1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未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。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

引言

在过去几年中在公司经营中使用数据分析方法已经取得了重要的进展，有多家公司在数据分析的帮助下，提高了业务绩效。

Analytics（分析）不仅可以帮助公司从过去的复盘中吸取教训，也可以对未来有一个前瞻性的判断，并据此对将来可能发生的状况做好准备。

使用分析，公司可以找到三个主要问题的答案：“发生了什么”，“发生了什么”和“会发生什么”。分析不仅限于从过去得出见解，还可以预测未来的成果，并优化业务资源。因此，更先进的分析形式——预测和规范性在支持组织的决策需求方面已经变得更为重要。

在本文中，我解释了三种主要的分析模型。

正文

那么，不同类型的分析模型的本质区别是什么呢？

1、描述性分析

我们从最基本的分析类型开始，即描述性分析。描述性模型的目的是分析历史趋势，找出相关模式，以获得人口行为的见解。描述性分析涉及到找到“发生了什么事”的答案，它是组织日常运作中最常用的分析形式，通常也是最简单的。

描述性模型使用基本的统计学和数学技术来推导突出历史趋势的关键绩效指标。该模型的主要目的不是估计价值，而是获取对潜在行为的洞察。用于描述性分析的常用工具包括MSExcel，SPSS和STATA。

一个典型例子就是银行业的客户细分——通过发掘历史数据来分析客户的支出模式和钱包份额，从而实现有针对性的营销和销售方法。这些模型是描述人口的强大工具，但是对于个体用户的行为预测能力有限。

2、预测分析

预测分析使用统计建模来确定未来结果或情况发生的可能性，目的在找到“可能发生什么事情”的答案。

预测模型建立在描述性模型上，因为它不仅使用历史数据作为决策的主要依据，也使用来自各种来源的结构化和非结构化数据。它使决策者能够做出明智的决定，提供事件未来发生可能性的压缩性记录。包含各种先进的统计模型和复杂的数学概念，如随机森林、GBM、SVM、GLM、博弈论等。

预测模型建立在描述性模型的基础上，以预测未来行为。然而，与仅描述人口的描述性模型不同，预测模型侧重于预测单个客户行为。

用于运行预测模型的工具根据模型复杂性的不同而不同，常用的工具有RapidMiner、Python、SAS、Matlab、DataikuDSS等。有关使用这些工具的在线资源可以在Coursera上找到。

一个典型的例子是银行业高级的竞争分析。它可以帮助客户预测响应给定的营销报价来改善产品的交叉销售和销售的可能性。另一个例子是预测信用卡欺诈的可能性。

3、规范性分析

规范分析是最复杂的分析类型，它使用随机优化和模拟来探索一组可能的选项，并为特定情况推荐最佳的操作。它涉及到找到“应该做什么”的答案。

规范性模型超出了只能解决正在发生的事情的描述性模型，也超出只能说明会发生什么的预测模型，因为规范性模型通过预测明确在未来应该做什么。他们量化未来行动对关键业务指标的影响，并提出最佳行动方案。

规范性模型对大数据和业务规则综合使用复杂算法，以比较多种行为的可能结果，并选择最佳的行动来推动业务目标。先进的规范模型遵循模拟过程，模型会不断自动从当前数据中学习，以提高其智能化。

这些模型通常是很复杂的，因此被一些难以管理的大型公司所使用。如果正确实施，可能会对公司的决策有效性产生重大影响，从而对公司的决策效果产生重大影响。

也就是说，超级计算机，云计算，HadoopHDFS，Spark，数据库处理，MPP架构等技术进步使得使用结构化和非结构化数据的复杂规范模型的部署变得更加容易。然而，用于运行规范性模型的工具大多与预测模型相同，需要高级数据基础架构功能。

一个常见例子是银行各分行销售人员的最佳配置。结合地理位置信息与每个分支机构的业绩和潜力，该模式可以规定所有分支机构的销售人员的最优配置。

航空机票定价系统采用的是更为复杂的规范建模方法，根据旅行要素，需求水平，采购时间等优化机票价格，最大限度地提高利润率，同时不影响销售。

根据一项研究，目前约有10％的组织采用某种形式的规范性分析，同时这一数字将从2014年的3％上升到2020年的35％。

结语

在本文中，讨论了当前使用的三种不同版本的分析方法。这些是全球分析行业的基石。可以公平地说，使用数据制作的所有模型，发展和发现都可以分为这三类。

大数据分析之描述型分析：发生了什么——这是最常见的分析方法。在业务中，这种方法向大数据分析师提供了重要指标和业务的衡量方法。例如每月的营收和损失账单。大数据分析师可以通过这些账单，获取大量的客户大数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

