一套易学易用的数据分析方法，满足90%的日常需求！

简介：你觉得学习数据分析方法很痛苦吗？作者用简单易懂的写作风格总结了一套易学易用的数据分析方法论，使初学者能够快速掌握数据分析方法中最核心、最常用的要点，至少满足90%的日常需求。学习对大多数人来说是一件痛苦的事情，特别是看厚厚的专业书籍，各种难以理解和缺乏解释的术语定义，会加剧这种痛苦。然而，有些书籍或文章可以用非常流行和口语化的方式讲述复杂的理论，让读者不费吹灰之力就能理解。这些内容确实是读者的福音。归根结底，互联网思维中的用户思维谈了这么久，教育和培训内容的创作者也应该从读者的角度改变和发言。本文讨论了数据分析方法。根据作者对许多企业的接触和理解，虽然大多数企业越来越重视数据，但仍有相当多的企业和从业者没有找到数据分析的方法，不知道如何分析自己的数据，希望得到专业人士的帮助。数据分析方法一点也不神秘。作者在学习数据分析方法时也非常痛苦。他读了很多书，内容很多，但很难记住，也更难使用。后来，他加入了永宏科技，为许多企业制作了数据分析系统。通过大量的项目实践，他可以慢慢地谈论介绍。好的方法论应该易学易用。现在，本文试图使用最简单易懂的写作风格，让初学数据分析的人在阅读后能够理解和掌握数据分析方法中最核心、最常用的要点，至少能满足90%的日常需求。要做到这一点，我们必须将广泛而深刻的数据分析方法提炼成人们能记住的3点，而不是30点，然后浓缩到一篇文章的长度，而不是一本书的厚度。1、有两种数据，维度和测量，分析是维度和测量的组合，以下是消费者购物中最简单的数据例子。不管这个数据表是存在于excel还是数据库中，只*数据本身。表中涉及的数据项(或字段)有“订单ID”、“用户ID”、“地区”、“年龄”、“订单金额”、“订单商品”、“订单时间”。这些数据项有什么区别？一般来说，数据分为两种，一种称为维度，另一种称为测量（或指标）。在上面的例子中，“订单金额”是测量，其余的数据项都是维度。可以看出，测量是具体计算中使用的量化值，维度是描述事物的各种属性信息。归根结底，当我们进行数据分析时，我们不断地进行各种维度和测量的组合，如北京的总订单金额、21至30岁用户的平均订单金额；或单独计算维度和测量，如所有订单金额、用户数量（用户ID不重复计数）等。从数据类型来看，测量是值，但值不一定是测量。例如，虽然订单ID是值，但它不是测量，而是维度，而时间和文本数据是维度。需要特别注意的是，可以转换维度和测量。比如要看“年龄”的平均数，这里的“年龄”就是衡量，要看19岁用户的订单，这里的“年龄”就是维度。对于一个数据项来说，它是维度还是测量取决于用户的需求，这与量子效应非常相似。只有在确定需求后才能确定状态。此外，维度可以衍生出新的维度和测量，例如，一个区域维度可以从“区域”维度衍生出来，“北京”、“天津”对应“华北地区”，或者从“年龄”维度衍生出一个年龄范围维度。20-29岁=“年轻人”，30-39岁=“中年人”，40-49岁=“资深中年人”。再比如上述平均年龄，就是用“年龄”维度衍生出一个度量。测量也可以衍生出新的维度和测量，如用“订单金额”来衍生一个金额范围维度，对应100元以下的“小订单”，对应500元以上的“大订单”等。再比如用“收入”和“成本”来衡量，就可以得到“利润”来衡量。2、通过比较判断，我们提出了一个问题：企业A今年的收入是8000万，无论是高还是低，我们都应该觉得无法判断，因为没有参考，也就是说，没有比较。因此，要获得数据，必须对比判断是好是坏是高是低。首先，企业A可以和自己比较。假如前年收入2000万，去年收入4000万，那么今年8000万就很好了。去年收入1亿，今年8000万不好。这叫纵向对比。其次，企业A也可以和别人比较。同行几家竞争对手企业今年收入几亿，那么企业A的8000万就不理想了。这叫横向对比。第三，企业A也可以比较不同的维度和测量。