理论都会，实战就废？7个分析模板，帮你打通任督二脉

伏虎睡罗汉 發表於 2026-4-7 14:32:00

理论都会，实战就废？7个分析模板，帮你打通任督二脉

数据分析和编程一样，是有模式的。其实大部分业务分析题，扒开外壳看内核，就那7个套路。
你遇到的那些所谓“新问题”，90%都能套进下面这7个框架。
不管你是在字节、阿里、拼多多，还是一个小创业公司做增长--数据就是数据，逻辑永远不会骗你。
<h1 id="-模式1连接筛选--精准找人找事">🎯 模式1：连接+筛选 = 精准找人找事</h1>
业务场景： 
春运期间，<code>12306</code>联合抖音推"旅途内容包"，想给用户推荐时长≤当前车次剩余时间的短视频，提升乘车体验。
核心逻辑： 
先连表（车次信息+视频库），再筛选（时长匹配+车次ID），最后排序（优先推荐完播率高的）。
Python代码示例：
<pre><code class="language-python">import pandas as pd

# 车次表 & 视频库（模拟数据）
train_df = pd.DataFrame({
'train_id': ,
'remaining_minutes': # 剩余分钟数
})

video_df = pd.DataFrame({
'video_id': ['v1', 'v2', 'v3'],
'duration_min': ,
'completion_rate': # 完播率
})

# 连接+筛选+排序（核心三步）
result = (
train_df == 101]# 筛选目标车次
.merge(video_df <= 45], how='cross')# 连接+时长过滤
.sort_values('completion_rate', ascending=False)# 优先推荐高完播
[['train_id', 'video_id', 'duration_min']]
)
print(result)
</code></pre>
<hr>
💡业务复用场景：
<ul>
<li>美团：骑手+订单匹配，筛选3公里内可接单骑手</li>
<li>小红书：笔记+用户标签匹配，精准推送美妆内容</li>
<li>滴滴：车型+用户需求匹配，筛选符合"宠物友好"的车辆</li>
</ul>
<h1 id="-模式2窗口函数--排名排序神器">🎯 模式2：窗口函数 = 排名排序神器</h1>
业务场景： 
美妆品牌想监控各KOL账号下，点赞最高的3篇笔记，用于复盘内容策略。
核心逻辑： 
按账号分组（PARTITION BY），按点赞降序排（ORDER BY），用RANK()打标，再筛前3。
Python代码示例：
<pre><code class="language-python"># 模拟笔记数据
notes_df = pd.DataFrame({
'account': ['A', 'A', 'A', 'B', 'B', 'B'],
'note_id': ,
'likes':
})

# 窗口函数排名（pandas 2.1+ 支持 rank）
notes_df['rank'] = notes_df.groupby('account')['likes']\
.rank(method='min', ascending=False)# method='min' 等价 SQL RANK()

# 筛选各账号前3
top3 = notes_df <= 3][['account', 'note_id', 'likes', 'rank']]
print(top3)

## 运行结果：
'''
accountnote_idlikesrank
0 A 1 1200 3.0
1 A 2 3500 1.0
2 A 3 2800 2.0
3 B 4 900 3.0
4 B 5 4100 1.0
5 B 6 3900 2.0
'''
</code></pre>
💡业务复用场景：
<ul>
<li>淘宝直播：各主播场均GMV排名，找头部潜力股</li>
<li>学而思：各班级学员进步榜，激励+复盘双用</li>
<li>顺丰：各片区骑手准时率排名，优化运力调度</li>
</ul>
<h1 id="-模式3聚合分组--数据卷王必备">🎯 模式3：聚合+分组 = 数据卷王必备</h1>
业务场景： 
分析"用户当天打开APP+当天完成下单"的行为，计算人均订单数&客单价，评估"即时需求"转化效率。
核心逻辑： 
先按用户+日期去重（确保一人一天只算一次会话），再连订单表，最后GROUP BY聚合求和/计数。
Python代码示例：
<pre><code class="language-python"># 会话表 & 订单表
session_df = pd.DataFrame({
'user_id': ,
'session_date': ['2024-06-01','2024-06-02','2024-06-01']
}).drop_duplicates()# 去重：一人一天只算一次

order_df = pd.DataFrame({
'user_id': ,
'order_date': ['2024-06-01','2024-06-01','2024-06-01'],
'order_value':
})

