數據分析大體上的分析結構如下所示（分析流程圖如下所示）：

首先，需要對現狀和預期有一個很好的把握。其次，弄清現狀和預期之間的差距，並調查導致差距產生的關鍵因素，即發現問題。這樣的因素可能很多，所以要收集數據和加工，並在此基礎上進行數據分析。主要是挖掘出導致此問題發生的關鍵性因素，然後綜合考慮時間成本和金錢成本等情況，提出對策以解決現有問題。

1、現狀和預期

什麽是數據分析中的問題呢？在這裏主要是指，現狀與之前的預期之間存在一定的差距，導致了現在的問題發生。

2、發現問題

（1）區別“問題”與“現象”。

“問題”是指我們實際需要解決的問題，而“現象”只是“問題”的一種表象，我們需求做的是挖掘出導致這種現象發生的背後問題，所以應對“現象”、“問題”加以區分。例如，在商業活動中，“客戶流失”、“銷售額下降”等只是“背後問題”表現出來的現象，需要相關負責人討論發現需要解決的問題。

（2）牢記“預期”，並認識到“現狀”與其之間的差距。

找到問題需要認清“現狀”與“預期”之間的差距，而找到差距需要則需要對數據進行觀察（很好的理解預期，然後根據現在的情況發現導致問題發生的本質性原因），並且將數據進行分解後觀察（例如銷售額下降了，到底是購買人數下降了還是人均消費金額下降了，或者是兩者都下降了），然後對數據進行比較觀察（進行同期比較或不同企業之間進行比較，或對消費群體進行細分再比較，如按照年齡、性別等特征分組比較）。

3、數據的收集和加工

（1）數據收集

首先判斷需要用到哪些數據，以及需要考慮數據的獲取難度以及成本，當一些必要數據獲取不到或者成本較高時，是否可以用其他數據替代。

（2）數據加工

若數據從不同的文件中或數據庫不同的表中獲取出來，則可以先對數據進行整合，然後可以根據要研究的問題生成判定變量或者離散變量，主要用於方便建模。

4、數據分析

商業數據分析根據問題種類主要分為“決策支持”與“自動化·最優化”兩大類。

決策支持主要利用簡單求和、交叉列聯表等統計方法對數據進行分析。

自動化·最優化則利用機器學習中模型對數據進行分析，是對決策支持的深入分析，找出解決問題的途徑與方法，挖掘潛在的信息。

5、解決對策

基於分析結果判斷是否采取相應的解決對策。

參考：《數據分析實戰》

商業數據分析流程