三大基础范式
一级目录
二级目录
三级目录
数据分析的核心在于方法论，而方法论的基础是分析范式。在CDA（Certified Data Analyst）一级认证中，掌握三大基础分析范式是构建数据分析思维框架的关键。本文将系统讲解分类分析范式 、链式分析范式 和相关性分析范式，帮助您深入理解每种范式的定义、核心步骤、典型应用模型，并通过对比表格和FAQ巩固学习效果。
一、什么是数据分析范式？
范式：某领域共同体的默认游戏规则，是一个领域内集体默认的一套思考框架、分析模式与解题套路。它规定了分析需要关注哪些问题、使用什么方法、什么样的结论有效。
所有数据分析项目，均依托三大基础范式开展：分类分析范式 、链式分析范式 、相关性分析范式。
二、三大基础范式完整讲解
2.1 分类分析范式（定义+步骤+案例）
定义
分类分析范式是依据数据特征 与业务规则 ，将数据对象 划分到预设类别 与层级的基础分析思维。其核心思想是通过已知特征建立分类规则，实现数据精准归类，最终对不同类别对象实施差异化业务策略。
核心五步流程
-
确定指标项
明确分类分析的业务目标，筛选具备区分度、贴合业务逻辑的核心评价指标，作为分类判定依据。
-
准备数据
采集对应指标的原始数据，完成清洗、去重、缺失值与异常值处理，保证数据质量达标。
-
数据分析、确定分类阈值
结合数据分布、统计方法与业务经验，设定分类临界值与决策边界，划分高、中、低、优、劣等层级。
-
目标分类
依据既定阈值与规则，将所有数据对象归入对应类别，完成用户、产品、群组的层级划分。
-
匹配策略
针对不同类别、不同层级的对象，匹配差异化的运营方案、资源分配与风险管控策略，并持续迭代优化。
经典模型应用案例
案例1：波士顿矩阵（BCG）------ 产品分类模型
作用 ：对企业产品线、业务单元进行战略分类，指导资源投入。
- 确定指标项：纵轴为销售增长率（市场吸引力），横轴为市场占有率（企业竞争实力）。
- 准备数据：统计产品销量、行业总销量、头部竞品销量，计算绝对市场占有率、相对市场占有率。
- 数据分析、确定分类阈值：通用标准为销售增长率10%、市场占有率20%，可根据行业灵活调整。
- 目标分类 ：
- 明星产品：高增长率 + 高占有率
- 现金牛产品：低增长率 + 高占有率
- 问题产品：高增长率 + 低占有率
- 瘦狗产品：低增长率 + 低占有率
- 匹配策略 ：
- 明星产品：该类产品可能成为企业未来的现金流产品，处于成长期，需要加大投资支持其迅速发展。
- 现金牛产品：该类产品进入成熟期，销量大、利润率高、负债比率低，可以为企业提供资金。由于增长率低、无需增大投资，是企业回收资金、支持其他产品（尤其是明星产品）投资的资金后盾，需要保持产品的市场份额，巩固市场地位。
- 问题产品：该类产品处于导入期。高销售增长率说明市场机会大、前景好；低市场占有率说明市场营销不足，未能开拓市场局面，存在利润率较低、负债比率高等问题，应采取选择性投资，制定改进和扶持的长期计划。
- 瘦狗产品：该类产品处于衰退期，处于保本或亏损状态，利润率低、负债比率高，无法为企业带来收益。应减少批量，淘汰那些销售增长率和市场占有率极低的产品，逐步撤退。
现金牛 = 奶牛，只管挤奶不用多喂；明星 = 幼崽，多投喂长大；问题 = 潜力苗子筛选；瘦狗 = 老弱牲畜，及时舍弃
案例2：RFM模型 ------ 用户价值分层模型
作用：依据消费行为对用户进行价值分层，实现精细化运营。
- 确定指标项：R（最近消费时间）、F（消费频次）、M（消费金额）。
- 准备数据：提取用户交易数据，清洗整合R、F、M原始行为数据。
- 数据分析、确定分类阈值：采用分位数分箱法对三项指标分层打分，划分高低等级。
- 目标分类：根据分值组合区分重要价值、重要发展、重要保持、重要挽留等用户层级。
- 匹配策略：对高价值用户重点维护，沉睡用户精准唤醒，流失风险用户主动关怀。
