数据分析师常用的方法并不少，但真正难的不是背清单，而是拿到一个业务问题后，判断它属于哪类问题，再选一组能互相印证的方法。选型的核心原则是：按问题结构选，不按方法流行度选。先判断你要描述现状、找原因、分人群、评效果还是做预测，再匹配对比、趋势、构成、分布、关系、漏斗、同期群、RFM、回归等方法，同时核对数据可得性与指标口径。

先分清问题类型，再谈方法

业务方抛来的往往是“复购怎么掉了”“哪个渠道更值得投”这类模糊命题。第一步是把它改写成可分析问句：比较对象是谁、时间范围多长、指标口径怎么定。宽泛命题要先拆方向、缩小范围再定位。蒋少寒在谈制造业与互联网行业分析差异时提到，会从经济效益维度观察产品回报率与市场竞争力，再利用假设检验、横向纵向分析、相关性分析以及时间序列等方法，结合描述统计快速定位业务痛点并展示结论；面对宽泛命题，则先做方向拆分、缩小范围后分别定位¹。落到本题，可先把“复购怎么掉了”拆成新老用户、渠道、品类等方向，分别核对各方向的指标口径与时间范围，再决定用对比、趋势还是检验方法。

问题类型大致可分五类：描述现状（对比、趋势、构成、分布）、异常归因（对比、下钻、假设检验）、用户分层（聚类、RFM、同期群）、效果评估（AB实验、假设检验）、预测与关系判断（相关、回归、决策树）。方法选错，通常不是技术不够，而是问题类型没判对。

对比与趋势：看清现状的基本盘

对比分析和趋势分析是使用频率最高的两类。对比要交代比较基准：同比还是环比、与谁比、口径是否一致；趋势要说明统计单位与时间粒度，避免用日波动解释月度变化。常见误区是只画一条整体折线就下结论。整体趋势平稳，可能掩盖了新老用户结构的相反变化，这时需要拆维度、拆人群再看。

回归分析：判断关系与影响因素

当问题从“是什么”转向“受什么影响、影响多大”，回归分析就进入选项。线性回归适合连续型结果，逻辑回归适合二分类结果（如是否流失、是否转化）。使用时必须交代因变量定义、样本范围、自变量选择依据，并检查多重共线性与过拟合。Louis在分享大厂数据分析求职经验时，建议在简历中罗列熟悉的统计分析方法，如假设检验、方差分析、回归分析，以及线性回归、逻辑回归、决策树、随机森林、聚类等机器学习模型²。这份清单可用于对照自己是否熟悉这些方法，但具体到回归分析，系数反映的是控制其他变量后的关联，不能直接当作因果结论，验证时要用历史数据回测或小范围实验。

分类与分群：把人群拆开看

聚类、决策树、RFM、同期群都服务于“不同人群表现不同”这类问题。聚类用于无标签分群，决策树用于有标签的分类与规则提取，RFM按最近购买、频次、金额分层，同期群按加入时间追踪留存。周婧博在自述工作方法时，把趋势法、对比法、异常点分析法与聚类分析并列为常用方法³。分群的关键是分完后能落到行动：输出分层名单、对应特征和改进建议，而不是只给一张散点图。分群结果还要检查稳定性，换一个时间窗口是否仍成立。

三步选型路径与验证

第一步，把业务问题改写为可分析问句，明确对象、时间、指标口径；第二步，判断问题属于对比、趋势、构成、分布、关系、分层还是因果；第三步，核对数据可得性，选一个主方法加一两个辅助方法，跑通后检查结论是否可解释、可行动。

模拟示例：某电商复购下降。只做整体趋势容易误判，应先按同期群拆分新老用户留存，再用RFM识别高价值流失人群，最后用漏斗定位下单环节流失，输出分层名单与环节改进建议。验证时用历史数据回测或小范围实验，若结论落不到具体行动，说明方法或口径需要重选。

方法会背但不会选，缺口往往在指标口径、统计判断和取数核对上。CDA Level I的数据分析思维、数据分析方法、指标体系构建方法与统计分析模块，可用来系统梳理问题拆解与口径统一；SQL数据库应用模块用于练习筛选、分组、连接与子查询，把选型判断落到可复现的取数过程。练习时选一个真实或模拟业务问题，产出带指标字典、口径对照和核对步骤的分析说明，再检查取数、口径与结论能否互相解释。

延伸阅读

[1] CDA持证人专访：蒋少寒谈传统制造业与互联网行业数据分析的差异与实践

[2] 没学历没经验，如何入职大厂？5年字节数据分析经验分享

[3] 会计行业 | 对公司经营现状做调研应该从哪几个方面入手？