典型相关分析中哪些数据比较重要（相关性分析竟能带来如此大的业务价值）

如果你对数据分析感兴趣，希望学习更多的方法论，希望听听经验分享，

欢迎移步宝藏公众号「小火龙说数据」，无广告、无软文、纯干货，更多精彩原创文章与你分享！

相关性分析用于度量两个或多个变量之间的相似程度，并通过其关系探索其业务价值。这里要注意一下，相关性≠因果性，业务往往通过「相关性」探索问题，并通过「因果性」验证问题，『因果分析方法』可以戳蓝字部分。

相关性度量方式有很多，列出小火龙常用的两种，分别为「相关系数法」以及「信息增益/信息熵法」。具体方法及说明如下图：

其中，「连续性变量」常用pearson相关系数，「离散型变量」常用随机森林特征贡献度。

业务上度量A与B的相关性，往往A是业务目标变量，而B是可能影响目标变量的因子，探索哪些因子B对目标A起到作用。听起来可能有点虚，举个例子：

业务希望提升用户留存，哪些关键事件对留存有正向影响？

这个命题，就是为了探索用户增长里提到的「Aha Moment」，挖掘哪些关键事件对留存可能有正向影响。具体分析实施步骤如下：

步骤一：收集可能对用户产生影响的关键事件。需要注意：关键事件触发量级不宜过小。

步骤二：通过相关性，度量「关键事件是否触发」与「用户留存」之间的关系，此处采用「随机森林特征贡献度方式」，如下图，探索发现「登录行为、购买行为、互动行为」贡献度较大，可能对用户留存产生影响。

步骤三：根据探索的三个方向，设计能够将用户引导至关键行为的业务改动，并通过AB实验加以验证。（因果验证）

步骤四：通过AB实验评估大盘北极星指标及期望提升指标的改进情况，如满足预期，则表示该产品改动对业务有正向影响。

以上就是一个功能相关性分析在业务中的实战应用案例。

最后，近些年，小火龙沉淀了不少数据分析方法论，现汇总为《数据分析方法论图谱》知识沉淀售卖，有需要的同学可以戳上方链接查看哦！！！

以上就是本期的内容分享

如果你也对数据分析感兴趣，那就来关注我吧，更多「原创」文章，与你分享！！

小火龙说数据