PEST分析法PEST，也就是政治（Politics）、经济（Economy）、社会（Society）、技术（Technology），能从各个方面把握宏观环境的现状及变化趋势，主要用户行业分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。 上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。
数据分析的方法有：对比分析法，分组分析法，预测分析法，漏斗分析法，AB测试分析法，象限分析法，公式拆解法，可行域分析法，二八分析法，假设性分析法。 对比分析法：对比分析法指通过指标的对比来反映事物数量上的变化，属于统计分析中常用的方法。常见的对比有横向对比和纵向对比。
钻取分析 所谓钻取分析，是指改变维的层次，变换分析的粒度。按照方向方式分为：向上和向下钻取。向上钻取是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；是自动生成汇总行的分析方法。向下钻取是从汇总数据深入到细节数据进行观察或增加新维的分析方法。
转化漏斗 按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有不同供应商及时交货率趋势等。用户分群 在精细化分析中，常常需要对有某个特定行为的供应商群组进行分析和比对；数据分析需要将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。
分组分析法一般都和对比分析法结合使用。③预测分析法 预测分析法主要基于当前的数据，对未来的数据变化趋势进行判断和预测。
决策树（Decision Tree）是一种有监督学习算法，常用于分类和回归。本文仅讨论分类问题。决策树模型是运用于分类以及回归的一种树结构。决策树由节点和有向边组成，一般一棵决策树包含一个根节点、若干内部节点和若干叶节点。
决策树又称判定树，是一种呈树状的图形工具，适合于描述处理中具有多种策略，要根据若干条件的判定，确定所采用策略的情况。左端圆圈为树根表示决策结点；由决策结点引出的直线，形似树枝，称为条件技，每条树枝代表一个条件；中间的圆圈称为条件结点；右端的实心圆表示决策结果。
项目需要作出某种决策、选择某种解决方案或者确定是否存在某种风险时，决策树（decision making tree）提供了一种形象化的、基于数据分析和论证的科学方法。
决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。决策树中最上面的节点称为根节点，是整个决策树的开始。
决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。分类树（决策树）是一种十分常用的分类方法。
决策树分析法是指分析每个决策或事件（即自然状态）时，都引出两个或多个事件和不同的结果，并把这种决策或事件的分支画成图形，这种图形很像一棵树的枝干，故称决策树分析法。选择分割的方法有好几种，但是目的都是一致的：对目标类尝试进行最佳的分割。一般都是自上而下的来生成的。
分析数据 分析数据往往需要各类统计分析模型，如关联规则、聚类、分类、预测模型等等。SPSS、SAS、Python、R等工具，多多益善。数据呈现 可视化工具，有开源的Tableau可用，也有一些商业BI软件，根据实际情况掌握即可。
Data Mining Algorithms（数据挖掘算法），可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
完整的数据分析主要包括了六大步骤，它们依次为：分析设计、数据收集、数据处理、数据分析、数据展现、报告撰写等，所以也叫数据分析六步曲。①分析设计 首先是明确数据分析目的，只有明确目的，数据分析才不会偏离方向，否则得出的数据分析结果不仅没有指导意义，亦即目的引导。
数据分析包括以下内容： 数据采集和清洗：获取数据并进行必要的数据清洗，以便获取高质量的数据用于分析。 数据预处理和转换：对数据进行预处理和转换，例如去除异常值、分组、归一化或标准化、数据缩放和降维等。
数据处理：通过技术手段，对收集的数据进行提取、清洗、转化和计算，异常值处理、衍生字段、数据转换等具体步骤。数据分析：这里主要有两个技术手段，统计分析和数据挖掘，找到相关的数据关系和规则，然后利用业务知识来解读分析结果。
数据预处理：包括图像数据分析，校正，配准，子区裁剪等操作。 2）数据处理：包括图像增强、信息提取等。主要有两方面工作，即图像分类、解译和成矿信息提取。 3）生成专题图层：研究区构造格架、影像构造单元划分，蚀变遥感异常信息以及成矿位场等图层，为多元信息统计分析提供数据源。 遥感图像处理流程（图5-1）。
遥感数据处理的主要流程包括数据组织（即数据种类选择、范围确认、时相选择、订购等）、数据镶嵌（单景数据不存在此过程）、几何校正、图像生成、图像增强、图像整饰等过程，见图3-2。 图3-2 数据处理流程图 （三）数据处理 数据镶嵌 所谓镶嵌，就是将相邻两景图像拼接、形成大图像的过程。
遥感的类型主要有以下几种：卫星遥感数据。这是通过卫星在地球轨道上收集的信息，包括图像、光谱数据和地理定位数据等。这些数据能够提供全球尺度的观测，广泛应用于环境监测、资源调查、灾害评估等领域。卫星遥感数据具有覆盖范围广、连续性强等特点。航空遥感数据。
所谓遥感数据处理，就是依据数字图像的特征，构造各种数字模型和相应的算法，由计算机进行运算 （ 矩阵变换） 处理，进而获得更加有利于实际应用的输出图像及有关数据和资料。
1、数据清洗是大数据技术中的数据预处理要完成的任务。数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。数据清洗是大数据技术中的数据预处理要完成的任务。与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。
2、大数据处理的四个步骤包括：数据收集、数据清洗与整理、数据分析和数据可视化。首先，数据收集是大数据处理的第一步，它涉及从各种来源获取相关信息。这些来源可能包括社交媒体平台、企业数据库、电子商务网站、物联网设备等。数据收集的关键是确保数据的全面性和多样性，以便后续分析能得出准确结论。
3、大数据处理流程包括数据收集、数据存储、数据清洗和预处理、数据集成和转换、数据分析、数据可视化、数据存储和共享，以及数据安全和隐私保护等步骤。数据收集 数据收集是大数据处理的第一步。这可以通过多种方式进行，如传感器、网页抓取、日志记录等。
4、大数据处理流程可以概括为四步：数据收集、数据清洗、数据存储与数据分析、数据可视化。在数据收集阶段，大数据处理的首要任务是整合来自不同来源的原始数据。这些数据可能来自社交媒体、企业数据库、物联网设备等。例如，在智能交通系统中，数据收集就涉及从各个路口的摄像头、车载GPS、交通流量传感器等捕捉信息。
5、数据收集：大数据处理的第一步是收集数据。这可以通过各种方式实现，包括从传感器、日志文件、社交媒体、网络流量等来源收集数据。数据预处理：在收集到数据后，需要进行预处理，包括数据清洗、数据转换和数据集成。数据清洗的目的是去除重复、无效或错误的数据，确保数据的准确性和完整性。
大数据可以对用户的各种信息进行多维度的关联分析，从大量数据中发现数据项集之间有趣的关联和相关联系。 例如，通过发现用户购物篮中的不同商品之间的联系，分析出用户的其他消费习惯。
数据分析工作用事实说话，用数据揭示工作现状和发展趋势，改变了凭印象、凭感觉决策的不科学状况，客观地抓住了工作中存在的突出问题，使这些问题无可争辩地反映在面前，促使人们不得不努力提高水平、改正问题。数据分析工作提高了工作效率，增强了管理的科学性。
电商数据分析的意义在于：发现问题，并且找到问题的根源，最终通过切实可行的办法解决存在的问题。基于以往的数据分析，总结发展趋势，为网络营销决策提供支持。
