Question

如何做数据分析？

Answer 1

大数据分析具备有很多优势，想要学习数据分析，推荐选择十方融海。大数据时代，数据分析扮演着十分重要的角色：1、更好的决策：大数据分析可以为业务决策者提供所需的数据驱动的洞察力，以帮助企业开展竞争和业务发展。2、提高生产力：现代大数据工具使分析师能够更快地分析更多数据，从而提高个人生产力。此外，从这些分析中提出的业务改进一件通常能够在整个公司内更广泛地提高生产力。3、降低成本：大数据分析可以提高运营效率，并帮助企业降低成本。4、改善客户服务：改善客户服务是大数据分析项目的第二个最常见的主要目标，社交媒体、客户关系…

Answer 2

数据分析行业应用,一般数据来源：智能手机 感知装置 物联网 社群媒体等 云计算存储.cda官网有很多行业案例,比如
风能发电业务场景
风力发电机有一个叶片，时间长了就要换，否则不安全，过去这个叶片一般10年换一次，因为没办法知道具体产品的使用情况，只能根据以往叶片老化的情况来估算。但这家公司在叶片上装了传感器，就能检测每个叶片的具体使用情况了，风大的地方，叶片老化快，可能8年就要换，风力均匀的地方，有些叶片可能用15年，这样就能节省资本更新的成本了。
而且，过去这家公司只生产设备，这些设备被卖到国外，具体安装到什么地方，他是不知道的，有了传感器，公司就能知道这些发电机被安装到哪里，这些地方的风力是大是小，一年四季哪天有风哪天有雨，这些数据都可以获取。根据这些数据，就能知道哪些地区风力资源丰富，有重点地规划未来市场。传统的行业利用大数据，就能更好地实现市场预判和销售提升，分分钟实现逆袭。

Answer 3

从一些工具中查，分析。CDA数据分析师官网是专门学习数据分析师的，你可以去看看。

正式收集前要制定一个合理的计划，想清楚怎样去收集数据，从哪些方面收集，整理收集到的数据所需的时间，因为分析数据是重点。

所以应该提前整理出要分析的那些方面的数据，最后是美化你的数据表格，让自己的数据分析一目了然。

我们选择用百度搜索，用“省名+在线旅游”或者“省名+旅游网”这样的关键词先找出一部分网站，再根据这些网站的友情链接找到一些同类型的旅游网站。

然后就是通过一些导航网站找到一些旅游网站，不过这些导航站的地方性旅游网站不是很多。每个省差不多收集到10个网站左右，每个省的情况都不一样，有多也也少。

二、网站的筛选和整理

可以通过alexa 排名、在线预订、网站的建站年份、网站内容性质、网站服务项目、网站基本数据以及网站的盈利模式等几个大的方面去考虑，最后每个省筛选下来，就剩5、6个了。

三、对网站的分析

分析是整个数据收集的核心。网站用户体验方面可以通过是否有预订旅游、预订酒店、预订票务、自助游、跟团游、出境游等方面去分析的。

SEO 数据方面则通过Alexa 排名、PageRank 、中国网站排名、各大搜索引擎的收录和反链等反面去分析。还有网站的一些基本信息、盈利模式、联系方式、微博、在线客服等。

分析的项目尽量全面，分析得越细，挖得越深，你的这份数据就越有价值。数据分析最好配上说明，别人在看到这份数据的时候才知道是怎么回事。

四、一份美观清晰的数据

一份清晰的表格不仅使我们可以清楚的看到这份数据的重点，方便查到所想要的数据，而我们在收集数据的过程中，也可以提高我们收集和分析数据的效率。

数据收集和分析是很枯燥的，坚持不了的就会半途而废。

但是做好了，我们就可以得到一份重要而有用的数据，而通过这份数据，则可以在以后的相关工作中更加轻松，而且更加具有目的性和针对性的工作。

Answer 4

CPDA数据分析师是如何做数据分析的呢？
数据分析的七个方法
1.趋势分析
趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。
在这个过程中，我们要选定第一关键指标(OMTM，One Metric That Metter)，而不要被虚荣指标(Vanity Metrics )所迷惑。
以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏;因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU(Daily Active Users，日活跃用户)作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去;这样的指标才有实际意义，运营人员要核心关注这类指标。

2.多维分解
多维分解是指从业务需求出发，将指标从多个维度进行拆分;这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。
为什么需要进行多维拆解?有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。
举个例子，某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度，显然这样的数据会让你无从下手;但是你对这些指标进行拆解之后就会发现很多思路。

3.用户分群
用户分群主要有两种分法：维度和行为组合。第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户;从用户登录平台进行分群，有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别，这个具体的我会在后面的留存分析中介绍。

