，达到提升销量的目的。
看产品形式和诉求初衷：
例如WEB端产品：
展现量（快照展现和广告展现）
点击量
访问量
咨询量
成单量
假如我们诉求初衷是成单量低的原因：我们可以通过几个维度的数据分析我们网站产品，快速找到出问题的环节，在去找影响的因素，这就是常见的漏斗分析模型。
互联网产品的销量，主要是电商的转化分析模型和AARRR模型，前者针对一个具体用户的在产品各个环节/里程碑的转化环节进行诊断，后者针对产品生命周期，进行核心KPI指标的提炼和关键目标的拆解，对于精准和精细分析非常有效。
选举
个人觉得只有一个帕累托模型（二八定律），其他模型都是逻辑的数据体现，比如漏斗模型是流程分析的体现，决策树是细分的体现。