怎么进行数据分析
从业务中来，到业务中去，顾名思义，数据分析要围绕业务进行，由此我们得出来 业务调研->创新分析->逻辑思考->可行建议
数据分析的关键
数据分析的关键是方法而不是技术，就像我们写作一样，华丽的修辞并不重要，最重要的要表达出自己的想法以及意境和格局。 多角度思考问题，通常我们可以拓展知识面，比如说，从经济学，心理学和统计学进行数据分析
数据分析要避开的坑
精心准备的数据， 从数据相关性得出结论，数据分析不通过比较，数据准备不充分，先入为主 ，从统计学的观念入手，过度脑补的推理
统计学是怎么发明的？
生活中，我们面对事情，要多想想为什么，而不是是什么，探讨问题背后的本质才是最重要的。之所以使用统计被发明是因为统计学能够简化数据，通过更简单的方式看到数据的本质。
统计学真的可信吗？
统计学是对抽样慨率的一种体现，所以我们不能全新，如果这样说的话，感觉统计学几乎没什么作用了，但是大数定律告诉我们随着我们对抽样样本的增多，统计值会无限趋向于真实值。
数据分析过程我们要善于从不同的维度进行分析事物，但是随着维度的增加，会造成数据量的减小，所以我们要学会使用大数定律进行权衡利弊。
我们要怎么认知这个世界？通过平行的理论（实验组和对照组），通过统计抽样进行比较（根据大数定律，数据抽样要尽可能大，减少正态分布的误差）
我们思考问题的入手方式有哪些？化繁为简，逐步改进。找出典型，从中入手。基于需求，做出应用。
分析数据的实用方法？
拆指标
分布分析，我们在分析数据时不能只看统计数据，还要看分布状态。
趋势分析，不同的场景使用不同的方案去做分析
因素分解， 分为纵向拆分（分模块划分）和横向逻辑（加减乘除）两种办法
拆数据
个案分析 选择明显特征的个案进行分布分解分析 异常分析 科学或者数据分析的进步都是因为异常而被发现的 分组分析 针对不同的需求进行不同的群体划分，例如，广告投放业务，我们需要按照，新老客户，大小客户，不同行业客户进行划分.
怎么分组
分组分析在实际使用种又可以分为留存分析，价格歧视，根据不同用户群体和需求细分
相关领域分析
通过四象限法则，把不同的用户或者事物进行划分。
olap分析方法
切片（按照不同维度进行划分）和钻取（更进一步的细分）
非监督机器学习算法
聚类分析： 告诉机器按照不同的维度进行划分出数据模型 关联分析： 按照我们想要的模式进行划分（置信度和知识度要高）
监督学习算法
给出假设算法模型，机器穷举计算，得出最优算法（随着特征的越来越多，正态分布最后会形成一条线，分析的也是越来越准确）
机器学习说白了人的学习（人根据业务，取得样本，设计算法，机器执行，查看结果），机器只是在执行。
银行信贷算法是基于似然概率进行计算得出。
大数据的作用？
通过大量的数据，我们能够对一些特征值进行细化，根据特征值又能进一步高效利用大数据 对于大数据，我们首先要有一个这样的认识，数据分析技术并不重要，我们首先要有一定数据积累，然后结合我们的业务模型，然后利用数据技术，分析出可用的技术。 编程基础（python和R语言）+ 结合具体业务
一个团队，每个人扮演的角色都非常重要，我们要善于发现别人的美，不能存在比较之心。
4842
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
