1.按时间细分

时间可以细分为不同的跨度，包括年、月、周、日、时、分、秒等等，不同的时间跨度，数据表现可能大不相同。

比如说，按照月度来看，产品的销量可能变化不大，但是如果细分到每一天，可能就有比较剧烈的变化，我们应该找到这些变化的数据，并分析变化背后的原因，而不是让它淹没在整月汇总数据的表象之中。

2.按空间细分

空间主要是指按地域进行划分，包括世界、洲、国家、省份、城市、区等等。

比如说，把全国的 GDP 数据，细分到每一个省份。

空间作为一个相对抽象的概念，也可以代表其他与业务相关的各种事物，比如产品、人员、类别等等，只要有助于理解事物的本质，都可以尝试拿来进行细分。

3.按过程细分

把业务细分为一些具体的过程，往往能够让复杂的问题简单化。

比如说，把订单发货细分为 5 个过程，想办法提升每个过程的效率，从而缩短发货的时间。

再比如，把用户的生命周期，细分为 5 个重要的过程，即：获取、激活、留存、盈利、推荐。

4.按公式细分

有时候一个指标，是可以用公式计算出来的。

比如说，销售额 = 销售数量 * 平均单价，销售数量 = 新客户购买数量 + 老客户购买数量，以此类推。

再比如，在财务分析中，权益净利率 = 资产净利率 * 权益乘数，其中：资产净利率 = 销售净利率 * 资产周转率，以此类推。

5.按模型细分

数据分析的模型有很多，我们可以根据业务的实际情况，选择合适的模型，在此基础上进行细分，得出相应的分析结论。

比如说，按照波士顿矩阵，把企业产品细分为「市场占有率」和「销售增长率」两个维度，然后画一个四象限矩阵图，其中每个象限就代表一类产品，即：明星产品、金牛产品、瘦狗产品和问题产品，对每一类产品，分别建议采取不同的发展策略。

再比如，按照 RFM 模型，把客户按三个维度进行细分，即：最近一次消费时间间隔(Recency)、消费频率(Frequency)和消费金额(Monetary)，从而得到 8 种客户类别，从而有针对性地采取不同的营销策略。

(1)优化数据收集

数据收集是最终导致业务决策的事件链中的第一步，确保收集的数据和业务感兴趣的指标的相关性非常重要。

定义对企业有影响的数据类型，以及分析如何增加价值。基本上，考虑客户行为，以及这将对企业的业务有何适用性，然后使用此数据进行分析。

存储和管理数据是数据分析中的重要一步。因此，必须保持数据质量和分析效率。

(2)清除垃圾数据

垃圾数据是大数据分析的祸患。这包括不准确，冗余或不完整的客户信息，可能会对算法造成严重破坏，并导致分析结果不佳。根据垃圾数据做出的决策可能会带来麻烦。

清洁数据至关重要，涉及丢弃不相关的数据，只保留高品质的数据，当前，为了获得完整和相关的数据，人工干预不是理想的模式，不可持续并且受主观影响，因此数据库本身需要被清理。这种类型的数据以各种方式渗透到系统中，其中包括随时间推移而变化，如更改客户信息或数据仓库中存储可能会损坏数据集。垃圾数据可能会对营销和潜在客户生产等行业产生明显的影响，但通过基于故障信息的业务决策，财务和客户关系也会受到不利影响。其后果也是广泛的，包括挪用资源，浪费时间和精力。

解决垃圾数据难题的方法是确保数据进入系统得到干净的控制。具体来说，重复免费，完整和准确的信息。如今，那些具有专门从事反调试技术和清理数据的应用程序和企业，可以对任何对大数据分析感兴趣的公司进行调查。数据清洁是市场营销人员的首要任务，因为数据质量差的连锁效应可能会大大提高企业成本。

为了获得最大的数据量，企业必须花时间确保质量足以准确地查看业务决策和营销策略。

(3)标准化数据集

在大多数商业情况下，数据来自各种来源和各种格式。这些不一致可能转化为错误的分析结果，这将会大大扭曲统计推断结果。为了避免这种可能性，必须决定数据的标准化框架或格式，并严格遵守。

(4)数据整合

大多数企业如今组成不同的自治部门，因此许多企业都有隔离的数据存储库或数据“孤岛”。这是具有挑战性的，因为来自一个部门的客户信息的更改将不会转移到另一个部门，因此他们将根据不准确的源数据进行决策。

为了解决这个问题，采用中央数据管理平台是必要的，整合所有部门，从而确保数据分析的准确性更高，所有部门的任何变化都可以立即访问。

(5)数据隔离

即使数据干净，将其组织和集成在一起，也可能是分析问题。在这种情况下，将数据分成几组是有帮助的，同时牢记分析正在尝试实现什么。这样，可以分析子群体内的趋势，这些趋势可能更有意义并具有更大的价值。当查看可能与整个数据集可能无关的高度具体的趋势和行为时尤其如此。

数据质量对大数据分析至关重要。许多公司试图采用分析软件，但却没有考虑到进入系统做什么。这将导致不准确的推断和解释，可能代价昂贵，并且对企业造成损害。一个定义明确，管理良好的数据库管理平台是使用大数据分析的企业不可或缺的工具。

1、理解数据和数据的来源(understanding)。

2、获取相关知识与技术(acquisition)。

3、整合与检查数据(integration and checking)。

4、去除错误或不一致的数据(data cleaning)。

5、建立模型和假设(model and hypothesis development)。

6、实际数据挖掘工作(data mining)。

7、测试和验证挖掘结果(testing and verification)。

8、解释和应用(interpretation and use)。