大数据分析之诊断型分析：为什么会发生——描述性大数据分析的下一步就是诊断型大数据分析。通过评估描述型大数据，诊断分析工具能够让大数据分析师深入地分析大数据，钻取到大数据的核心。良好设计的数据分析能够整合：按照时间序列进行大数据读入、特征过滤和钻取大数据等功能，以便更好的分析大数据。

大数据分析之预测型分析：可能发生什么——预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。预测模型通常会使用各种可变大数据来实现预测。大数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

大数据分析之指令型分析：需要做什么——大数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。例如交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

数据分析是什么？

字面上理解就是对数据进行分析。具体的说就是，用适当的方法对收集来的大量数据进行分析，将他们加以汇总、理解、消化，开发出数据内部所表现的现象，发挥数据的作用，将有用想信息形成结论进行输出的过程。

数据分析的目的在于将隐藏在一大堆看似杂乱无章的数据背后的信息集中和提炼出来，总结出研究对象的内在规律，以帮助在实际工作中管理者的决策和判断。

数据分析一般分为：描述性数据分析、探索性数据分析、验证性数据分析。其中，描述性数据分析是最基础、最初级的，比如描述本月用户增加了多少，PV、UV是多少，都属于描述性数据分析。而探索性数据分析侧重于在数据中发现新的规律，验证性数据分析侧重于验证已有假设的真伪证明。后两者都是比较高级的数据分析。

数据分析的作用

1、分析现状：如企业的整体运营情况、企业的各项业务构成等日常数据。

2、分析原因：告诉你某一现状为什么发生。分析什么原因出现目前企业运营情况，是什么原因造成某项业务的增长或下降。

3、预测未来：告诉你将来会发生什么。大到对企业未来发展趋势作出预测，为企业制定运营目标、策略提供有效的依据，小到对一个功能以后的发展和规划提供数据上的支撑。

数据分析的步骤

1、明确分析目的和思路

什么事情都是在要想清楚目标和思路的情况下进行，不能乱来，不能摸着石头过河，这是在工作中和生活中都应该坚持的。只有这样才能目标明确，并围绕这个目标提出方法来解决。在数据分析中，我们不能拿着一堆数据，然后画了一堆图表，就觉得自己很棒了。而是要事先想好为什么要开展数据分析？本次分析是为了解决什么问题？分析才不容易误入歧途。才能用适当的方法进行适当的分析。

2、数据收集

数据收集一般包括一手数据和二手数据。一手数据指可直接获取的数据，大多数是公司自己的数据库。二手数据指经过加工整理的数据，如：互联网、公开出版物、市场调查调研资料。

3、数据处理

对收集到的数据进行加工处理，形成适合数据分析的样式。从大量杂乱无章、难以理解的数据中抽取并推导出对解决最终问题有帮助有意义的数据。其中包括数据清洗、数据转化、数据提取、数据计算等。原始数据就是再“干净”都需要处理后才能进行分析。

4、数据分析

用适当的方法对处理过后的数据进行分析，提取有价值的信息，最终形成结论。目前大多数数据分析都是通过软件来完成的，减常规的用Excel就能很好的完成数据分析。

5、数据展现

为了让非专业人士都一目了然，都需要将数据通过表格、图形的方式呈现出来。如：柱状图、饼状图、折线图、散点图、雷达图等。大多数情况下，人们对于图形这种方式来展现数据的接受度是很高的。能用图的情况下就不用表格，能用表格就不用文字。

6、撰写报告

分析完了、图画完了，最终肯定都需要形成一个报告。这个报告就是对整个分析过程的总结和呈现。把数据分析的起因、过程、结果及建议完整地呈现出来，供决策者参考。一份好的数据分析报告，需要一个好的分析框架，图文并茂、层次分明，能够一目了然，能够让阅读者正确理解报告内容和结论并产生思考。最终，明确的结论和围绕数据的建议都是必须的。

避免的问题

1、分析目的不明确

解决思想问题是第一要务，即一定要围绕你的分析目的，是为了什么进行分析。只有对自己的目的有清晰的认识，才知道要怎样去实现这个目的，需要通过哪些图标来展示，才会更好的进行问题分析。

