当我们研究两种或者两种以上数据之间有什么关系的时候，就要用到相关分析。在解决问题的过程中，相关分析可以帮助我们扩大思路，将视野从一种数据扩大到多种数据。
通过计算相关系数，我们可以看到两种数据之间的相关程度。
相关关系不等于因果关系。在《简单统计学》中有一个例子，美国的啤酒销量和已婚人口的数量，二者的相关系数达到了惊人的 0.99。我们能说饮酒导致了婚姻？或者反过来说结婚导致了饮酒？显然，啤酒销量和已婚人口的数量没有因果关系，这纯属巧合。正确的解释应该是当人口随时间增长时，啤酒消费量、已婚人口数量也会增长。
大部分的时候是无法找到因果关系的，但是仅仅知道相关关系也能帮助我们。
群组分析方法（也叫同期群分析方法）是按某个特征将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。
例如，在校上体育课的时候。体育老师考虑到男生和女生的运动项目不一样，会把男生分为一组打篮球，女生分为一组跳绳，这其实是按性别对学生进行了分组。在职场里常见的分组就是公司为了方便沟通，也会按项目建立不同的微信群。
产品会随着时间发布新的版本。产品改版的效果如何？版本更新后用户是增长了，还是流失了？
像这类问题，就需要将用户按时间分组，然后比较不同组的用户留存率。所以，群组分析方法常用来分析用户留存率（或者流失率）随时间发生了哪些变化，然后找出用户留下或者离开的原因。分组后，考察每组用户的留存率随着时间发生了哪些变化，例如 1 个月后留存率是多少，2 个月后留存率是多少。对于留存率高的用户组，分析他们为什么留存；对留存率低的用户组，分析他们为什么流失。
在我之前的一篇博客，【数据分析】基于RFM模型的线上零售中的客户细分（二）：RFM模型实战，通过一个实际营销案例，详细介绍了用 Python 如何完成同期群分析。
