1樓：仔仔
首先可以根據市場佔比，按照份額的從大到小排序，top多少品類可以完成你80%甚至90%的生意。劃分頭部品類和潛力品類
然後從環比增速上去看，哪些品類佔比大，增速小如何維持佔比；佔比和增速都較好，從哪些方面主推；佔比小，增速大，如何側重扶持部分重點sku；以及佔比小，增速差的風險品類如何精簡？
品類中還可以細分品牌數量，sku數量，貨值比/銷售比、品牌結構、品類結構，品牌性上的，客單層面的、品牌賣點層面上的，再去看一下使用者搜尋偏好，轉化偏好，去和貨品去做對比；哪些貨品供過於求，哪些貨品/客單/風格還有增長空間？
強勢品類一定要在豐富性、關聯性、針對性各方面做好優化，做好使用者和貨品之間的連線。當然，強勢品類中，哪些可以獨家授權，渠道壟斷啊，都要綜合去看。
要每乙個細節都照顧到。
2樓：劉海生
資料分析可做的事情太多了，看你週期內你要解決的側重點。
重點說下商品管理這塊：1、評估新品是否符合准入條件；2、考核期內商品新增汰換標準；3、商品配置等級依據；4、有條件的話評估分類坪效等；其他銷售趨勢預估什麼的自己發揮吧！
有做拓撲資料分析的嗎？
同調論 其實想說的是Persistent Homology 的資料分析 1.材料學 如用傳統方法很難解決的玻璃，amorphous，合金的原子排列。2.生物學 蛋白質，病毒等。3.統計學 處理傳統統計學問題。4.與機器學習的聯合 5.影象處理 做得非常好的有Robert Ghrist，Gunnar ...
資料探勘和資料分析之間的聯絡，搞資料分析基礎是啥？就業情況怎樣？
mengyuancf 資料分析的基礎是要具備一定的數學 統計統籌的知識，當然你可定具備了，另外需要掌握一些必備的工具軟體的使用 如R Python excel 資料可基礎等 也就是你說的程式設計那一塊，這個在資料分析領域是屬於基礎知識的，只要你懂些即可，最關鍵的確實是你說的偏理論的東西，如演算法 資...
大資料分析中，有哪些常見的大資料分析模型？
牛博 模型其實就是一數學函式對映，從應用層角度來看，會有一些通俗的名字,簡單羅列一下 一 使用者模型 二 事件模型 三 漏斗模型 四 熱圖分析模型 五 自定義留存分析模型 六 粘性分析 七 全行為路徑分析 八 使用者分群模型 九 Session 分析 十 間隔分析 十一 分布分析 十二 營銷廣告投放...