2、业务知识不足

数据分析需要结合相应的业务知识、管理知识等方面的工作经验，不能仅仅是数字上的分析。而是在业务逻辑上有一定的关联性。要多思考数据背后的事实与真相，所以数据分析师不单纯是做数学题，还需要懂营销、管理、策略。

3、一味追求高级分析法、高级模型

很多人在数据分析中喜欢使用很高级的分析方法，比如：回归分析、因子分析等。觉得高级分析方法显得专业，结果才更有说服力。其实不然，高级的不一定是最好的，能够简单有效的解决问题的方法才是最好的。“不论黑猫白猫，抓到老鼠就是好猫。

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

在我过去的博客文章中，我们已经介绍了数据分析的一些基本原理和陷阱。在这篇博文中，我们专注于数据科学中会遇到的四种数据分析：描述性分析，诊断性分析，预测性分析和规范性分析。

当我与刚刚进入数据科学世界的年轻分析师相遇时，我经常会问他们 “你认为数据科学家最重要的技能是什么？”。他们的答案是非常多样。

我对他们的回馈是：数据科学家最重要的技能应该是将数据转化为非定量的、清晰的、有意义的见解的能力。瑞典统计学家汉斯·罗斯林（Hans Rosling）为此而闻名。这是一个经常被忽视的技能。

围绕今天主题，非常有必要为大家详细介绍一些帮助个人如何使用分析相关的知识提炼出有价值的见解的工具。其中的一款工具就是四维范式分析。

简单地，可以将数据分析分类成四个主要类型。下面我将会详细介绍里面的细节。

一、描述性分析：发生了什么？

这是所有形式中最常见的。在业务中，它为分析人员提供了业务中关键指标和措施的视图。

例如公司每月的收支表。类似地，分析师可以获得大量客户的数据。了解客户的人口统计信息（例如我们的客户的30％是个体经营者）将被归类为“描述性分析”，利用有效的可视化工具可以增强描述性分析的信息。

二、诊断性分析：为什么发生？

这是数据分析的复杂性的下一步是诊断性分析。在对描述性数据进行评估时，诊断分析工具将使分析师能够深入到细分的数据，从而隔离出问题的根本原因。

精心设计的商业信息（BI）仪表板包含读取时间序列数据（即多个连续时间点的数据），并具有过滤器和钻取能力，可进行此类分析。

三、预测性分析：将发生什么？

预测分析是关于预测的。无论是将来发生事件的可能性，预测可量化的数量还是估计可能发生事件的时间点。这些都是通过预测模型完成的。

预测模型通常利用各种可变数据进行预测。组件数据的变异性将与可能预测的关系（例如，一个较老的人，他们对心脏病发作的敏感程度越高 - 我们会说年龄与心脏病发作风险呈线性相关），然后将这些数据一起编译成分数或预测。

在一个很大的不确定性的世界中，能够预测能够做出更好的决定。预测模型是许多领域中最重要的一些模型。

这是预测中需要避开的坑：http://insights.principa.co.za/the-top-predictive-analytics-pitfalls-to-avoid

四、规范性分析：需要做什么？

在价值和复杂性方面的下一步是规范性模式。规范模型利用对发生的事情的理解，为什么发生了这种情况以及各种“可能发生的”分析，以帮助用户确定采取的最佳行动方案。规定性分析通常不仅仅是一个单独的行动，而且实际上是其他一些行动。

一个很好的例子是一个交通应用程序，帮助您选择最佳路线回家，并考虑每个路线的距离，每个路上可以行驶的速度，以及当前的交通限制。

另一个例子可能是制作考试时间表，使得各个班级的学生没有冲突的时间表。

总结

虽然不同形式的分析可能为企业提供不同数量的价值，但它们都具有自己的位置。

今天科多大数据小课堂来教大家用Excel怎么做数据分析。

现如今，各行各业的求职都需要简历包装。尤其是文职类简历，想要赢得offer，你不得在精通Excel等办公软件上下点功夫么？那么，你真的了解Excel嘛？或者，你知道用它怎么做数据分析嘛？

所谓数据分析在手，走遍天下都不怕。而 Excel 作为最简单的办公软件，功能却不容小觑，同样可以实现分类、聚类、关联和预测来进行数据分析。这些概念听起来比较抽象，其实一点都不难，今日文章直接来一波干货，从具体操作开始讲起。

