数据分析研究

完整的数据分析主要包括了六大步骤，它们依次为：分析设计、数据收集、数据处理、数据分析、数据展现、报告撰写等，所以也叫数据分析六步曲。1.分析设计首先是明确数据分析目的，只有明确目的，数据分析才不会偏离方向，否则得出的数据分析结果不仅没有指导意义，亦即目的引导。当分析目的明确后，我们需要对思路进行梳理分析，并搭建分析框架，需要把分析目的分解成若干个不同的分析要点，也就是说要达到这个目的该如何具体开展数据分析？需要从哪几个角度进行分析？采用哪些分析指标？采用哪些逻辑思维？运用哪些理论依据？明确数据分析目的以及确定分析思路，是确保数据分析过程有效进行的先决条件，它可以为数据收集、处理以及分析提供清晰的指引方向。2.数据收集数据收集是按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。这里的数据包括一手数据与二手数据，一手数据主要指可直接获取的数据，如公司内部的数据库、市场调查取得的数据等；二手数据主要指经过加工整理后得到的数据，如统计局在互联网上发布的数据、公开出版物中的数据等。3.数据处理数据处理是指对采集到的数据进行加工整理，形成适合数据分析的样式，保证数据的一致性和有效性。它是数据分析前必不可少的阶段。数据处理的基本目的是从大量的、可能杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据。如果数据本身存在错误，那么即使采用最先进的数据分析方法，得到的结果也是错误的，不具备任何参考价值，甚至还会误导决策。数据处理主要包括数据清洗、数据转化、数据抽取、数据合并、数据计算等处理方法。一般的数据都需要进行一定的处理才能用于后续的数据分析工作，即使再“干净”的原始数据也需要先进行一定的处理才能使用。4.数据分析数据分析是指用适当的分析方法及工具，对收集来的数据进行分析，提取有价值的信息，形成有效结论的过程。在确定数据分析思路阶段，数据分析师就应当为需要分析的内容确定适合的数据分析方法。到了这个阶段，就能够驾驭数据，从容地进行分析和研究了。一般的数据分析我们可以通过Excel完成，而高级的数据分析就要采用专业的分析软件进行，如数据分析工具SPSS、SAS、Python、R语言等。5.数据展现通过数据分析，隐藏在数据内部的关系和规律就会逐渐浮现出来，那么通过什么方式展现出这些关系和规律，才能让别人一目了然呢？一般情况下，数据是通过表格和图形的方式来呈现的，即用图表说话。常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等，当然可以对这些图表进一步整理加工，使之变为我们所需要的图形，例如金字塔图、矩阵图、瀑布图、漏斗图、帕雷托图等。多数情况下，人们更愿意接受图形这种数据展现方式，因为它能更加有效、直观地传递出分析师所要表达的观点。一般情况下，能用图说明问题的，就不用表格，能用表格说明问题的，就不用文字。6. 报告撰写数据分析报告其实是对整个数据分析过程的一个总结与呈现。通过报告，把数据分析的起因、过程、结果及建议完整地呈现出来，以供决策者参考。所以数据分析报告是通过对数据全方位的科学分析来评估企业运营质量，为决策者提供科学、严谨的决策依据，以降低企业运营风险，提高企业核心竞争力。一份好的分析报告，首先需要有一个好的分析框架，并且层次明晰，图文并茂，能够让读者一目了然。结构清晰、主次分明可以使阅读对象正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于读者更形象、直观地看清楚问题和结论，从而产生思考。其次，需要有明确的结论，没有明确结论的分析称不上分析，同时也失去了报告的意义，因为最初就是为寻找或者求证一个结论才进行分析的，所以千万不要舍本求末。第三，一定要有建议或解决方案，作为决策者，需要的不仅仅是找出问题，更重要的是建议或解决方案，以便他们在决策时参考。所以，数据分析师不光需要掌握数据分析方法，而且还要了解和熟悉业务，这样才能根据发现的业务问题，提出具有可行性的建议或解决方案。资料来源张文霖.数据分析六步曲[J].数据,2013(06):46-47.