# 连接+聚合
result = (
session_df.merge(order_df,
 left_on=['user_id','session_date'],
 right_on=['user_id','order_date'])
.groupby(['user_id','session_date'])
.agg(total_orders=('order_value','count'),
 total_value=('order_value','sum'))
.reset_index()
)
print(result)

## 运行结果：
'''
 user_id session_datetotal_orderstotal_value
0 101 2024-06-01 2 63.5
1 102 2024-06-01 1 52.0
'''
</code></pre>
💡 业务复用场景：
<ul>
<li>京东到家：用户日活+下单转化，评估"小时达"粘性</li>
<li>得到APP：用户日登录+课程购买，分析知识付费路径</li>
<li>银行APP：用户日打开+理财申购，追踪金融转化漏斗</li>
</ul>
<h1 id="-模式4透视表--把行变列一眼看懂趋势">🎯 模式4：透视表 = 把行变列，一眼看懂趋势</h1>
业务场景： 
HR想横向对比各职级员工在2021-2024年的调薪幅度，快速识别"涨薪黑马"和"滞涨群体"。
核心逻辑： 
用CASE WHEN（或pandas pivot）把"年份"从行变列，再用MAX/SUM聚合，最后按员工分组输出。
Python代码示例：
<pre><code class="language-python"># 模拟调薪数据
salary_df = pd.DataFrame({
'employee': ['张三','张三','张三', '李四','李四'],
'year': ,
'salary': # 单位：万
})

# 透视：年份变列（方法1：pivot_table）
pivot = salary_df.pivot_table(
index='employee',
columns='year',
values='salary',
aggfunc='max'# 同年份多条取最高
).fillna(0)# 缺失年份补0

print(pivot)
# 输出：
# year 202120222023
# employee
# 张三 15.018.022.0
# 李四 20.021.0 0.0
</code></pre>
💡 业务复用场景：
<ul>
<li>财务：各事业部季度营收对比，一眼看出谁在拖后腿</li>
<li>运营：各渠道月度ROI透视，快速分配下月预算</li>
<li>产品：各功能模块周活对比，决定迭代优先级</li>
</ul>
<h1 id="-模式5累计指标--看趋势别只看单点">🎯 模式5：累计指标 = 看趋势，别只看单点</h1>
业务场景： 
投资人想看"剔除退款后的真实增长"，计算3个月滚动平均GMV，平滑大促波动，看清长期趋势。
核心逻辑： 
先按月聚合（剔除负值退款），再用rolling().mean()算滑动平均，最后按时间排序输出。
Python代码示例：
<pre><code class="language-python"># 模拟采购数据（含退款负值）
purchase_df = pd.DataFrame(
{
 "date": pd.date_range("2023-01", periods=13, freq="ME"),# 生成13期
 "amount": ,
}
)

# 1. 按月聚合 + 剔除退款
monthly = (
purchase_df > 0]
.groupby(pd.Grouper(key="date", freq="ME"))
.agg(monthly_gmv=("amount", "sum"))
.reset_index()
)

# 2. 计算3期滚动平均
monthly["rolling_3m"] = monthly["monthly_gmv"].rolling(window=3).mean()

print(monthly[["date", "monthly_gmv", "rolling_3m"]])