01 掌握基本 Excel 快捷键

工欲善其事，必先利其器，自从笔者发现了excel快捷键，就打开了新世界的大门。 虽然都是很基础的操作，一旦运用熟练将会大幅提升效率。

最好用的复制命令： Ctrl + R 向右复制 Ctrl + D 向下复制

选择格式粘贴：Ctrl + Alt + V

求和功能：Alt + = 然后按回车键

格式调整：Ctrl + Shift + 7 加上外边框 Ctrl + Shift + - 去掉边框 Ctrl + Shift + 5 改成%数值格式

视图调整及编辑： Ctrl + Shift + = 插入行 Ctrl + - 删除

终极：开始工具栏所有的命令都可以通过 Alt - H - 调用

Alt： 激活选项，配合选项英文字母使用

Shift：连续选择，配合方向键，翻页键等使用； 上位键

Ctrl：配合其他键可以执行一项命令 如Ctrl + C 复制；快速移动光标，配合方向键使用，如向右快速移动光标 （Ctrl + →）

02 数据收集

在数据分析之前，首先需要找到可靠的数据源。国内的公司数据可以在 wind 上下载，宏观数据可以在国家统计局上找到，而国外比较常用的网站有 SEC，WRDS （Wharton Research Data Services）。

需要注意的是，原始数据一般保留不做处理，通过 Excel 或其他编程软件做后续处理。

03 数据清洗与筛选等基础操作

杂乱无章的原始数据是难以分辨的，因此需要对海量数据进行清洗和筛选才能找出其中的规律。

常见的方法有如下几种：

运用描述性统计命令观察数据的离散程度等基本情况：通过添加“分析工具库”加载项找到数据-数据分析-描述统计，可以得到这组数据的中位数、众数、峰度、偏度等基本指标，观察这组数据的特征。此外，数据分析中还有方差分析等其他命令。

运用 VLOOKUP 将数据合理分组，收放自如：VLOOKUP 函数是 Excel 中的一个纵向查找函数，可以用来核对数据，多个表格之间快速导入数据等函数功能。功能是按列查找，最终返回该列所需查询列序所对应的值。比如，我们导出公司的原始报表后，可以通过 VLOOKUP 函数将报表中的数字一一导入到新的管理用的财务报表，这样既不会破坏原始数据，又可以建立良好的模板，方便后续使用。VLOOKUP 的四个参数用通俗的话来说，就是（要找谁，要在哪里找，要找哪一列内容，是精确的还是模糊的）

运用数据透视表分组求平均数、标准差、计数等多个指标：数据透视表是一个非常容易上手的分组工具，对于简单的数据处理甚至在便捷程度上打败了很多编程工具呢。比如要对每个省份的所有专业分数线求一个平均数，将年份和省份轻松地拖动到对应的列和行，就可以得到结果啦。试想，如果在原始表格中手动一个一个求平均数该有多麻烦。

运用条件函数计算融资缺口，检查配平：比如在预测财务报表时，我们常常要判断资产是否等于负债+所有者权益。此时可以用 IF 函数 （资产=负债+所有者权益，TRUE，FALSE）如果是配平的，直接返回 TRUE。此外，还有一些函数如 IRR 可以计算项目的投资回报率。

04 挖掘数据背后的规律

在完成了数据清洗和筛选之后，我们还是要落实到数据分析的重点，也就是数据背后的逻辑。

首先我们可以采用画图的方式。画图可以非常直观地佐证结论，不同情况下要用不同类型的图，比如饼图显示比重，折线图发现趋势，还可以采用叠加多种形式的图。

下面这张图就是一个数据分析应用的经典例子，显示的是一个教育公司在扩张过程中，学习中心同比增速与营业毛利率的关系。试想，如果只是一堆数据放在你的面前，可能根本无法发现其中的规律，但是通过下图，我们可以发现，学习中心的同比增速一般与营业毛利率呈反向关系，这也就意味着，扩张的过程必然要伴随利润下降的阵痛，这样的数据分析就是有效的，可以为公司的扩张战略提供参考依据。

另一种比较常见的数据分析应用就是从历史预测未来。比如如果公司过去几年的存货周转率都比较稳定，可以以此来预测未来几年的存货周转率。又或者通过线性回归发现某两个指标之间过去的线性关系，并以此来预测未来走势，这个操作方法可以用散点图——添加趋势线——选择回归类型（线性）来得出简单的结论。

