做数据分析时，拿着手里的数据大脑却一片空白，不知道从哪里开始分析、从什么维度分析，常常一顿操作猛如虎，还是分析不出个所以然来。

今天就给大家分享3种常用的数据分析方法，让你快速明白这些方法在解决实际工作问题中有什么用？怎么用？

1、漏斗分析法

有什么用？

漏斗分析法能够反映用户行为状态，以及从起点到终点各阶段用户的转化率情况，是一种重要且工作中常用的分析模型。通过漏斗分析模型可以分析多种业务场景下转化和流失的情况，不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促进转化。

怎么用？

漏斗分析模型目前广泛应用于网站和APP的用户行为分析中，例如流量监控、SEO优化、产品营销等日常数据的数据分析工作中。

例如用FineBI为某电商平台制作的转化分析报告，这里面就运用了漏斗分析法。因为对于电商平台来说，目的就是让用户下单并成功支付，而最终的交易成功率是取决于整个流程中每一步的用户转化率。

所以，如果想要提高交易成功率，我们就需要通过漏斗模型一步一步地进行监测。如上图所示，我们可以监控用户在流程中各个层级上的行为路径，寻找每个层级的可优化点。对没有按照流程操作的用户，可以去绘制他们的转化路径，找到可提升用户体验，缩短路径的空间，最终提升整体转化率。

2、ABC分析法

有什么用？

ABC分析法其实很好理解，就是把产品或业务分为A、B、C三个类别。

A类：数量占比少，价值占比大（占80%）

B类：没有A类物品那么重要，介于 A、C 之间（占10%）

C类：数量占比大，但价值占比很小（占10%）

核心思想就是少数项目贡献了大部分价值，以此来分清业务的重点和非重点，从而让企业对产品实现差异化管理，把最大的精力放到价值最大的业务/产品上。

怎么用？

举个实际场景的例子：以商场销售额为例，在知道各类商品销售额的基础上，①先求出总销售额 ②再求累计总销售额（第二列） ③求累计销售额占比（第三列）

最后将品牌商品按销售量（第一列）降序排列，依次分成销售额占比为 80% ，10%，10% 对应A 类，B 类，C 类三类品牌，用柱形条展示出来。

据图可知，在累计占比80%警戒线下，图中红框中的品牌即为A类品牌；在累计占比90%警戒线下，黄框中为B类品牌；在累计占比90%警戒线上，绿框中为C类品牌。

3、KANO模型分析法

有什么用？

在实际工作中，常常会碰到客户提出一大堆需求，什么都想要，但开发产品的资源和人力都是有限的，那怎么才能捞出真正的用户需求？给真正重要的需求高优先级？

KANO模型分析法就是用来解决此类问题的，它可以对用户需求进行系统分类和优先排序，将需求分成4个象限，而这4个象限对应了4种需求类型，它们的优先级排序为：必备型需求>期望型需求>兴奋型需求>无差异需求。

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，若不提供这个需求，用户满意度则会大幅度降低。这类是核心需求，也是产品必做功能。

期望型需求（应该有）：提供此需求，用户满意度会提升；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（可有可无）：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。

怎么用？

通过满意系数和不满意系数，来对功能进行象限的分类，而满意系数和不满意系数的数据，一般是来源于调研问卷。

调研后再对数据进行清洗、处理，设置横向警戒线和纵向警戒线，作为象限图的横轴和纵轴，警戒线的数值分别为满意系数平均值和不满意系数平均值。

最后，通过象限图找出优先级最高的功能，有了数据支撑，就避免出现因纠结要增加哪个功能而争得不可开交的局面，提升了工作效率。