常用的数据分析方法有描述统计、信度分析、相关分析、回归分析、聚类分析等。本文将结合实际案例，为大家一一讲解这些数据分析的方法。如果你想了解如何做数据分析，就接着看下去吧~1、描述性统计分析绝大多数的报纸、杂志、公司报告上的统计信息都会以简单、易懂的方式汇总和展示，这种将数据以表格、图形或数值的形式汇总的统计分析方法称为描述性统计。描述性统计分析是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。这也是我们在日常生活最常用的一种数据分析方法，因此这里就不再用案例展开讲解了。2、信度分析信度即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。企业在招聘员工时会有一套性格测试题，这里面就用到了信度分析。企业会在性格测试题里面放入两道及以上相同或相似的问题，这两道题问的内容一样，但是具体表达描述不一样，通过计算求职人员是否在答题时选择结果一致的答案来分析该求职人员的可靠性。下面举个常见的案例，比如：华为在考察应聘人员的自主创新能力时，以下相同意思的说法会出现在多个不同的题目中供你选择：我喜欢创新；做事时我喜欢有新方法，新点子；我能想出很多主意；我喜欢提出很多主意。如果你每次选的都不相同，那么这份性格测试的可信度就会比较低，系统可能会判定你是一个不诚实的人，导致你通不过华为的性格测试。3、相关分析相关分析师研究现象之间是否存在依存关系，对具体有依存关系的现象探讨相关方向及相关程度。例如，人的身高和体重之间；空气中的相对湿度与降雨量之间是否存在依存关系，都是相关分析研究的问题。相关分析的方法很多，可以快速发现数据之间的关系，如正相关，负相关或不相关。比如有个案例是根据每日广告曝光量和费用成本的数据，来找出广告曝光量和费用成本之间存在依存关系，并形成模型，以便于后续做出正确的广告投放策略。4、回归分析回归分析研究的是两组或两组以上变量之间定量关系的分析方法，在进行回归分析之前需要确定变量的数量，同时也要确定自变量和因变量。比较常见的回归分析有线性回归。回归分析是相关分析的深入和继续。对所研究现象只作相关分析，仅说明现象之间具有密切的相关关系是不够的，统计上研究现象之间具有相关关系的目的，就是要通过回归分析，将具有依存关系的变量间的不确定的数量关系加以确定，然后由已知自变量值推算未知因变量的值，只有这样，相关分析才具有实际意义。5、聚类分析聚类分析是指样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。通常，我们遇到的很多数据都没有很明确或具体的分类标签，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。需要注意的是聚类分析是一种缺乏分类标签的分类方法，当我们对数据进行聚类并得到簇后，一般会单独对每个类进行深入分析，从而得到更加细致的结果。以上就是常用的数据分析方法及案例讲解，大家都学会了吗？

今天，小编给大家带来了一份学习指南，通过一篇文章，帮助大家快速了解如何进行数据分析。以及如何利用SPSSAU管理和分析你的数据，以提高数据分析的效率。目录1. 整理数据1.1上传数据1.2 整理格式1.3 数据标签与编码1.4 检查数据有无异常2. 分析数据2.1 明确研究问题2.2 分析方法选择2.3 运行分析3. 呈现结果3.1 图表格式3.2 智能分析3.3 结果下载3.4 三线表格式1. 整理数据（1）上传数据无论是从问卷网站下载下来的数据，还是自己收集整理的数据。都需要保存成.sav/.xls /.csv其中的一种格式，才能正常分析。像word文件或者压缩文件，是不能直接上传的，一定要注意。（2）整理格式正确的数据格式是研究的基础，只有规范数据格式才可用于分析，建议在上传前先查看：数据上传格式说明一般来说，正确的格式一定要求：第1行为标题或变量名，第2行起即为具体的数据，不能各并单元格。如果出现没有回答、空值、缺失值，直接空着即可，不用录入。至于个别的方法，对于数据格式可能有特殊要求。比如，加权数据，时间序列数据等，建议在分析前，查看此链接：常见数据 或点击"灯泡"按钮查看对应方法帮助手册。然后，点击SPSSAU右上角[我的数据]--上传数据，即成功导入数据。