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。