案例3：用户忠诚度模型 ------ 行为+态度综合分类
选用消费金额、消费频次两大核心指标，采用百分位分箱划分高 / 中 / 低层级，对用户分层，匹配差异化运营策略。
- 确定指标项：消费金额、消费频次。
- 准备数据：获取全体用户的消费金额、消费频次原始数据。
- 数据分析、确定分类阈值：百分位数据分箱法，划分高、中、低三档阈值。
- 目标分类：六大用户群体：忠诚用户、进阶用户、普通用户、低价值用户、潜在用户、易流失用户。
- 匹配策略 ：
✅ 忠诚用户 ：维持。无需大量资源投入，提供优质高效服务，稳固用户关系
✅ 进阶用户 ：促销。投入资源，提升消费频次，推动消费升级，转化为忠诚用户
✅ 普通用户 ：普通运营资源。用户认可度一般，消费频次 / 金额偏低，常规维护
✅ 低价值用户 ：严控资源投入。消费频次、金额双低，尽量少投或不投入运营资源
✅ 潜在用户 ：促销培育。增加产品熟悉度，重点关注消费潜力大、消费金额偏高人群
✅ 易流失用户：主动挽回。结合消费金额分配挽回预算权重，优先挽留高价值流失人群
2.2 链式分析范式（定义+步骤+案例）
定义
链式分析范式又称序列/路径分析范式，主要研究事件、行为、数据之间的 时间先后与逻辑顺序关系。用于挖掘用户行为路径、业务流程、转化链路的规律，定位流失与瓶颈，是转化分析、增长分析的核心范式。
核心标准四步流程
-
明确研究目标
确定本次链路分析的业务目的，如排查转化瓶颈、优化留存、提升成交、复盘投放效果。
-
拆解用户路径
按照时间、业务逻辑，将 完整流程 拆解为连续的关键节点，形成标准化行为链路。
-
确定关键指标
为每个节点配置可量化指标，包含用户基数、转化率、流失率、停留时长、销售周期等。
-
计算分析及展示
统计各节点数据、逐级计算转化率，定位瓶颈；通过漏斗图、表格可视化呈现，输出优化策略。
经典模型应用案例
案例1：广告行为漏斗分析
- 研究目标 ：找到影响转化瓶颈的环节，以便找到提升广告的投放效果的切入点。
- 路径拆解：广告触达人数 → 查看广告人数 → 跳转商品介绍页人数 → 点击立即购买人数 → 购买成功人数
- 核心指标：触达转化率、跳转转化率、购买意愿转化率、购买转化率。
- 分析展示 ：逐级计算转化衰减，定位流失最大节点，优化素材、落地页与支付流程。
案例2：销售行为漏斗分析
销售行为漏斗，直观反应了销售目标在各个阶段的进展和状态。
- 研究目标：监控B端销售全流程，提升成单效率。
- 路径拆解：潜在线索 → 客户接触 → 意向确认 → 方案提案 → 商务谈判 → 签约成交。
- 核心维度：各阶段转化率、漏斗容量、转化斜率、销售周期。
- 分析应用：识别卡点、补充线索、优化销售流程、缩短成交周期。
案例3：AARRR海盗模型（用户生命周期）
又叫海盗模型，从用户获取一直到推荐传播，构成了用户全生命周期的各个阶段。
- 研究目标：完整诊断用户增长全链路健康度。
- 路径拆解：获取（Acquisition） → 激活（Activation） → 留存（Retention） → 变现（Revenue） → 传播（Referral）。
- 核心指标：新增、CAC、激活率、留存率、LTV、ARPU、推荐系数。
- 分析应用：定位增长短板，优化渠道、新手体验、留存与裂变策略。
2.3 相关性分析范式（定义+步骤+案例）
定义
相关性分析范式主要研究两个或多个变量之间的关联程度与方向 ，用于探索变量间的相互影响关系，识别潜在的影响因素和驱动因子。它不强调因果关系，而是关注变量间的共变趋势。
核心三步流程
-
明确分析目标
确定需要探索的变量关系，明确是正向相关、负向相关还是无相关关系。
-
选择分析方法
根据数据类型（连续/分类）和分布特征，选择合适的相关性分析方法，如皮尔逊相关系数、斯皮尔曼等级相关、卡方检验等。
-
计算与解读
计算相关系数，判断相关强度与方向，结合业务背景解读实际意义，避免误读伪相关。
