在数据分析中，数据分析思维是框架式的指引，在一些通用的分析场景下可以快速使用，而且对未来构建数据分析模型也有帮助。
接下来就分享常见的12种数据分析方法：
我们平时表达内容基本可以分为事实和观点两部分，事实不可否认，而观点则可以不认同，但是大部分人很容易将事实和观点混淆
数据分析的工作中也是如此，我们做数据分析的目的是为了提升公司的决策水平，如果不能描述客观事实，那么信息在沟通过程中很容易变形。
如果开会的时候说“本月的销售额大幅下降“这样的观点，不同的人会有不同的理解。有些人会觉得下降20%以上叫大幅下降，有些人觉得下降10%就叫大幅。
如果去掉“大幅”呢？“本月的销售额下降”，这句话是一个事实，但是不同人的理解可能是不同的事实，因为没有说清楚下降是拿什么做对比。
归纳其实就是把复杂问题分解成多种单一因素的过程，并且将这些因素加以归纳和整理，使之条理化、纲领化。这个过程犹如抽丝剥茧，将一团乱麻理地条条顺顺。
在面对这么一个问题时，结构化思维方法首先做的并不是立刻着手清洗数据。
而是根据对业务的理解，先为数据分析画一个思维导图，它的作用相当于你来到一个陌生的城市拿出百度地图查询乘坐交通工具到入住的酒店的路线图。
事实上，结构化思维就是由麦肯锡提出的著名的“金字塔思维”，如下图就是典型的结构化：
漏斗思维是通过确定关键环节，进而完成一套流程式分析的思路，在各行各业都有相应的应用，如注册转化率的分析、用户浏览路径的分析、流量监控等。
以用户转化率的分析为例，一个网页从展示到下单运用结构化思维分析下来实际有五个关键步骤：曝光、点击、浏览、咨询、下单
通过对两种维度的划分，运用坐标的方式表达出想要的价值，由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，广泛应用于战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等。
下图是RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。
多维法是指对分析对象从多个维度去分析，这里一般是三个维度，每个维度有不同数据分类，这样代表总数据的大正方体就被分割成一个个小方块，落在同一个小方块的数据拥有同样的属性，这样可以通过对比小方块内的数据进行分析。如图，这是一个快餐店的外卖订单多维表：
对比主要分为以下几种：
横切对比：根据细分中的横切维度进行对比，如城市和品类
纵切对比：与细分中的纵切维护进行对比，如漏斗不同阶段的转化率
目标对比：常见于目标管理，如完成率等
时间对比：日环比，周月同比；7天滑动平均值对比，7天内极值对比
钻取：在维的不同层次间的变化，从上层降到下一层，或者说是将汇总数据拆分到更细节的数据，比如通过对2018年华为的总销售数据进行钻取来查看各个手机型号的销售数据。
上卷：钻取的逆操作，即从细粒度数据向高层的聚合。如将江苏省、上海市和浙江省的销售数据进行汇总来查看江浙沪地区的销售数据。
切片：选择维中特定的值进行分析，比如只选择苹果手机的销售数据，或2017年的手机销售数据。
切块：选择维中特定区间的数据进行分析，比如选择2016年2017年的销售数据。
旋转：即维的位置的互换，就像是二维表的行列转换，如图中通过旋转实现产品维和地域维的互换。
经过反复的细分对比后，基本可以确认问题所在了。这时候就需要和业务方确认是否因为某些业务动作导致的数据异常，包括新版本上线，或者活动策略优化等等。
如果仍然没有头绪，那么只能从最细颗粒度查起了，如用户日志分析、用户访谈、外在环境了解，如外部活动，政策经济条件变化等等
二八法也可以叫帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。
而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。
往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。
找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
在一些情况下，如进入新市场的销量、商品提价后销量的变化情况，可能没有明细数据进行分析，那么就需要用到假设法。假设法也就是假设一个变量或者比率成立，然后根据部分数据进行反推，这是一种启发思维的技巧，一般过程是先假设后验证然后判断出分析结果。
与数据分析流程的第一步相同，分析目的要明确，你需要思考的是：采用什么方法才能达到分析的目的，到底哪种图表才能完全展现你想要表达的意图，这几个分析维度是否全面，是否可以支撑分析结论等等，是自然而然的进行相应的问题分析。
（部分内容来源网络，如有侵权请联系删除）
