相关分析就是判断两个事件是否有关系，如：广告投入／营销投入与销售业绩／业绩产出、下雨与门店销售量／门店人流量、用户点击与消费行为、销售上涨与新品上市。
直接相关关系指标之间可能存在直接相关关系。常见的有三种形态：
在结构分析法中，整体指标与部分指标之间的关系
在指标拆解法中，主指标与子指标之间的关系
在漏斗分析法中，前后步骤指标之间的关系
直接相关不需要数据计算，通过指标梳理就能看清楚关系。直接相关的情况下，两个指标出现同时上涨/下跌的趋势。比如：
整个公司业绩都不好，所以A分公司业绩也很差（结构分析）客户数太少了，所以整体业绩不好（主指标、子指标）看到广告人数太少了，所以最后转化不好（前后步骤）
如果直接相关的两个指标没有同涨同跌，往往意味着问题。比如做用户增长，注册的新用户数量大涨，但付费转化率持续大幅度下跌，这就说明获客效率在下降，可能是目标用户已耗尽，也有可能是渠道在造假，也有可能是获客方法有误，总之要深入分析。
间接相关关系有些并非直接相关，但理论上有关系。比如品牌广告与销售收入，理论上肯定是有关系的。但是品牌广告又没有带货链接，不能直接说：有5000万的销售业绩是用户通过广告链接购买的。此时就是典型的间接相关关系。分析间接相关关系，有2种常用方法，一种是散点图法，另一种是计算相关系数。
计算出可以发现，广告投入与销售两个指标之间，确有相关关系。至于具体是怎么相关的，可以再做进一步研究。间接相关关系，经常用来找改进业绩的措施。比如互联网行业里著名的“魔法数字”法，本质就是找用户浏览、点赞、分享、登录等行为，与用户留存、付费行为之间的相关关系。
如果发现：当用户点赞4次以后，用户的90天留存会明显增高。那么就把这个“4次留存”称为魔法数字，然后努力推动用户完成4次点赞。
相关分析的不足之处 1.相关不等于因果。如小区里种一棵树的高度变化与我国GDP之间的相关关系。嗯。。。相关系数可高了，这棵树就是我国的龙脉啊，能保佑我国经济腾飞咯。。。嗯。。。
2.相关分析不能解决非量化指标。比如我们想知道：旗舰店是不是比社区店更能吸引消费者。一个店是不是旗舰，取决于位置、装修、宣传等诸多因素，不能粗暴的用开店面积、员工人数等指标来代替。想分析这种非量化特征与指标之间的关系，需要用到另一种分析方法：标签分析法。