（3）数据标签与编码数据上传至SPSSAU，需要先对数据进行简单处理。比如给分类数据设置标签，规范标题(变量)名称等，如果存在反向题、跳转题或者重新对数据分组，都要先处理再分析。数据标签标题处理反向题：使用【数据处理】--【数据编码】处理。跳转题：使用【筛选样本】或【异常值】筛选/剔除掉空值。数据分组：使用【数据处理】--【数据编码】处理。（4）检查数据有无异常除此以外，还需要检查数据中是否存在异常值。通常在分析前建议大家可以使用【描述分析】或图示法，了解下数据的特征。如果出现异常值，看是否会影响到分析结果，考虑剔除或者不处理。2. 分析数据（1）明确研究问题到了正式分析这一步，首先要明确研究重点，规划分析思路最为重要，尤其是面对多份数据，分析结果一多就很容易搞混。事先规划好思路，有利于帮助我们，按照既定的思路分析，提高分析效率，也避免前面分析错了，再回头反复修改浪费时间。在开始收集数据之前，应该了解每组将要收集多少个样本以及将要运行的统计检验。数据太少很可能导致无法运行分析。（2）分析方法选择选择合适的数据分析方法是非常重要的。通常数据可以分为两类：定类数据、定量数据。定类数据可以理解为分类，类别，数个数。比如男生、女生；愿意、不愿意；是、否。定量数据理解为算平均值，度量，比如平均身高，平均年龄。基础描述分析：当研究只涉及1个变量，比如研究身高，体重情况如何。并不需要研究关联关系，这种都可统称为数据基本描述统计。当然数据类型不一样时，方法不同。比如性别为定类数据，这时用频数分析；身高体重是定量数据，这时用描述分析。通常一上来都需要做这类分析，以了解数据基本情况。关系研究分析：当涉及2个变量或多个变量的关系研究，就可以使用以上方法进行分析。除此以外，还有多变量分析、权重计算、信效度分析等等，具体需要依据研究目的、数据类型进行选择。可以查看SPSSAU帮助手册内提供的相关教学视频，它可以帮助你了解并找到适合于分析数据的方法。（3）运行分析收集并准备好数据后，就可以开始运行分析。SPSSAU的操作方法非常简单，几乎所有操作都是三步完成：左右拖拽，点一下即可得到结果。3. 呈现结果（1）图表格式在结果图中，系统用星号标出呈现显著性的数据（默认标准为* P<0.05,** P<0.01）。修改显著性标识：鼠标移动到右上角[头像处]--[ p值标识]，更改P值标识，需重新分析即可生效。小数位设置：设置小数位个数，让你的结果展示更加专业。鼠标移动到右上角[头像处]--[小数位]即可修改小数位个数，最高支持保留5位小数。（2）智能分析SPSSAU结果中自带分析建议及智能分析，帮助分析中快速解读分析结果。（3）结果下载得到结果之后，可以点击标题旁的 复制按钮，一键复制结果粘贴到Word。如果结果较多，建议 导出EXCEL表格或PDF结果，将结果一次性导出。（4）三线表格式下载好的数据结果已经是标准格式，如需进一步规范格式也很简单。具体三线表的设置流程可参照之前的文章：如何快速得到规范的三线表格式数据？好了，以上就是本次的全部内容。如果下次身边有小伙伴问起怎么用SPSSAU做分析，文章链接直接丢给ta！

作者：CDA数据分析师大数据分析与数据分析这几年一直都是个高频词，很多人都开始纷纷转行到这个领域，也有不少人开始跃跃欲试，想找准时机进到大数据或数据分析领域。如今大数据分析和数据分析火爆，要说时机，可谓处处都是时机，关键要明了的一点是，大数据分析和数据分析两者的根本区别在哪里，只有真正了解了，才会知晓更加适合自己的领域是大数据分析师还是数据分析师。毕竟职场如战场，时间就是生活，不容儿戏，更不容怠慢。下面我来好好告诉大家两者的本质区别到底是什么！大数据分析：指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据分析指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，因此不用考虑数据的分布状态（抽样数据是需要考虑样本分布是否有偏，是否与总体一致）也不用考虑假设检验，这点也是大数据分析与一般数据分析的一个区别。数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。大数据分析与数据分析最核心的区别是处理的数据规模不同，由此导致两个方向从业者的技能也是不同的。