话说相关分析

相关分析，指对两个或多个指标进行分析，评估它们两两之间联系或相互影响的程度，通过了解这些变量是如何相互影响的，进而推测潜在的因果关系或共同的变化趋势。

相关性分析的主要内容是计算变量之间的相关系数，主要的相关系数有如下三个：

皮尔逊相关系数（Pearson Correlation Coefficient）：用于衡量两个连续变量之间的线性关系，值介于-1和1之间。值越接近1或-1，表示变量之间的线性关系越强；值接近0，表示几乎没有线性关系，皮尔逊相关系数只适用于线性关系，对非线性关系不适用。

 

斯皮尔曼秩相关系数（Spearman's Rank Correlation Coefficient）：用于衡量两个变量之间的单调关系，即使这种关系不是线性的。常用于处理不满足正态分布或包含异常值的数据。

 

肯德尔等级相关系数（Kendall's Tau）：用于衡量两个变量之间的相关性，适合处理小样本数据或数据中存在相同值的情况。

 

要判断变量间的相关程度，主要看相关系数的大小，相关系数一般在-1与1之间，一般而言，如果0≤∣r∣<0.3，就认为两个变量之间不相关；如果0.3≤∣r∣<0.5，就认为两个变量之间存在弱相关；如果0.5≤∣r∣<0.8，就认为两个变量之间存在中度相关；如果0.8≤∣r∣<1就认为两个变量之间存在强相关关系。

 

相关分析的主要应用场景：

1、市场营销：

    通过相关分析，可以评估广告投放与销售额之间的关系，了解广告效果的实际影响。

    分析客户满意度与客户忠诚度之间的相关性，帮助企业优化客户服务策略

2、电商：

     产品销售分析，通过相关分析，找到影响销量的因素

     通过相关分析店铺运营上架和品类运营

     通过相关分析找到影响短视频内容质量的因素

     挖掘哪些关键事件对留存可能有正向影响

     找出对购买转化率贡献最高的渠道

     分析哪个客群的留存对整体留存贡献更大

     分析哪些因素对 DAU 的影响更大

     分析影响用户购买行为的关键因素

相关分析在业务中有广泛的应用，但是相关分析时数据易受异常值的影响，使用时注意它的局限性。