数据的获取来源以及数据的特点和分类

数据的作用主要体现在解释过去和预测未来两个方面。本文介绍了如何通过数据解释过去发生的事情。包括过去发生了什么，这些事情的规律驱动因素是什么，是否有明显的改进或改进等等。在开始之前，我们将介绍数据获取来源、数据特征和分类。以网站数据为例，对数据来源进行分类，网站数据来源于服务日志和网站分析工具。以下是网站分析工具GoogleAnalytics的日志信息。这个日志包含了一些用户和网站的信息。谷歌通过处理这些信息产生数据，最终生成我们看到的网站数据报告。为了更清楚地看到日志中包含的具体信息，我们将日志拆分显示。可以看出，每一条信息都是以一对参数和值的形式记录的。比如参数t表示这个日志的类型，值pageview表示这是一个PV日志。（除了PV日志，GoogleAnalytics还包括event日志和其他类别的日志）表示每个此类日志都表示页面浏览。另一个例子是，参数dl表示用户当前浏览的页面地址，值表示页面的具体URL。通过观察日志中的信息，可以发现日志中包含的信息分为两类，即参数背后的值类型。一类是类别变量，在Googleanalytics中，参数值类型为text或boolean，如客户ID、地理位置、屏幕分辨率等。另一种是数值变量，在GoogleAnalytics中，参数值类别为integer或currency，如事件价值、商品数量、交易收入等。详情请参考《MeasurementProtocol参数参考》类型变量数值变量。在了解了Googleanalytics日志中信息的分类后，我们开始解释每个类别信息的分析方法。包括各类信息的分析方法及其合适的图表显示形式。首先，介绍类型变量和数值变量的分析方法。这里有两个冗长的单一因素分析。大多数时候，由于缺乏数据，我们无法获得有用的结果或洞察力，而不是因为数据太多。在这里，我们拆分信息，每次只介绍一种信息，找出规律和驱动因素。避免在大量无用的数据中丢失。正如我们前面所说，GoogleAnalytics日志收集的信息分为类别变量和数值变量两类。让我们分别看看这两种信息的分析方法。类别变量类别变量是指日志中以文本或布尔值的形式记录的信息。这类信息本身不是数据，不能直接操作。在转化为我们常见的数据形式之前，需要处理。例如，以下浏览器信息。每个用户使用不同类别的浏览器。当用户访问网站时，我们以文本的形式记录了这些浏览器的品牌信息。这类信息属于类别变量。以下是一组浏览器的品牌信息列表。对于浏览器品牌等类别变量，我们将计算生成频率和比例数据。用于分析不同浏览器品牌的受欢迎程度和重要性。以下是计算出的不同浏览器品牌的数量和所有浏览器品牌的比例。Chrome在所有浏览器中出现次数最多，为30次。在所有浏览器中占50%以上。说明Chrome是样本数据中比较流行的浏览器品牌。柱形图、条形图、蛋糕图或环形图是类别变量频率和比例数据的最佳显示形式。以下条形图显示了不同浏览器品牌的频率，环形图显示了不同浏览器品牌的比例。数值变量数值变量是指日志中以数值形式记录的信息。这些信息可以直接用作数据，也可以通过相互运算产生新的数据。举例来说，下面的浏览深度是通过访问网站的次数和浏览页面的总次数来计算的。对于数值变量，我们通常使用描述统计来观察数据的集中度和离散度。用于描述集中度的指标包括平均数、中位数和众数。方差和标准差描述了离散程度。通过描述统计提供的一系列指标，我们可以找到和描述数值的规律。通过描述统计，可以发现浏览深度集中在1.5页左右。标准差为0.3，表示整体数据离散程度不高。Excel中数据菜单下的数据分析功能可以找到描述统计。除描述统计外，第二个要分析的是数值的分布。事实上，前面的平均值、标准差、峰度和偏度指标大致描述了变量分布的形式，但下面的直方图更直观地显示了数据分布。从直方图可以看出，浏览深度数据符合正态分布，概率最高的是1.5次。换句话说，浏览深度数据集中在1.5页左右，相对稳定，变化不大。页面浏览较多和较少的页面并不多。页面浏览深度最小为1.12页。页面浏览深度最大的是2.29页。在之前的单因素分析中，我们分别介绍了类别变量和数值变量的分析方法，下面介绍了双变量的分析方法。简单地说，双变量分析是单因素的组合。我们将双变量分为类别变量三类&类别变量，数值变量&数值变量和类别变量&数值变量。分析两个变量之间的关联和差异。类别变量&类别变量的第一个双变量&类别变量。以下是一组客户来源和是否交易的列表。记录每个客户的来源以及最终是否交易。其中，客户来源分为线上和线下两个来源。交易记录是否为“是”，未交易记录为“否”。对于这组数据，我们使用卡方检查来分析线上和线下来源的交易率是否存在显著差异。我们之前有一篇单独的文章来介绍卡方检查的方法，感兴趣的朋友可以查看详细的计算过程。在这里，我们将粗略地解释计算过程和结果。首先，生成频率表计算不同来源的交易量和未交易量。并计算出线上和线下来源的交易率数据。第二步，根据之前频率表中的数据，按照卡方检验的方法计算出线上线下来源交易和未交易的预期数据。以下是通过计算获得的期望数据。最后，通过使用频率表和期望值数据计算，线上线下的交易率存在显著差异。具体数据请参考下表。数值变量&数值变量的第二个双变量是数值变量&以下是一组广告消费和点击量的数据。在广告平台上记录消费情况和点击数据。对于这组数据，我们通过相关分析来分析消费和点击量之间的相关性。有许多相关的分析方法，我们之前单独介绍过《五种常用的相关分析方法》。这里使用相关分析来分析消费与点击数据之间的关系。通过Excel数据菜单中的数据分析功能获得的消费与点击量的相关数据为0.95，表明消费与点击量高度正相关。对于两组数值变量，最好的显示形式是使用散点图。点击量与消费的关系通过散点图描述。随着消费的增加，点击量也随之增加。在Excel的散点图中，选择添加趋势线可以自动生成回归方程和判断系数R方。可以解释点击量91%的变化。类别变量&数值变量的第三个双变量是类别变量&以下是一组每日访问量数据，对应于网站每天获得的访问量数据。日期为类别变量，访问量为数值变量。我们在前15天和后15天分别采用了不同的推广策略。Z建议和T检验分析访问量数据前后变化差异的显著性将分别使用。首先，根据交付策略将30天的访问数据分为前后两组，每组15天，然后计算每组数据的平均值和方差。具体数据如下表所示。然后在Excel的数据菜单中选择数据分析，使用Z检验进行差异显著性检验。经过测试，在95%的置信范围内，两组访问量数据之间没有显著差异。T检验类似于Z检验。我们在Excel中选择数据分析数据菜单，并使用T检验对两组访问量数据进行差异显著检验。在95%的信心范围内，两组访问量数据之间没有显著差异。最后，总结整篇文章的内容。我们将信息分为两类：类别变量和数值变量。类别变量是用文本或布尔值记录的信息，数值变量是用数字记录的信息。在单独分析这两种信息时，类别变量通常使用频率和比例的方法，而数值变量通常使用蔑视统计和数据分布的方法。在双变量分析中，主要分析两个变量之间的相关性和差异的显著性。双变量分析分为类别变量三类&类别变量，数值变量&数值变量和类别变量&数值变量。第一类变量&通过卡方检查分析数据间差异的显著性。数值变量&通过线性相关分析发现数据之间的关系。类别变量&通过Z检验和T检验分析数据之间数值变量差异的显著性。