比如竞争对手都做全国市场，企业A只做山东市场。企业A在山东市场的收入高于竞争对手在山东市场的收入，因此在本地区，企业A做得更好，从全国来看，企业A做得有限。例如，如果竞争对手已经工作了十多年，而企业A刚刚工作了四五年，即使企业A做得很好，如果同一时间的竞争对手已经超过1亿，即使企业A做得不够好。这叫综合对比。孩子考了95分，家长很开心，因为知道满分是100分，有参考。最后一次考试考了80分，家长会生气，因为过去的95分成了新的参考。后来，当我问的时候，我发现这篇论文出了问题。孩子已经是班上第一个了，所以我变得愤怒和快乐。这里的其他孩子成了参与者(xi)照(sheng)物(pin)。对比的参考对象不同，判断结论也不同。为避免片面、不客观的结论，应尽可能多地进行综合比较。3、今年利润下降，老板非常生气，下令查明原因，逮捕“嫌疑人”。如何找到原因，注意找到原因，而不是找到原因。很多人往往不知道怎么找原因，最后给出的都是原因。先看一个例子的原因——“华南地区洗衣机销量在第四季度下降，导致今年利润下降”。让我们分析一下这个原因的特点。我们会发现，这个原因是由时间、区域、产品和销售三个维度组成的，所以我们可以知道，问题原因的搜索定位本质上是回答哪些维度下哪些测量的下降或上升，导致问题的发生。这就是细分。我们可以根据维度细分，有多少维度，有多少方向。比如去年所有月份都下降了，还是只有几个月下降了。如果是后者，则可以缩小搜索数据的范围。聚焦这几个月，可以看看哪些地区下降了，进一步细分。入手维度的顺序影响不大，问题原因涉及的维度无法预测，可以从任何维度细分为入口。如果问题指标有相关的试点指标，为了进一步挖掘问题的原因，细分取决于不同的测量，如上述原因结论是“由于华南洗衣机销售第四季度下降，导致今年利润下降”，问题是“利润”和“销售”，因为利润来自其他测量计算。细分无止境，细分到什么程度才够？答案是，到可操作范围就够了。例如，细分为“第四季度利润下降，其他季度没有下降”，或者没有办法解决问题，必须详细说明哪个时间段、哪个区域、哪条产品线，直到最终负责人，才具有可操作性。需要注意的是，在真实情况下，问题往往不一定只有一个原因，而是多个原因的结合。我公司永宏科技推广的一站式大数据分析平台软件之所以提供“缩放”和“刷”两种交互操作，是为了满足“对比”和“细分”两种场景。例如，在下图中，左图是每个产品的收入毛利润比较，右图是每个类别的利润趋势。现在用户想*“花茶”类别下的三种产品，看看它们的利润。有些人可能会问，这种效果与筛选非常相似。为什么不在旁边放一些筛选器来实现筛选器呢？然而，在现实中，当我们在图表上发现问题时，我们可能无法轻易找到相应的筛选条件，特别是散点图。因此，直接选择图表会非常方便高效。另一个例子是对产品利润趋势的分析。用户发现，自2009年7月以来，利润连续四个月下降（如红框所示），用户想知道为什么。与“缩放”不同，“笔刷”方便用户将局部数据与整体数据进行比较。因为在上面的例子中，仅仅看看哪些产品在过去四个月的绝对销售收入很低，这并不意味着什么，有些产品销售较少，我们必须看看哪些产品在过去四个月的表现相对较差。首先判断数据是否好，然后分析原因。数据分析链基本完整。如何看待机器学习、数据挖掘等高大的东东，什么时候触摸机器学习、数据挖掘等高大的东东。总之，先把上述数据发送分析方法做得轻松，再做那些高大的。不要迷信复杂的算法，许多企业内部数据分析，往往对业务有深入的了解，使用普通的计算方法，可以完成一个非常精彩和实用的分析过程。机器学习、数据挖掘等什么时候会用到简单来说，数据项多到人眼看不到的时候会用到。假如总共有十几个数据项，每一个拿出来单独出一张图看一眼就能看出端倪，其实不需要用挖掘算法。如果总共有几百个数据项，想看哪些数据项对某个数据项影响最大，人看不到，用挖掘算法比较合适。