在CDA人才能力标准中从理论基础、软件工具、分析方法、业务分析、可视化五个方面对数据分析师与大数据分析师进行了定义。【数据分析师的要求】数据分析师的理论要求：统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘。工具要求：必要：Excel、SQL可选：SPSS MODELER、R、Python、SAS等分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法，贝叶斯，神经网络，决策树，聚类分析法，关联规则，时间序列，支持向量机，集成学习等）和可视化技术。业务分析能力：可以将业务目标转化为数据分析目标；熟悉常用算法和数据结构，熟悉企业数据库构架建设；针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息；通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析。结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。【大数据分析师的要求】理论要求：统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础。工具要求：必要： SQL、Hadoop、HDFS、Maprece、Mahout、Hive、Spark可选：RHadoop、Hbase、ZooKeeper等分析方法要求：熟练掌握hadoop集群搭建；熟悉nosql数据库的原理及特征，并会运用在相关的场景；熟练运用mahout、spark提供的进行大数据分析的数据挖掘算法，包括聚类（kmeans算法、canopy算法）、分类（贝叶斯算法、随机森林算法）、主题推荐（基于物品的推荐、基于用户的推荐）等算法的原理和使用范围。业务分析能力：熟悉hadoop+hive+spark进行大数据分析的架构设计，并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景，根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。结果展现能力：报告能体现大数据分析的优势，能清楚地阐述数据采集、大数据处理过程及最终结果的解读，同时提出模型的优化和改进之处，以利于提升大数据分析的商业价值。综上大数据分析与数据分析的根本区别就是分析的思维与分析所用的工具不同。大家在求职或转行过程认清自己对两者的偏好和自己的兴趣所在，以及自己的能力更适合在哪个领域发挥，还有自己所在城市对两者的职业需求，综合天时地利人和三个条件，我们才能做出更理智更客观更科学的抉择。

一、数据分析的基本思路数据分析应该以业务场景为起始思考点，以业务决策作为终点。1、明确思路明确数据分析的目的以及思路是确保数据分析过程有效进行的首要条件。它作用的是可以为数据的收集、处理及分析提供清晰的指引方向。可以说思路是整个分析流程的起点。首先目的不明确则会导致方向性的错误。当明确目的后，就要建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标。只有明确了分析目的，分析框架才能跟着确定下来，最后还要确保分析框架的体系化，使分析更具有说服力。2、收集数据收集数据是按照确定的数据分析框架收集相关数据的过程，它为数据分析提供了素材和依据。这里所说的数据包括第一手数据与第二手数据，第一手数据主要指可直接获取的数据比如公司自己的业务数据库中的业务数据，第二手数据主要指经过加工整理后得到的数据例如一些公开出版物或者第三方的数据网站。3、处理数据处理数据是指对收集到的数据进行加工整理，形成适合数据分析的样式，它是数据分析前必不可少的阶段。数据处理的基本目的是从大量的、杂乱无章、难以理解的数据中，抽取并推导出对解决问题有价值、有意义的数据。数据处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法。4、分析数据分析数据是指用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。