## 运行结果：
'''
 datemonthly_gmvrolling_3m
02023-01-31 120 NaN
12023-02-28 0 NaN
22023-03-31 135 85.000000
32023-04-30 142 92.333333
42023-05-31 0 92.333333
52023-06-30 158100.000000
62023-07-31 165107.666667
72023-08-31 170164.333333
82023-09-30 0111.666667
92023-10-31 185118.333333
10 2023-11-30 192125.666667
11 2023-12-31 200192.333333
12 2024-01-31 210200.666667
'''
</code></pre>
💡 业务复用场景：
<ul>
<li>B站：UP主粉丝7日滚动增长，识别内容爆发点</li>
<li>蔚来：门店周订单滚动均值，评估新车型热度</li>
<li>阿里云：客户月消耗滚动趋势，预判续费风险</li>
</ul>
<h1 id="-模式6漏斗分析--用户去哪了">🎯 模式6：漏斗分析 = 用户去哪了？</h1>
业务场景： 
分析用户从"首次登录"→"周活5次+"→"月观看10h+"的转化路径，计算各阶段流失率，优化新手引导。
核心逻辑： 
用CTE（或pandas多步筛选）定义每阶段用户，再用LEFT JOIN串联，最后算转化率=末阶段/首阶段。
Python代码示例：
<pre><code class="language-python"># 模拟用户行为数据
user_df = pd.DataFrame({
'user_id': range(1,101),
'country': ['CN']*100,
'sessions_30d': np.random.poisson(8, 100),# 30天会话数
'watch_hours': np.random.exponential(5, 100)# 观看小时数
})

# 定义三阶段（向量化筛选，高效！）
stage1 = user_df > 0]# 活跃用户
stage2 = user_df >= 5]# 深度活跃
stage3 = user_df[(user_df['sessions_30d'] >=5) & (user_df['watch_hours']>=10)]# 核心用户

# 计算转化（按国家分组）
funnel = pd.DataFrame({
'country': ['CN'],
'active_users': len(stage1),
'engaged_users': len(stage2),
'power_users': len(stage3),
'conversion_rate': round(len(stage3)/len(stage1)*100, 2)
})
print(funnel)

## 运行结果：
'''
countryactive_usersengaged_userspower_usersconversion_rate
0 CN 100 93 14 14.0
'''
</code></pre>
💡 业务复用场景：
<ul>
<li>淘宝：浏览→加购→支付，优化购物车流失</li>
<li>得到：试听→购课→完课，提升知识付费转化</li>
<li>微信支付：绑卡→首刷→复刷，加速支付习惯养成</li>
</ul>
<h1 id="-模式7时间对比--今天比昨天好在哪">🎯 模式7：时间对比 = 今天比昨天好在哪？</h1>
业务场景： 
城管局想监控"每日违规开单量"的日环比变化，快速发现执法强度波动或居民配合度变化。
核心逻辑： 
先按日聚合违规数，再用<code>shift()</code>取前一天值，最后相减得差值，正数=变严，负数=变松。
Python代码示例：
<pre><code class="language-python"># 模拟违规数据
violation_df = pd.DataFrame(
{
 "date": np.random.choice(
 pd.date_range("2024-01-01", periods=10, freq="D"),# 10个候选日期
 size=100,# 生成100条记录
 replace=True,# 允许同一天多条
 ),
 "violation_id": range(1, 101),
}
)

# 1. 按日聚合
daily = violation_df.groupby("date").size().reset_index(name="daily_count")

# 2. 计算日环比变化（shift取前一天）
daily["diff"] = daily["daily_count"] - daily["daily_count"].shift(1)

print(daily[["date", "daily_count", "diff"]])

## 运行结果：
'''
 datedaily_countdiff
0 2024-01-01 3 NaN
1 2024-01-02 5 2.0
2 2024-01-03 14 9.0
3 2024-01-04 10-4.0
4 2024-01-05 9-1.0
5 2024-01-06 7-2.0
6 2024-01-07 12 5.0
7 2024-01-08 8-4.0
8 2024-01-09 15 7.0
9 2024-01-10 17 2.0
'''
</code></pre>
💡 业务复用场景：
<ul>
<li>抖音：日活用户日环比，监控内容热点效应</li>
<li>美团：日订单量波动，快速响应天气/节日影响</li>
<li>招商银行：日理财申购变化，捕捉市场情绪拐点</li>
</ul>
<h1 id="-总结">🎁 总结</h1>
这7个模式，真不是啥高深算法。
但90%的业务分析题，拆开看，就是它们的排列组合。
面试前刷一遍，工作中套一遍，效率直接拉满。
<blockquote>
✨ 记住：数据是死的，套路是活的。掌握模式，才能以不变应万变。
</blockquote> 
来源：https://www.cnblogs.com/wang_yb/p/19830000

頁: [1]

琼殿技术论坛's Archiver

理论都会，实战就废？7个分析模板，帮你打通任督二脉