经典模型应用案例
案例：同期群分析（Cohort Analysis）
同期群分析通过将用户按初始行为时间分组，追踪各组随时间的表现变化，分析用户留存、活跃度等指标的变化趋势。
- 分析目标：探究不同时期获取的用户群体在留存、活跃、消费等方面的差异。
- 关键指标：用户获取时间、留存率、活跃度、客单价、生命周期价值等。
- 分析方法：按用户注册/首次购买时间划分同期群，计算各群组在不同时间窗口的关键指标。
- 业务应用 ：
- 评估不同时期营销活动的长期效果
- 识别用户行为模式的变化趋势
- 优化用户获取和留存策略
- 预测用户生命周期价值
三、三大范式对比速记表
| 范式类型 | 核心解决问题 | 典型应用场景 | 代表模型/方法 | 输出结果 |
|---|---|---|---|---|
| 分类范式 | 分层归类、差异化策略 | 用户分层、产品分类、风险评估 | 波士顿矩阵、RFM模型、用户忠诚度模型 | 分类标签、分层策略、资源分配方案 |
| 链式范式 | 流程路径、转化瓶颈、全链路增长 | 转化分析、用户旅程、销售流程 | AARRR海盗模型、广告/销售漏斗分析 | 转化率分析、瓶颈定位、流程优化建议 |
| 相关性范式 | 指标关联、因素探索、变量关系挖掘 | 因素分析、关联挖掘、趋势预测 | 皮尔逊/斯皮尔曼相关系数、卡方检验、同期群分析 | 相关系数、关联强度、影响因素识别 |
四、常见FAQ
Q1：三大范式分别适合什么业务场景？
- 分类范式：适合需要将对象分门别类、实施差异化策略的场景，如用户价值分层、产品战略定位、风险等级划分等。
- 链式范式：适合分析流程转化、用户行为路径、时间序列相关的场景，如转化率优化、用户旅程分析、销售漏斗监控等。
- 相关性范式：适合探索变量间关系、寻找影响因素、预测趋势的场景，如营销效果评估、用户行为关联分析、因素影响程度判断等。
Q2：漏斗分析属于哪种分析范式？
漏斗分析属于链式分析范式。它通过拆解用户从接触到转化的完整路径，分析各环节的转化率和流失情况，定位转化瓶颈，是典型的序列/路径分析方法。
Q3：EDIT思维框架和三大范式是什么关系？
EDIT（Explore探索 → Diagnose诊断 → Implement实施 → Track跟踪）是数据分析的通用工作流程框架，而三大分析范式是EDIT框架中Diagnose诊断阶段的具体方法论工具：
- 探索阶段：明确问题，收集数据
- 诊断阶段：运用三大范式（分类/链式/相关）进行深入分析
- 实施阶段：基于分析结果制定策略
- 跟踪阶段：监控效果，持续优化
三大范式为EDIT框架的诊断环节提供了系统化的分析工具集，确保分析过程科学、全面、有效。
Q4：如何选择合适的数据分析范式？
选择依据：
- 问题类型：分类问题用分类范式，流程问题用链式范式，关联问题用相关性范式
- 数据特征：结构化数据适合分类/链式，多变量关系适合相关性分析
- 业务目标：策略制定用分类，流程优化用链式，因素探索用相关
- 资源约束：简单快速用分类，深度追踪用链式，探索性用相关
Q5：三大范式可以组合使用吗？
可以且推荐组合使用：
- 分类+链式：先对用户分类，再分析各类用户的转化路径
- 链式+相关：分析转化路径，再探索影响转化的关键因素
- 分类+相关 ：对用户分类后，分析各类用户特征间的相关性
组合使用能提供更全面、深入的业务洞察。
五、总结
掌握CDA一级认证的三大基础分析范式，是构建数据分析思维框架的基石。分类范式 帮你精准分层、差异化运营；链式范式 助你优化流程、提升转化；相关性范式让你洞察关联、预测趋势。在实际工作中，根据业务问题灵活选择和组合这些范式，才能做出真正有价值的数据驱动决策。
建议学习路径：先掌握每种范式的定义和核心步骤，再通过经典模型案例加深理解，最后通过对比表格和FAQ巩固知识体系。多在实际项目中应用这些范式，才能真正内化为自己的数据分析能力。