由于数据分析多是通过软件来完成的，这就要求数据分析师不仅要掌握各种数据分析方法，还要熟悉数据分析软件的操作。而数据挖掘其实是一种高级的数据分析方法，就是从大量的数据中挖掘出有用的信息，它是根据用户的特定要求，从浩如烟海的数据中找出所需的信息，以满足用户的特定需求。5、可视化一般情况下，数据是通过表格和图形的方式来呈现的，我们常说用图表说话就是这个意思。常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等，当然可以对这些图表进一步整理加工，使之变为我们所需要的图形，例如金字塔图、矩阵图、漏斗图等。大多数情况下，人们更愿意接受图形这种数据展现方式，因为它能更加有效直观。6、撰写报告撰写数据分析报告其实是对整个数据分析过程的一个总结与呈现，通过清晰的结构和图文并茂的展现方式去展具有建设意义的解决方案。二、数据分析的基本方法1、对比分析时间维度上的同比和环比不同人群之间的对比不同类别之间的对比对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。2、帕累托分析帕累托法则，源于经典的二八法则，即百分之八十的问题是百分之二十的原因所造成的。帕累托图在项目管理中主要用来找出产生大多数问题的关键原因，用来解决大多数问题。在帕累托图中，不同类别的数据根据其频率降序排列的，并在同一张图中画出累积百分比图。帕累托图可以体现帕累托原则：数据的绝大部分存在于很少类别中，极少剩下的数据分散在大部分类别中。这两组经常被称为“至关重要的极少数”和“微不足道的大多数”。3、聚类分析聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。图表制作工具为DataFocus除非注明，否则均为DataFocus企业大数据分析系统,让数据分析像搜索一样简单原创文章，转载必须以链接形式标明本文链接。

很多人会问数据分析目的是什么？它有什么作用？让我们看看亿信华辰如何看待数据分析的目的和意义。仅仅谈论数据分析的作用实际上并不重要，因此在谈论该作用之前，我们首先要考虑受众，打个比方：对于个人而言，由于身体感应设备的原因，让我们每天锻炼身体健身各种指标可以数字化，最终完成对个人身体和生活习惯的自我量化，然后完善对个人日常生活规律的调节，使我们过上更好的生活。数据分析目的数据分析目的1：分类检查未知分类或暂时未知分类的数据，目的是预测数据属于哪个类别或属于哪个类别。使用具有已知分类的相似数据来研究分类规则，然后将这些规则应用于未知分类数据。数据分析目的2：预测预测是指对数字连续变量而不是分类变量的预测。数据分析目的3：关联规则和推荐系统关联规则或关联分析是指在诸如捆绑之类的大型数据库中找到一般的关联模式。在线推荐系统使用协作过滤算法，该协作过滤算法是基于给定的历史购买行为，等级，浏览历史或任何其他可测量的偏好行为或什至其他用户购买历史的方法。协同过滤可在单个用户级别生成“购买时可以购买的东西”的购买建议。因此，在许多推荐系统中使用了协作过滤，以向具有广泛偏好的用户提供个性化推荐。数据分析目的4：预测分析预测分析包括分类，预测，关联规则，协作过滤和模式识别（聚类）之类的方法。数据分析目标5：数据缩减和降维当变量的数量有限并且可以将大量样本数据分类为同类组时，通常会提高数据挖掘算法的性能。减少变量的数量通常称为“降维”。降维是部署监督学习方法之前最常见的初始步骤，旨在提高可预测性，可管理性和可解释性。数据分析目的6：数据探索和可视化数据探索的目的是了解数据的整体情况并检测异常值。通过图表和仪表板创建的数据浏览称为“数据可视化”或“可视化分析”。对于数值变量，可以使用直方图，箱形图和散点图来了解其值的分布并检测异常值。对于分类数据，请使用条形图分析。数据分析目的7：有监督学习和无监督学习监督学习算法是用于分类和预测的算法。数据分类必须是已知的。在分类或预测算法中用于“学习”或“训练”预测变量和结果变量之间关系的数据称为“训练数据”。 。从训练数据中学到算法后，将该算法应用于具有已知结果的另一个数据样本（验证数据），以查看其与其他模型相比具有哪些优势。简单线性回归是监督算法的一个示例。数据分析的意义（功能）数据分析的意义（作用）1：告诉你过去发生了什么首先，请告诉您此阶段企业的整体运营情况，并通过完成各种运营指标来衡量企业的运营状况，以显示企业的整体运营情况是好是坏，它的表现如何？