數據分析的方法

數據分析的方法

　　數據分析是指用適當的統計分析方法對收集來(lái)的大量數據進(jìn)行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過(guò)程。小編整理的數據分析方法，供參考！

　　一、以往的數據分析

　　在今天的各類(lèi)型企業(yè)中，數據分析崗位已經(jīng)基本得到普及和認可，這個(gè)崗位的核心任務(wù)往往是支撐運營(yíng)和營(yíng)銷(xiāo)，將企業(yè)內部的數據，客戶(hù)的數據進(jìn)行分析和總結，形成以往工作情況的量化表現，以及客戶(hù)的行為趨勢或特征等。

　　如果從更宏觀(guān)的角度來(lái)認識數據分析崗位的話(huà)，每一個(gè)數據分析人員都明白，其實(shí)數據分析崗位要達到的目標就是希望通過(guò)數據來(lái)發(fā)現潛在的規律，進(jìn)而幫助預測未來(lái)，這一點(diǎn)同數據挖掘的目標一致。那么為什么在大多數公司都已經(jīng)具備的數據分析崗位基礎上，今天卻還是在反復提到數據挖掘這個(gè)概念，我們就需要來(lái)看看數據分析都有哪些是沒(méi)有做到的內容。

　　數據分散

　　多數數據分析崗位在公司中的崗位設置是隸屬在單一業(yè)務(wù)部門(mén)中作為一個(gè)支撐崗，只有少數的公司是將數據分析作為一個(gè)獨立的部門(mén)。其差異性在于，前者的數據分析所能分析的內容僅限于自身部門(mén)所輸出的指標，比如投訴部門(mén)只看投訴處理過(guò)程中的數據，銷(xiāo)售部門(mén)只看銷(xiāo)售過(guò)程中的數據，一旦涉及到需要將各類(lèi)指標匯總分析的情況，這種組織架構就會(huì )帶來(lái)極大的負面影響，由于不同部門(mén)具備自己部門(mén)指標導出的權限，且與其他部門(mén)的配合并不影響績(jì)效任務(wù)，所以這種跨部門(mén)采集數據的過(guò)程往往效率奇低。而數據分析最關(guān)鍵的就在于匯集更多的數據和更多的維度來(lái)發(fā)現規律，所以以往的數據分析多是做最基礎的對比分析以及帕累托分析，少有使用算法來(lái)對數據進(jìn)行挖掘的動(dòng)作，因為越少的指標以及越少的維度將會(huì )使得算法發(fā)揮的效果越差。

　　指標維度少

　　在以往的企業(yè)中，數字化管理更多的體現在日常運維工作中，對于客戶(hù)端的數據采集雖然從很早以前就已經(jīng)開(kāi)展，CRM系統的誕生已經(jīng)有很久的時(shí)間了，但是一直以來(lái)客戶(hù)端的數據維度卻十分缺失，其原因在于上述這些途徑所獲得的數據多為客戶(hù)與企業(yè)產(chǎn)生交互之后到交互結束之間的數據，但是這段時(shí)間只是這個(gè)客戶(hù)日常生活中很少的一部分內容，客戶(hù)在微博，微信上的行為特點(diǎn)，關(guān)注的領(lǐng)域或是品牌，自身的`性格特點(diǎn)等，可以說(shuō)一個(gè)客戶(hù)真正的特點(diǎn)，習慣，僅通過(guò)與企業(yè)的交互是無(wú)從知曉的，因此難以挖掘出有效的結論。

　　少使用算法

　　在上述制約條件下，可想而知數據分析人員對于算法的使用必然是較少的，因為數據分析依賴(lài)于大量的指標、維度以及數據量，沒(méi)有這三個(gè)條件是難以發(fā)揮算法的價(jià)值的，而在排除掉算法后，數據分析人員更多的只能是針對有限的數據做最為簡(jiǎn)單的分析方法，得出淺顯易懂的分析結論，為企業(yè)帶來(lái)的價(jià)值則可以想象。

　　數據分析系統較弱

　　目前的數據分析多采用excel，部分數據分析人員能夠使用到R或SPSS等軟件，但當數據量達到TB或PB單位級別時(shí)，這些軟件在運算時(shí)將會(huì )消耗大量時(shí)間，同時(shí)原始的數據庫系統在導出數據時(shí)所花費的時(shí)間也是相當長(cháng)的，因此對大數據量的分析工作，常規的系統支撐難以到達要求。

