Build method×problem cross-ref…

# 数据分析方法 × 业务问题交叉矩阵

一、矩阵总览

| 方法 \ 问题 | 用户流失 | 销量预测 | 客户分群 | 定价 |

|---|---|---|---|---|

| 回归分析 | ★★★ 核心 | ★★★ 核心 | ★★ 辅助 | ★★★ 核心 |

| 聚类分析 | ★★ 辅助 | ☆ 不适用 | ★★★ 核心 | ★★ 辅助 |

| 决策树 | ★★★ 核心 | ★★ 辅助 | ★★ 辅助 | ★★ 辅助 |

| 因子分析 | ★ 辅助 | ★ 辅助 | ★★★ 核心 | ★★ 辅助 |

| 时间序列 | ★ 辅助 | ★★★ 核心 | ☆ 不适用 | ★★ 辅助 |

（★★★首选 / ★★可用 / ★弱适用 / ☆不适用）

二、各交叉点说明

1. 回归分析

• 用户流失：逻辑回归预测流失概率，量化各因素影响权重
• 销量预测：多元回归建立销量与价格、促销、季节等变量的关系
• 定价：价格弹性回归，估算需求曲线，找利润最大化价格点

2. 聚类分析

• 客户分群：K-means等方法按消费频次、金额、行为特征分群
• 定价：对分群结果分别定价，实现差异化定价策略
• 用户流失：结合聚类识别“高价值易流失”人群，精准挽留

3. 决策树

• 用户流失：可视化流失规则，输出可解释的干预动作（如“登录频次<X则流失风险高”）
• 客户分群：规则化分群，便于业务落地执行
• 定价：价格敏感度分层，识别不同群体的价格阈值

4. 因子分析

• 客户分群：降维提取“价格敏感度”“品牌忠诚度”等潜在因子，提升聚类质量
• 定价：提取影响支付意愿的潜在维度
• 其他：多作前置数据预处理，不作主分析方法

5. 时间序列

• 销量预测：ARIMA/指数平滑捕捉趋势与季节性，处理新品冷启动外的常规预测
• 定价：结合动态时间特征做促销节奏与动态定价参考
• 用户流失：分析流失率的时间波动规律

三、实操建议

• 组合使用效果更佳：如流失场景用“聚类+决策树”，分群场景用“因子分析+聚类”
• 可解释性优先选决策树/回归，预测精度优先可选时间序列模型
• 建议先明确业务目标与数据可用性，再从矩阵中选择★★★方法切入