不好吗去哪儿。其次，告诉您企业每个业务的组成，以便您了解企业每个业务的发展和变化，并对企业的业务状态有更深入的了解。现状分析通常通过每日报告进行，例如每日，每周和每月报告。数据分析的意义（作用）2：告诉你为什么这些现状会发生在对第一阶段的现状进行分析之后，我们对公司的运营有了基本的了解，但是我们不知道哪里的运营更好，差异是什么，以及原因是什么。这时，我们需要进行原因分析，以进一步确定业务变更的具体原因。原因分析通常通过主题分析进行。根据企业的经营情况，根据一定的现状选择原因分析。数据分析的意义（作用）3：告诉你未来会发生什么了解公司运营的现状后，有时需要对公司的未来发展趋势做出预测，为公司制定业务目标，并提供有效的战略参考和决策依据，以确保公司的持续健康发展。预测分析通常是通过主题分析完成的，主题分析通常是在制定公司的季度和年度计划时进行的。它的发展频率不如现状分析和原因分析高。

在工作中，我们常常需要分析各种数据。不同的数据分析方法要怎么用呢？本文作者根据自己的自身经历，从四个角度进行分析介绍，推荐给对数据分析感兴趣的童鞋阅读。作为业务部门的数据分析师，经常面临的场景就是分析异常。比如老板找到你说：“小伙，帮我分析下最近一周的GMV下降的原因。”很多人拿到这个问题的时候就开始直接去找各个维度来拆分看了，最后还是一脸茫然。首先拿到这个问题时，我们需要用分析方法，描述和对比分析法。就是采用描述性分析方法，看具体的GMV值下降了多少，以及采用趋势和对比的方法来判断是不是真正的异常，有可能去年同期也是节假日后的正常下降。这个过程就像侦探探案时了解一些案发现场的基础信息。在对异常有了基础认知之后，想要了解真相，需要细分的思维方法，一步步分解还原案发的蛛丝马迹。但是怎么细分，以及按照什么样的套路细分是有讲究的。首先介绍细分常见的方法，笔者将其归纳为3类。通常在分析一个具体问题中可能会多种一起使用。一、结构细分第一类是按照结构进行细分：事物或组织本身的结构；产线的区分（如化妆品类，生鲜类等），区域的区分（如华东/华西/华南大区），渠道的区分（APP/小程序/PC端）等。杜邦分析法，是杜邦公司发明的，采用金字塔结构，把企业净资产收益率逐级分解为多项财务指标的比值或乘积。这个借鉴于我们常规的指标体系的分析中。比如，在文首遇到的那个情景，GMV同比下降30%，可以按照杜邦分析法进行指标拆解，定位是UV少了，还是cr下降了，还是客单价降低主要影响。分组分析法，根据一定标准对研究对象进行分组。分组分析法分为属性指标分组和数量指标分组。而属性指标所代表的数据不能进行运算，只是说明事物的性质、特征。如人的姓名、部门、性别、文化程度等指标，可以按照一定规则分组，比如页面引流中对于同组织下：内部引流，其他为外部引流。数量指标所代表的数据能够进行加减乘除运算，说明事物的数量特征，比如人的年龄、工资水平、企业的资产等指标，例如年龄属性：1-17：青少年，18-35青年，35-55中年，55以上老年；矩阵分析法，又称四象限分析法，源自著名的BCG矩阵，多用于产品组合战略分析中，实现产品及资源分配结构的良性循环，明星/现金牛/廋狗/问题产品。在分析场景中，可以用来评估两种因素对于不同组的影响差异时，识别不同组间不同的业务策略。比如，评估业务中各个大区的GMV占比vsGMV同比增长率，识别到重点核心大区和有机会的大区。二、时间流程第二类是时间（流程）维度：时间颗粒度下的细分，按年/月/周/日对齐的方式细分看异常是否集中于某一时间段。漏斗分析法，这是互联网用于行为分析中使用较多的分析法，分析从潜在用户到最终用户这个过程中用户数量的变化情况，确定整个流程的设计是否合理，各步骤的优劣，和是否存在优化的机会。客户生命周期的方法，主要应用的场景是用户运营，聚焦不同阶段用户运营的策略，平时接触不多，就不展开。三、程度属性第三类是程度分析方法，聚焦关注重点：ABC分析法，又称帕累托图法。据事物在技术或经济方面的主要特征，进行分类排队，分清重点和一般，从而有区别地确定管理方式的一种分析方法。A类是我们重点关注的。比如可以在平台上去识别A类SKU带来累计GMV达80%，B类和C类占比剩余20%，理清楚平台的重点品类。A类因素，发生累计频率为0%~80%，是主要影响因素。