　　二、技術(shù)革命與數據挖掘

　　得益于互聯(lián)網(wǎng)對于人們生活的影響逐漸增大，我們發(fā)現數據正在瘋狂的增長(cháng)。今天一個(gè)人一天的時(shí)間中有將近一半是在互聯(lián)網(wǎng)中度過(guò)的'，一方面這些使用互聯(lián)網(wǎng)的交互都是能夠被捕捉記錄的，一方面由于碎片化時(shí)間的使用，客戶(hù)與企業(yè)交互的機會(huì )也變的越來(lái)越頻繁，進(jìn)一步保障了客戶(hù)數據的豐富。同時(shí)在大數據技術(shù)的支撐下，今天的系統能夠允許對這些大規模的數據量進(jìn)行高效的分析。

　　因此數據分析人員也能夠開(kāi)始使用一些較為抽象的算法來(lái)對數據做更為豐富的分析。所以數據分析正式進(jìn)入到了數據分析2.0的時(shí)代，也就是數據挖掘的時(shí)代了。

　　三、數據處理流程

　　數據分析也即是數據處理的過(guò)程，這個(gè)過(guò)程是由三個(gè)關(guān)鍵環(huán)節所組成：數據采集，數據分析方法選取，數據分析主題選擇。這三個(gè)關(guān)鍵環(huán)節呈現金字塔形，其中數據采集是最底層，而數據分析主題選擇是最上層。

　　四、數據采集

　　數據采集即是如何將數據記錄下來(lái)的環(huán)節。在這個(gè)環(huán)節中需要著(zhù)重說(shuō)明的是兩個(gè)原則，即全量而非抽樣，以及多維而非單維。今天的技術(shù)革命和數據分析2.0主要就是體現在這個(gè)兩個(gè)層面上。

　　全量而非抽樣

　　由于系統分析速度以及數據導出速度的`制約，在非大數據系統支撐的公司中，做數據分析的人員也是很少能夠做到完全全量的對數據進(jìn)行收集和分析。在未來(lái)這將不再成為問(wèn)題。

　　多維而非單維

　　另一方面則在于數據的維度上，這在前邊同樣提及�？傊�針對客戶(hù)行為實(shí)現5W1H的全面細化，將交互過(guò)程的什么時(shí)間、什么地點(diǎn)、什么人、因為什么原因、做了什么事情全面記錄下來(lái)，并將每一個(gè)板塊進(jìn)行細化，時(shí)間可以從起始時(shí)間、結束時(shí)間、中斷時(shí)間、周期間隔時(shí)間等細分；地點(diǎn)可以從地市、小區、氣候等地理特征、渠道等細分；人可以從多渠道注冊賬號、家庭成員、薪資、個(gè)人成長(cháng)階段等細分；原因可以從愛(ài)好、人生大事、需求層級等細分；事情可以從主題、步驟、質(zhì)量、效率等細分。通過(guò)這些細分維度，增加分析的多樣性，從而挖掘規律。

　　五、數據分析方法選取

　　數據分析方法是通過(guò)什么方法去組合數據從而展現規律的環(huán)節。從根本目的上來(lái)說(shuō)，數據分析的任務(wù)在于抽象數據形成有業(yè)務(wù)意義的結論。因為單純的數據是毫無(wú)意義的，直接看數據是沒(méi)有辦法發(fā)現其中的規律的，只有通過(guò)使用分析方法將數據抽象處理后，人們才能看出隱藏在數據背后的規律。

　　數據分析方法選取是整個(gè)數據處理過(guò)程的核心，一般從分析的方法復雜度上來(lái)講，我將其分為三個(gè)層級，即常規分析方法，統計學(xué)分析方法跟自建模型。我之所以這樣區分有兩個(gè)層面上的考慮，分別是抽象程度以及定制程度。

