wps2019数据分析加载项_数据分析的思维和方法

最新推荐文章于 2025-02-19 10:28:13 发布

weixin_39748445

最新推荐文章于 2025-02-19 10:28:13 发布

阅读量1.7k

点赞数

文章标签： wps2019数据分析加载项

本文链接：https://blog.csdn.net/weixin_39748445/article/details/112243158

版权

人生/工作的结果=思维方式*热情*能力

数据分析常用的工具技能：统计学、sql数据库、python、R、Excel、PPT

数据管理、分析、聚类

定义问题->数据收集（清洗）->数据建模->分析并输出结论（实现数据的管理、分析、聚类等）

数据分析岗位：项目经历（能力+思考+定位）、理论知识体系+实践（项目和能力范围）

数据岗位要求：四点：运营策略、客户需求、业务增长点、产品改进点

理解公司业务、建立运营分析体系

搭建完善的指标体系、提供数据支持

提供解决问题的策略和方案、撰写数据分析报告

数据分析常用的思维方式：

1、结构化/金字塔

画思维导图。重要的核心论点（金字塔顶：假设、问题、预测或者原因）->结果拆解（分论点，呈因果或者依赖关系）->MECE(相互独立，完全穷尽）->验证（论点可量化，可验证）

2、公式化

在结构化基础上，加上数量关系（加减乘除）将论点进行量化分析，验证论点，梳理出指标体系。上下互为计算关系，左右呈关联。

3、业务化

深入了解业务情况，结合具体业务进行分析，有效落地执行分析结果。结构化+公式化表示的是一种现象，业务化思维深究这种现象的原因，以数据结果推动业务。

业务的思维模式可以衍生出基础的分析方法：象限法、多维法、假设法、指数法、二八法、对比法和漏斗法。

象限法：用户价值和用户流失度的二维象限，RFM(M：消费金额，F：消费频率，R：最近一次消费)，象限的划分（中位数，平均数，经验值）划分结果可用于一个策略落地。

多维法：品类、时间、地区等。用户统计维度（性别、年龄等）、用户行为维度（注册用户、用户偏好、用户兴趣、流失等）、消费维度（消费金额、频率、水平等）、商品维度（商品品类、品牌、属性等） ->组成立方体，进行多维分析。其中辛普森悖论：

https://baike.baidu.com/item/%E8%BE%9B%E6%99%AE%E6%A3%AE%E6%82%96%E8%AE%BA/4475862?fr=aladdin#1

将维度和类别进行细化，避免辛普森悖论。

假设法：启发性思考，用于没有直观数据或线索可分析的时候。

指数法：衡量统一标准->对数据进行加工（线性加权、反比例、log），得到指标（用户忠诚度、热度公式：log(UV+5*C,2）+(Tim-Init)/10 UV:独立访问，C:评论数）

二八法：只抓重点，20%的变量产生80%的效果，持续关注topN有价值的数据，但注意仍不能放弃全局，拓宽思维。

对比法：比例或比率的数据指标，有竞争对手、类别、特征属性、时间同比、转化、前后变化的对比。发现数据间的规律，结合多维对比、象限对比、假设对比等。

漏斗法：流程化思考，用于变化、过程、流程的分析。单一的漏斗分析没有用，和其他分析思维结合，比如多维和对比等。

如何锻炼数据分析思维：好奇心+生活中的练习。

2019-05-04 学习笔记

大数据特点：数据量、发生频率、数据种类

费雪：农业领域的实验设计法

A/B测试（随机对照测验）：排除不需要的因素的评价方法。为同一个优化目标制定两个方案（比如两个页面），让一部分用户使用A方案，同时另一部分用户使用B 方案，统计并对比不同方案的转化率、点击量、留存率等指标，以判断不同方案的优劣并进行决策。