B类因素，发生累计频率为80%~90%，是次要影响因素。C类因素，发生累计频率为90%~100%，是一般影响因素。四、应用案例使用：在日常指标分析过程中，一般常用的是杜邦分析，结构细分和漏斗想结合的方式来定位异常点。我们通过定位发现近期GMV的下降，首先拆解日期来看，没有集中在哪一天有异常；通过杜邦分析法拆解为UV*cr*客单价三个部分，定位到是转化率cr的下将是主要影响成分。拆解cr的过程，按照 详情页-填写页-提交订单-支付订单漏斗流程中去拆解发现是在填写页到提交订单这个过程转化率下降。使用常见单维度因素去识别：平台（APP/H5/PC）,主要影响是APP，产线（门票/跟团/酒店）无差异；拆解ios/安卓系统，版本维度拆解去看是否对这个过程的影响；识别到时填写页验证码有bug导致这个步骤转化率变低，从而识别到改进点。以上这个案例是将平时的分析过程进行了简化，但是方法和套路是不变的，多加练习，用好细分分析手法，拆解定位问题信手拈来。下图附上我整理的原因分析方法的思维导图。本文由 @高帆 原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议

通过数据分析结果，能够为企业的发展以及产业优化提供极大的数据支撑以及理论依据。越来越多的企业认识到数据分析的重要作用，逐渐打开数据分析师的招聘市场。那作为数据分析师应该掌握哪些常见的数据分析方法呢？　　对于基础的数据分析师而言，主要是根据既有的数据进行结论式的研究，一般会用到的分析方法包括：　　细分分析：通过不同的维度将已知数据细分为不同的层次，再根据漏斗原理进一步分析；　　对比分析：针对同一维度的数据在不同的时间、空间以及标准的情况下的数据对比，对应的对比分析结论可以得到同比数据、环比数据、定基比数据等。　　漏斗分析：漏斗分析方法是在特定的目标之下，分析其转化效果的一种方式，这个过程一般可以得到转化路径中的漏洞，然后针对性地进行各个环节的优化。　　同期群分析：一般用来调查固定用户群体的留存情况，常见的案例就是网站的留存率。　　聚类分析：将具有相同特征的对象划归为某个类型，针对性研究不同对象之间的影响因素，我们常见的案例有同一事件中男女生的比例，地域性占比等等。　　AB测试：由于不同用户的不同喜好，一般情况下新产品上市时，会通过AB测试的方法获取用户对产品的喜爱或者接受程度，主要用来收集数据。　　埋点分析：埋点分析也是为了收集用户的数据，以观察用户的行为以及偏好。这个方法一般应用在互联网产品中，可以在用户使用过程中自动获取数据。　　以上这些方法是目前大部分初级数据分析师常用的分析方法，主要以获取数据以及既有少量数据的结论性分析为主，由于可操作的数据量较少，通过这些方法得到的结论一般不具备完整性，并不能完全作为企业发展的依据。　　而现在市场上急需的数据分析师主要是，能够根据大量的数据挖掘出更多潜在的价值，因此需要使用的分析方法更多的需要结合统计学、数理算法等更加复杂的分析方法。参考《数据分析方法》图书，高级数据分析是应该掌握的数据分析方法包括描述性数据分析、线性回归分析、方差分析、假设检验、相关性分析、聚类分析、判别分析、因子分析以及主成分分析集中。　　描述性统计是一类统计方法的汇总，揭示了数据分布特性，主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布以及一些基本的统计图形。　　线性回归分析是应用及其广泛的数据分析方法之一，它基于观测数据简历变量间适当的依赖关系，以分析数据内在规律，具体方法有一元线性分析、多元线性分析、Logistic回归分析等等。　　方差分析的使用需要满足个样本是相互独立的随机样本，并且个样本来自正态分布总体，各总体方法相等。具体方法有单因素方差分析、多因素有交互方法分析、多因素无交互方法分析、协方差分析等。　　假设检验是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法，基本原理是先对总体的特征做出某种假设，然后通过抽样研究的统计腿里，对此假设做出推断。　　相关分析是一种非确定性的关系、研究不同的现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。　　聚类分析是一种探索性的分析。