　　其中抽象程度是說(shuō)，有些數據不需要加工，直接轉成圖形的方式呈現出來(lái)，就能夠表現出業(yè)務(wù)人員所需要的業(yè)務(wù)意義，但有些業(yè)務(wù)需求，直接把數據轉化成圖形是難以看出來(lái)的，需要建立數據模型，將多個(gè)指標或一個(gè)指標的多個(gè)維度進(jìn)行重組，最終產(chǎn)生出新的數據來(lái)，那么形成的這個(gè)抽象的結果就是業(yè)務(wù)人員所需要的業(yè)務(wù)結論了�；�于這個(gè)原則，可以劃分出常規分析方法和非常規分析方法。

　　那么另一個(gè)層面是定制程度，到今天數學(xué)的發(fā)展已經(jīng)有很長(cháng)的時(shí)間了，其中一些經(jīng)典的`分析方法已經(jīng)沉淀，他們可以通用在多用分析目的中，適用于多種業(yè)務(wù)結論中，這些分析方法就屬于通用分析方法，但有些業(yè)務(wù)需求確實(shí)少見(jiàn)，它所需要的分析方法就不可能完全基于通用方法，因此就會(huì )形成獨立的分析方法，也就是專(zhuān)門(mén)的數學(xué)建模，這種情況下所形成的數學(xué)模型都是專(zhuān)門(mén)為這個(gè)業(yè)務(wù)主題定制的，因此無(wú)法適用于多個(gè)主題，這類(lèi)分析方法就屬于高度定制的，因此基于這一原則，將非常規分析方法細分為統計學(xué)分析方法和自建模型類(lèi)。

　　常規分析方法

　　常規分析方法不對數據做抽象的處理，主要是直接呈現原始數據，多用于針對固定的指標、且周期性的分析主題。直接通過(guò)原始數據來(lái)呈現業(yè)務(wù)意義，主要是通過(guò)趨勢分析和占比分析來(lái)呈現，其分析方法對應同環(huán)比及帕累托分析這兩類(lèi)。同環(huán)比分析，其核心目的在于呈現本期與往期之間的差異，如銷(xiāo)售量增長(cháng)趨勢；而帕累托分析則是呈現單一維度中的各個(gè)要素占比的排名，比如各個(gè)地市中本期的銷(xiāo)售量增長(cháng)趨勢的排名，以及前百分之八十的增長(cháng)量都由哪幾個(gè)地市貢獻這樣的結論。常規分析方法已經(jīng)成為最為基礎的分析方法，在此也不詳細介紹了。

　　統計學(xué)分析方法

　　統計學(xué)分析方法能夠基于以往數據的規律來(lái)推導未來(lái)的趨勢，其中可以分為多種規律總結的方式。根據原理多分為以下幾大類(lèi)，包括有目標結論的有指導學(xué)習算法，和沒(méi)有目標結論的無(wú)指導學(xué)習算法，以及回歸分析。

　　其中有指導的學(xué)習算法簡(jiǎn)單說(shuō)就是有歷史數據里邊已經(jīng)給出一個(gè)目標結論，然后分析當各個(gè)變量達到什么情況時(shí)，就會(huì )產(chǎn)生目標結論。比如我們想判斷各項指標需要達到什么水平時(shí)我們才認定這個(gè)人患有心臟病的話(huà)，就可以把大量的心臟病人的各項指標數據和沒(méi)有心臟病的正常人的各項指標數據都輸入到系統中，目標結論就是是否有心臟病，變量就是各項指標數據，系統根據這些數據算出一個(gè)函數，這個(gè)函數能夠恰當的描述各個(gè)指標的數據與最終這個(gè)是否是心臟病人之間的關(guān)系，也就是當各個(gè)指標達到什么臨界值時(shí)，這個(gè)人就有心臟病的判斷，這樣以后再來(lái)病人，我們就可以根據各項指標的臨界值。這個(gè)案例中的函數就是算法本身了，這其中的算法邏輯有很多種，包括常見(jiàn)的貝葉斯分類(lèi)、決策樹(shù)、隨機森林樹(shù)以及支持向量機等，有興趣的朋友可以在網(wǎng)上看看各種算法的邏輯是怎么樣的。

