数据分析中有哪些常见的数据模型？
在现在互联网高速发展的时代里，各大企业都纷纷往数据化运营靠近，除了数据分析师岗位以外，产品、运营或者市场等等岗位都开始对数据分析能力有所要求。而对刚接触数据分析的朋友来说，往往都会觉得困惑，每天就是写SQL，也不知道该从哪里开始分析，分析些什么。说实在，数据分析就是为了用数据去对公司当下一些决策、行为等进行分析，预测走向并提出建设性意见。
而对小白来说，最需要做的是搞清楚数据分析的核心目标，再套用数据分析模型，根据模型中的内容，细分到不同的数据指标进行细化分析，最后得到想要的结果。下面我就分享一下最常见的几种数据分析模型，收藏收藏~一、逻辑树分析模型把问题的所有子问题分层，从最高层开始初步向下扩展。也就是把一个已知问题当成“树干”，思考该问题和哪些子问题有关联，将有关的问题当成“树枝”，以此类推，找到所有相关的问题形成一个“逻辑树”。
逻辑树使用方法简单，而且条理清晰，容易掌握，并且可以保证解决问题的过程足够完整，把问题细化再细化，从而详细地分析得出结论。逻辑树分析三要素：1、要素化：将相同问题总结归纳要素2、框架化：把各个要素组成框架，做到不重不漏3、关联化：框架里的每个要素保持其必要的相互关系二、留存分析模型留存分析是指一种分析用户参与情况、粘性的分析模型，考察初始行为的用户会有多少人会有后续行为，是一种衡量产品对用户价值高低的重要方法。
通过留存分析可以判断产品保留用户的能力和对不同群体的留存是否能够带来不同效果。留存方式：1、N-day留存：指第几天留存，就是计算第N天后发生了回访行为的用户。2、Unbounded留存：指几天内留存，也就是计算多少天内完成了回访的用户总数。3、Bracket留存：指定观察期，自己划分不同观察期来计算回访用户（如：第一个观察期：第二天；第二个观察期：第三天至第五天......）三、漏斗分析模型漏斗分析模型是一个线性流程，从开始到结束，用户在每个环节都可能产生流失。
该分析模型能够科学反映用户行为状态及起点到终点每个阶段的情况，按照漏斗从上往下层层分析，找出每个阶段可以改进优化的点。漏斗分析的特点：1、监控用户在每个层级的转化情况，找到最有效转化路径，找到可优化的缺点，提高用户体验2、漏斗分析可帮助企业更细致地捕捉用户行为，提高转化的精度和效率。3、漏斗分析可以对层级之间不同用户属性进行比较，找到各环节的转化率，再针对性地对异常环节进行调整。
四、SWOT分析模型SWOT分析也可以叫做态势分析，S指Strengths优势，W指Weaknesses劣势、O指Opportunities机会，T指Threats威胁。机会和威胁是公司发展过程中不断发生的事情，这里一般是指环境威胁和环境机会，其中机会是对公司行为有利、有吸引力的领域；威胁是一种不利的发展趋势而带来的挑战，需要及时采取战略行为，否则会导致公司在同领域的地位下降。
优势和劣势是指将公司与竞争者从产品的新颖程度、销售渠道通畅与否、制作工艺是否复杂或者价格有无竞争力等方面进行详细对比。SWOT的分析步骤：1、确认企业当前发展战略2、确认企业外部环境变化3、根据企业内部情况，确认企业的优劣4、以通用矩阵或其他方式评价五、5W2H分析模型5W2H简单来说，就是why为什么，what什么事、who谁、when什么时候、where什么地方、how怎么做、how much多少，这个分析方法提供了一种全面的分析角度剖析，帮助快速界定问题。
举个例子：用户买了个产品Why：他为什么买？What：买了什么产品？有什么用？Who：用户是哪一类群体？学生？白领？When：什么时候会买？Where：在哪里买的？线下还是线上?How：怎么买的?How much：买这个产品花了多少钱？六、用户分群模型用户分群模型是根据用户的行为特征、爱好等属性，把具备共同属性的用户划分成一个整体。
当产品投放推广一段时间后，企业获得一定量的用户，就需要对用户进行分群，可以帮助企业了解用户，根据用户的不同特点制定针对性的优化方案。用户分群又分为：普通用户分群：分析用户属性和行为特征预测用户分群：通过机器学习算法预测时间概率以上是数据分析比较常见的几种分析模型，对于新手来说，可以好好了解学习一下，根据工作中的实际问题具体分析，但是也不能一味的套用模型，面对不同情况需要进行不同的改进哦！。
想做数据分析工作，大学阶段应重点关注哪些知识学习和能力培养？
谢邀，最近也是校招季，就说一点实际的吧，列举一些需要掌握的内容第一阶段：Excel每一位数据分析师都脱离不开Excel。这一阶段主要就是学习Excel的透视表、函数等等操作，能够使用excel进行简单的数据分析与可视化报告。第二阶段：SQL数据库语言作为数据分析人员，我们首先要知道如何去获取数据，其中最常见的就是从关系型数据库中取数，因此你可以不会R，不会python，但是你不能不会SQL。
主要了解数据库查询语言，where，因此你可以不会R，不会python，但是你不能不会SQL。主要了解数据库查询语言，where，limit，and和or的逻辑，时间转换函数等。推荐书籍：《MYSQL必知必会》第三阶段：数据可视化数据分析界有一句经典名言，字不如表，表不如图。实际上除掉数据挖掘这类高级分析，不少数据分析就是监控数据和观察数据。
除此此外，数据分析的大多时候都是要兜售自己的观点和结论的，而兜售的最好方式就是做出观点清晰数据详实的PPT和报表给老板看。可视化的工具有很多，这里我推荐Tableau（国外）或者FineBI（国内），FineBI是国产的用起来方便点。这两款都不要编程功底，实现起来简单，功能强大。推荐书籍：《用图表说话》-麦肯锡第四阶段：数理统计学这里我们需要从基础的统计理论(描述性统计、区间估计、假设检验等)出发，到基本的统计分析（T检验、方差分析等），最后到商业常用的模型（回归分析、方差分析等），学习数据分析背后的逻辑，掌握实用统计学的概念和会利用统计的思维去思考问题。
推荐书籍：《从零进阶 数据分析的统计基础》-曹正凤第五阶段：SPSSSPSS是统计分析入门软件，如果你想快速入门而又不想学习编程，我推荐使用SPSS。学习SPSS的重点并不在于软件本身，而是相关的统计学知识，这也是在前面建议你铺垫的，也就是你要学会怎样去分析“输入数据后，软件给你呈现的结果”。推荐书籍：《如虎添翼 数据处理的SPSS/SAS EG实现》-徐筱刚第六阶段：数据挖掘学习算法模型包括线性回归、逻辑回归、主成分分析、因子分析、聚类、关联规则、决策树、随机森林、支持向量机、贝叶斯、神经网络等，建议选择一门编程语言来学习。
Python或者R语言，这一点是必备项也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。推荐书籍：《笨方法学Python》《像计算机科学家一样思考》《Python数据科学手册》《利用Python进行数据分析》《数据科学入门》第七阶段：数据分析行业应用和数据分析思维对于数据分析师来说，业务的了解比数据方法论更重要。