4.用户细查
正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。

5.漏斗分析
漏斗是用于衡量转化效率的工具，因为从开始到结束的模型类似一个漏斗，因而得名。漏斗分析要注意的两个要点：
第一，不但要看总体的转化率，还要关注转化过程每一步的转化率;
第二，漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。
某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%;通过漏斗分析发现，主要流失在【提交验证码】的环节。

6.留存分析
留存，顾名思义就是新用户留下来持续使用产品的含义。 衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。

7.A/B测试与A/A测试
A/B测试是为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。在A/B测试方面，谷歌是不遗余力地尝试;对于搜索结果的显示，谷歌会制定多种不同的方案(包括文案标题，字体大小，颜色等等)，不断来优化搜索结果中广告的点击率。

Answer 5

做数据分析师要有四个方面的能力：逻辑清晰，了解数据分析建模，懂业务和表达能力。PS：我学过CPDA，我是环境科学系毕业12年了，我个人比较看好CPDA的数据分析思维能力培训，这个非常重要，有了这个能力，就好像学会了武功心法，再去学招式就得心应手了。很多人只是一味的学技能，殊不知，光有技能（招式），却不懂如何应用，这个是数据分析的大忌。
我简单介绍几种数据分析的方法：

1、 描述性统计分析：重点描述数据的现状特征，观察数据，找出问题；

2、 探索性数据分析：重于探索变量间或用户间的关系，在数据之中发现新的特征；
3、 数据挖掘模型：从海量的数据中探索数据背后的规律，发现有价值的规则；

Answer 6

数据分析（Data Analysis）

数据分析概念
数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
数据也称观测值，是实验、测量、观察、调查等的结果，常以数量的形式给出。
数据分析与数据挖掘密切相关，但数据挖掘往往倾向于关注较大型的数据集，较少侧重于推理，且常常采用的是最初为另外一种不同目的而采集的数据。

数据分析的目的与意义
数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。
在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。例如J.开普勒通过分析行星角位置的观测数据，找出了行星运动规律。又如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。因此数据分析有极广泛的应用范围。

数据分析的功能
数据分析主要包含下面几个功能：
1. 简单数学运算（Simple Math）
2. 统计（Statistics）
3. 快速傅里叶变换（FFT）
4. 平滑和滤波（Smoothing and Filtering）
5. 基线和峰值分析(Baseline and Peak Analysis)

数据分析的类型
在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。
探索性数据分析：是指为了形成值得假设的检验而对数据进行分析的一种方法，是对传统统计学假设检验手段的补充。该方法由美国著名统计学家约翰·图基(John Tukey)命名。
定性数据分析：又称为“定性资料分析”、“定性研究”或者“质性研究资料分析”，是指对诸如词语、照片、观察结果之类的非数值型数据（或者说资料）的分析。

数据分析步骤
数据分析有极广泛的应用范围。典型的数据分析可能包含以下三个步：
1、探索性数据分析，当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。
2、模型选定分析，在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。
3、推断分析，通常使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。

数据分析过程实施
数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。
一、识别信息需求
识别信息需求是确保数据分析过程有效性的首要条件，可以为收集数据、分析数据提供清晰的目标。识别信息需求是管理者的职责管理者应根据决策和过程控制的需求，提出对信息的需求。就过程控制而言，管理者应识别需求要利用那些信息支持评审过程输入、过程输出、资源配置的合理性、过程活动的优化方案和过程异常变异的发现。

二、收集数据
有目的的收集数据，是确保数据分析过程有效的基础。组织需要对收集数据的内容、渠道、方法进行策划。策划时应考虑：
① 将识别的需求转化为具体的要求，如评价供方时，需要收集的数据可能包括其过程能力、测量系统不确定度等相关数据；
② 明确由谁在何时何处，通过何种渠道和方法收集数据；
③ 记录表应便于使用；
④ 采取有效措施，防止数据丢失和虚假数据对系统的干扰。

三、分析数据
分析数据是将收集的数据通过加工、整理和分析、使其转化为信息，通常用方法有：
老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图；
新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图；

四、数据分析过程的改进
数据分析是质量管理体系的基础。组织的管理者应在适当时，通过对以下问题的分析，评估其有效性：
① 提供决策的信息是否充分、可信，是否存在因信息不足、失准、滞后而导致决策失误的问题；
② 信息对持续改进质量管理体系、过程、产品所发挥的作用是否与期望值一致，是否在产品实现过程中有效运用数据分析；
③ 收集数据的目的是否明确，收集的数据是否真实和充分，信息渠道是否畅通；
④ 数据分析方法是否合理，是否将风险控制在可接受的范围；
⑤ 数据分析所需资源是否得到保障。

追问

有没有可以效仿的实例呢