　　另外無(wú)指導的學(xué)習算法因為沒(méi)有一個(gè)給定的目標結論，因此是將指標之中所有有類(lèi)似屬性的數據分別合并在一起，形成聚類(lèi)的結果。比如最經(jīng)典的啤酒與尿布分析，業(yè)務(wù)人員希望了解啤酒跟什么搭配在一起賣(mài)會(huì )更容易讓大家接受，因此需要把所有的購買(mǎi)數據都放進(jìn)來(lái)，然后計算后，得出其他各個(gè)商品與啤酒的關(guān)聯(lián)程度或者是距離遠近，也就是同時(shí)購買(mǎi)了啤酒的人群中，都有購買(mǎi)哪些其他的商品，然后會(huì )輸出多種結果，比如尿布或者牛肉或者酸奶或者花生米等等，這每個(gè)商品都可以成為一個(gè)聚類(lèi)結果，由于沒(méi)有目標結論，因此這些聚類(lèi)結果都可以參考，之后就是貨品擺放人員嘗試各種聚類(lèi)結果來(lái)看效果提升程度。在這個(gè)案例中各個(gè)商品與啤酒的關(guān)聯(lián)程度或者是距離遠近就是算法本身了，這其中的邏輯也有很多中，包括Apriori等關(guān)聯(lián)規則、聚類(lèi)算法等。

　　另外還有一大類(lèi)是回歸分析，簡(jiǎn)單說(shuō)就是幾個(gè)自變量加減乘除后就能得出因變量來(lái)，這樣就可以推算未來(lái)因變量會(huì )是多少了。比如我們想知道活動(dòng)覆蓋率、產(chǎn)品價(jià)格、客戶(hù)薪資水平、客戶(hù)活躍度等指標與購買(mǎi)量是否有關(guān)系，以及如果有關(guān)系，那么能不能給出一個(gè)等式來(lái)，把這幾個(gè)指標的數據輸入進(jìn)去后，就能夠得到購買(mǎi)量，這個(gè)時(shí)候就需要回歸分析了，通過(guò)把這些指標以及購買(mǎi)量輸入系統，運算后即可分別得出，這些指標對購買(mǎi)量有沒(méi)有作用，以及如果有作用，那么各個(gè)指標應該如何計算才能得出購買(mǎi)量來(lái)�；貧w分析包括線(xiàn)性及非線(xiàn)性回歸分析等算法。

　　統計學(xué)分析方法還有很多，不過(guò)在今天多用上述幾大類(lèi)分析方法，另外在各個(gè)分析方法中，又有很多的不同算法，這部分也是需要分析人員去多多掌握的。

　　自建模型

　　自建模型是在分析方法中最為高階也是最具有挖掘價(jià)值的，在今天多用于金融領(lǐng)域，甚至業(yè)界專(zhuān)門(mén)為這個(gè)人群起了一個(gè)名字叫做寬客，這群人就是靠數學(xué)模型來(lái)分析金融市場(chǎng)。由于統計學(xué)分析方法所使用的算法也是具有局限性的，雖然統計學(xué)分析方法能夠通用在各種場(chǎng)景中，但是它存在不精準的問(wèn)題，在有指導和沒(méi)有指導的學(xué)習算法中，得出的結論多為含有多體現在結論不精準上，而在金融這種錙銖必較的領(lǐng)域中，這種算法顯然不能達到需求的精準度，因此數學(xué)家在這個(gè)領(lǐng)域中專(zhuān)門(mén)自建模型，來(lái)輸入可以獲得數據，得出投資建議來(lái)。在統計學(xué)分析方法中，回歸分析最接近于數學(xué)模型的，但公式的復雜程度有限，而數學(xué)模型是完全自由的，能夠將指標進(jìn)行任意的組合，確保最終結論的有效性。

　　六、數據分析主題選取

　　在數據分析方法的基礎上，進(jìn)一步是將分析方法應用在業(yè)務(wù)需求中，基于業(yè)務(wù)主題的分析可以涉及太多的領(lǐng)域，從客戶(hù)的參與活動(dòng)的轉化率，到客戶(hù)的留存時(shí)長(cháng)分析，再到內部的各環(huán)節銜接的及時(shí)率和準確度等等，每一種都有獨特的指標和維度的要求，以及分析方法的要求，以我個(gè)人的經(jīng)驗來(lái)看，主要分析主題都是圍繞著(zhù)營(yíng)銷(xiāo)、運營(yíng)、客戶(hù)這三大角度來(lái)開(kāi)展的。