是将数据分类到不同的类或者簇的过程，同一簇中的对象有很大的相似性，而不同的簇间的对象有很大的相异性。　　判别分析是一种统计判别和分组技术，就一定数量样本的一个分组变量和相应的其他多元变量的已知信息，确定分组与其他多元变量信息所述的样本进行判别分组。判别分析和聚类分析都是对数据进行分类，聚类分析可以直接对样本和指标进行探索式分类，而判别分析必须是针对样本的已知分类和相应资料进行判别。　　因子分析是指研究从变量群中提取共性银子的统计技术。从大量的数据中寻找内在的练习，从而减少决策的困难。一般情况下座位胡成分分析的基础的反复法。因子分析的具体方法有很多种，例如重心法、影像分析法、最大似然发、最小平方发等等。　　主成分分析是通过正交变换将一组可能存在现骨干型的变量转换为一组现行不相关的变量，转换后的这组变量叫主成分。其主要思想是降维。　　可能有些同学们对于这些数据分析方法感到非常的陌生，但这些确实是支撑高级数据分析师的理论基础。通过这些数据分析方法，可以更好地发掘出所得到的的数据深层次的价值。完成市场趋势变化的研究，从而为企业的未来发展指定方向。如果想学习数据挖掘，这里有免费的教程，可以私信我获取

一般情况下，我们所说的分析是指，使用大量数据、统计和定量分析、解释和预测以及基于事实的管理来推动决策过程与实现价值增生。根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。描述性分析包括数据收集、整理、制表、制图以及描述正要研究的食物的特征，这类分析以往被称为“报告”。描述性分析可能非常有用，但它不能解释某种结果出现的原因或者未来可能会发生的事情。预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性，比如在看到某个广告后，一位消费者可能会去买产品的可能性。虽然预测性分析中的预测是基于变量之间的关系做出来的，但这不代表预测性分析中都需要明确因果关系。事实上，准确的预测并不一定与需要基于因果关系。规范性分析是更高层次的分析，如实验设计和优化等。就像医生会在出处方建议患者采取什么行动一样，实验设计试图通过做实验给出某些事情发生的原因。为了能够在因果关系研究中信心饱满地做出推断，研究人员必须妥善处理一个或多个独立的变量，并有效控制其他的变量。如果处于试验环境下的测试组的表现大大优于照相，决策制定者就应该立即推广这种实验环境。优化是规范性分析采用的一种方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。例如，我们可以能会对识别最有可能让产品实现高收益的价格感兴趣。同样地，优化这种方法能够识别出使了零售企业最大限制避免缺货情况的库存水平。根据分析采用的方法以及收集和分析的数据类型，我们可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。定性分析的目的是深入了解某种现象的根本原因和诱因。非结构化数据通常是从少数非代表性案例中收集而来，并进行了非统计性分析。定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指通过统计、数学或者计算的方式对现象进行系统的实证研究。通常情况下，结构化数据是从大量典型案例中收集而来，并进行统计分析。为了服务于研究者的不同研究目的，存在以下几种类型的分析：*统计学：收集、整理、分析、说明和呈现数据的学科；*预测：根据已有数据，预测一下一些感兴趣的变量在未来某个特定的时间点的情况；*数据挖掘：通常使用算法和统计技术，自动或半自动地提取大量数据中未知的有趣模式；*文字挖掘：用类似数据挖掘的方式从文本中得模式和趋势的过程；*优化：在同时满足约束条件的情况下，按照某些标准利用数学方法来寻找最优的解决方案；*实验设计：给各组随机分配被试。然后使用测试组和对照组来推导出特定结果中存在的因果关系。虽然此处给出了一些列常用的分析方法，但在使用过程中会不可避免地出现相当大的重叠。例如，回归分析（regression analysis）是预测分析中最常用的方法，与此同时，他也是统计学、预测和数据挖掘中常用的方法。此外，时间序列分析（time seties analysis）是用于分析数据随时间变化的一种具体统计方法、在统计学和预测中经常被用到。