技能：统计学知识+数据处理能力+业务知识

CRM(客户关系分析工具）：如selfoffice

5w1h分析方法（when：时间 where：地点 who：性别年龄等 what：商品 why：购入目的 how：数量/销售形态/金额）

贝叶斯概率：其中P(A/B)是在B发生的情况下，A发生的可能性。

数据分析描述：直方图+散点图（描述数值型数据）

正态分布：以平均值为中心，呈左右对称

分类数据：交叉表+交叉分类

平均值、中位数、众数

标准差：表现数据的离散度

百分位数：

偏差值：把握在整体中位置的有效指标。

t检验：p value越小，显著水平越高。难以解释，侧重于运用层面，母集与子集存在偏差。

数据可视化：柱形图、饼图、百分化柱形图、折线图、箱型图：最大最小值，箱体为25%～75%，中线表示中位数。

数据清洗：异常数据重复项/缺失项

模型：回归分析+统计决策树

随机森林+适用于时间序列的ARIMA+寻找最优解的单纯性方法

R：完全免费的统计分析工具

假设型+数据型

excel保存数据为CSV文件，文本形式的数据，可被多种软件读取。

数据库与PHP语言结合，对录入错误数据可进行修正。

数据分析的PDCA(计划、实施、评价和改善)

PV：页面访问量 CVR：转换率 UV：独立访问量

《商务数据分析与应用》--读书笔记

一、商务数据分析原理

数据分析流程：明确分析目的和框架、数据收集（内部和外部渠道）、数据处理、数据分析、数据可视化、撰写报告（结论建议和解决方案）

数据分析原则：科学性、系统性、针对性、实用性和趋势性。

分析任务：

1、行业分析：行业数据采集、市场需求调研、产业链分析、细分市场分析、市场生命周期分析、行业竞争分析。

2、客户分析：客户数据收集、客户特征分析（客户画像）、客户行为分析、客户价值评估、目标客户精准营销、销售效果跟踪（回购率、转化率和投入产出比）

3、产品分析：竞争对手分析（SWOT）、用户特征分析、产品需求分析、产品生命周期分析、用户体验分析

4、运营分析：销售数据分析、推广数据分析、客服数据分析

业务拓展阶段：新客户数量、增长率、客单价等指标。

正常运营阶段：PV、GMV（成交额）、销售毛利等。

消减成本阶段：ROI（投资回报率）、UV（独立访客数）、转化回头率

常用分析模型：

PEST（政治、经济、社会、技术，分析外部宏观环境），SWOT（优势劣势机会和威胁，分析内部微观环境），5W2H（why、what、who、when、where+how、how much，应用检查产品的合理性，找出主要优缺点，设计新产品），逻辑树（基本原则：要素化，框架化，关联化，3种树：议题树、假设树、是否树）

练习：选择一家感兴趣的企业，运用多种渠道收集企业相关信息（PEST和SWOT结合分析）

常用分析方法：统计分析和机器学习

统计分析包括静态分析指标、动态分析方法、统计指数、抽样推断、相关与回归。

机器学习包括决策树、聚类算法、神经网络

静态分析指标：总量指标（单位总量和标志总量、时期和时点指标、实物价值劳动量）、相对指标（倍数和系数、成数、百分数和千分数、占比比率）、平均指标（算术平均数、调和平均数、众数和中位数）和变异指标（四分位差、平均差、标准差和方差）。

动态分析方法：时间数列序列(时间+指标数值)，包括绝对数、相对数和平均数的动态数列。原则是时间长度一致，总体范围一致，指标定义内容和计算方法一致。

统计指数：个体指数和总指数，数量指标指数和质量指标指数，动态指数和静态指数，定基指数和环比指数，综合指数和平均指数。

抽样推断：借助样本信息的特征来估计和检验总体有关信息的特征，包括统计估计和假设检验。

相关与回归：回归是相关的深化，一元/多元回归，线性/非线性回归。步骤：1，回归模型（数学方程式）描述变量间的关系。2、估计模型的参数，得到样本回归方程。3，对模型进行统计检验，预测检验。

决策树：树状结构建立决策模型，常用来分类和回归，常用算法包括CART(classification and regression tree)、ID3、C4.5、随机森林（RForest）等，借助编程实现。

聚类算法：将各不相同的个体划分为拥有更多相似性的子群或者簇，常用算法包括K均值（K-means）、分层和FCM等。

神经网络：学习集用于构建神经网络，测试集验证。用于客户信用评估、新产品分析、客户特征分类、销售预测等。