　　營(yíng)銷(xiāo)/運營(yíng)分析

　　營(yíng)銷(xiāo)運營(yíng)分析多從過(guò)程及最終的成效上來(lái)進(jìn)行分析，包括營(yíng)銷(xiāo)活動(dòng)從發(fā)布到客戶(hù)產(chǎn)生購買(mǎi)的過(guò)程的分析，運營(yíng)從客戶(hù)開(kāi)始使用到停止使用為止的過(guò)程中的分析，前者更傾向于分析客戶(hù)行為的.變動(dòng)趨勢，以及不同類(lèi)型的客戶(hù)之間的行為差異，后者更傾向于分析在過(guò)程中服務(wù)的及時(shí)率和有效率，以及不同類(lèi)型的客戶(hù)之間對于服務(wù)需求的差異。

　　在針對這部分分析主題時(shí)，多采用常規分析方法，通過(guò)同環(huán)比以及帕累托來(lái)呈現簡(jiǎn)單的變動(dòng)規律以及主要類(lèi)型的客戶(hù)，但通過(guò)統計學(xué)分析方法，營(yíng)銷(xiāo)分析可以根據有指導的學(xué)習算法，得出營(yíng)銷(xiāo)成功與營(yíng)銷(xiāo)失敗之間的客戶(hù)特征的差異，而運營(yíng)分析則可以根據無(wú)指導的學(xué)習算法，得出哪些特征的客戶(hù)對哪些服務(wù)是有突出的需求的，另外營(yíng)銷(xiāo)和運營(yíng)分析都可以通過(guò)回歸分析來(lái)判斷，各項績(jì)效指標中，哪些指標是對購買(mǎi)以及滿(mǎn)意度有直接影響的。通過(guò)這些深入的挖掘，可以幫助指導營(yíng)銷(xiāo)及運營(yíng)人員更好的完成任務(wù)。

　　客戶(hù)分析

　　客戶(hù)分析除了與營(yíng)銷(xiāo)和運營(yíng)數據關(guān)聯(lián)分析時(shí)候使用，另外單獨對于客戶(hù)特征的分析也是有很大價(jià)值的。這一部分分析更多需要通過(guò)統計學(xué)分析方法中的有指導和無(wú)指導的學(xué)習算法，一方面針對高價(jià)值客戶(hù)，通過(guò)有指導的學(xué)習算法，能夠看到哪些特征能夠影響到客戶(hù)的價(jià)值高低，從而為企業(yè)鎖定目標客戶(hù)提供指導；另一方面針對全體客戶(hù)，通過(guò)無(wú)指導的學(xué)習算法，能夠看到客戶(hù)可以大概分為哪幾種群落，針對每個(gè)群落的客戶(hù)展開(kāi)焦點(diǎn)討論和情景觀(guān)察，從而挖掘不同群落客戶(hù)之間的需求差異，進(jìn)而為各個(gè)群落的客戶(hù)提供精準營(yíng)銷(xiāo)服務(wù)。

　　通過(guò)以上這些的操作，一個(gè)企業(yè)的數據分析或者說(shuō)數據挖掘工作的完整流程就呈現了出來(lái)�？梢钥吹�，無(wú)論是數據采集，還是分析方法，亦或是分析主題，在大數據和互聯(lián)網(wǎng)的支撐基礎上，在未來(lái)都將有大幅度的增加，數據分析人員將成為下一個(gè)階段的關(guān)鍵企業(yè)支撐人員，也即是在未來(lái)，在各個(gè)領(lǐng)域中，都將產(chǎn)生大量的寬客，或者增長(cháng)黑客這樣的數據分析人員，來(lái)帶動(dòng)企業(yè)的發(fā)展。

【數據分析的方法】相關(guān)文章：

銷(xiāo)售數據的分析方法07-25

大數據的分析方法06-25

數據整理分析方法10-22

數據分析方法06-26

數據分析與辦公軟件：數據分析方法07-10

銷(xiāo)售數據分析的方法07-03

銷(xiāo)售數據分析方法07-03

常用數據分析方法06-22

配件庫存分析數據的方法07-10

實(shí)驗數據分析方法06-24