说了这么多，列举 Excel 数据分析的一个常见运用。

大家知道，金融领域的工作往往要考察搭建财务模型的技巧，而这个模型就是完完全全从 0 开始通过 Excel 制作的。

1. 计算各项指标了解公司的历史经营状态。这一步不仅可以看出公司在盈利能力、成长性、营运能力等多个维度的历史发展状况，还可以与同行业的可比公司进行比较，看出这个公司所处的地位（比如公司的应收账款周转率可以直观看出公司是强势地位还是弱势地位，应收账款周转率如果显著低于同业，那就说明应收账款很容易收到，议价能力强）。

2. 预测公司未来的盈利状况，并通过财务报表的勾稽关系完善财务模型。这一步一定要打开 Excel 的自动迭代功能（选项——公式——启用迭代计算），具体的财务方面知识在此就不再详述。

3. 现金流 DCF 模型及敏感性分析。以之前制作的财务报表为基础，就可以测算出公司未来的自由现金流，在计算出公司资本成本的前提下对现金流进行贴现得到公司绝对估值。其中，基于不同的资本成本和公司永续增长率还可以做成敏感性分析的表格，得出在不同情形下公司的估值。这就需要使用Excel的数据——模拟运算——模拟运算表功能了。如下图所示，将输入引用行的单元格和引用列的单元格分别设为 Equity Valuation 中的永续增长率和Wacc对应的数值，就可以实现啦。

以上这些介绍都只是冰山一角，Excel的功能博大精深，加上VBA等高端操作将会释放更大的威力。配合现当代大数据盛行时期。想要深入，就还得不断学习！

大家好，我是零一。我是一名数据分析师，8年的电商从业经验，擅长电商领域的数据分析和挖掘，常用的工具有Excel、PowerBI、Python、R等。

今天是第四篇，给大家介绍下描述性统计。

所谓描述性统计，就是在描述数据。上一篇我们讲了数据可视化，将数字转变成图表，其实图表也是对数据的一种表述。

一组数据基本的描述指标有： 最小值，1/4位数，中位数，3/4位数，最大值 ，这就是所谓的五数总括。

最小值很简单了，直接在excel里面敲入=min()，就能算最小值。有时候我们需要找出我们最低的销量是多少件，最低的转化率是多少？

最大值也是一样的道理，在excel里面是=max()，就能算出最大值。

接着是1/4位数丶中位数和3/4位数。如果没有接触过统计学的朋友会比较晕，不知道这个是什么来的。这三个数将数据切成4个等分的小数据集。

大家看下面的数列

1，50，10，100，2

最小值是1，最大值是100，1/4位数是50

中位数是10，3/4位数是100。

下面我们再看个例子，假如是8个人的业绩数据

1，2，3，4，5，6，7，8

最小值是1，最大值是8，1/4位数是2.25

中位数是4.5，3/4位数是6.75

而我们用得最多的是均值6.5，这里刚好跟中位数一样。

但是，我们再看下面另一组数据

1，2，3，4，5，6，7，100

最小值是1，最大值是100，1/4位数是2.25

除了最大值不一样，其他跟前面是一样的。我们看下均值，这里的均值是16，跟前面的不同了，这个100这么大的值可能是活动的效果，那这个时候，如果我拿均值来作为指标衡量前面8个人的业绩，就只有最后一个数据达标。当数据整体平稳，但前后有很大的异常值的时候，我们用均值来做指标参考就不靠谱了，这种情况更适合的是用中位数来作为指标。

在Excel里面，用MIN、QUARTILE.EXC、MAX，就可以得到这5个数。数据放在A1:A8 8个单元格中，利用下图的函数计算结果。

另一个指标，众数。

大家看下面这个数列，假如是客服的业绩

1，3，5，5，5，5，5，5，5，5，10，20

我们先算一下平均值，是6.167，如果用这个指标，这里12个数据里面，只有10和20这两个人达标。那么，这个时候，就要用众数了。所谓众数，就是出现的最多的一个数字，毋庸置疑，这里的众数是5，那么，就会有10个人达标了。

众数在excel里面是MODE.MULT。

非常简单就能算出来，特别是数据量大的时候，不用目测。

以上的指标是根据数据的分布情况来选用的，一般用散点图看一下，然后就能判断要使用哪个指标来作为参考。用散点图可以非常直观地发现离群点。将我们上面的一组数据画出散点图，如下图就会发现一个异常值。

当数据存在离群点的时候，可以避免采用均值来作为分析指标，也可以将离群点剔除后再用均值来分析。

74

零一工具箱的下载地址：https://pan.baidu/s/1c1HlyLi

End.

作者：零一（中国统计网特邀认证作者）

零一系列文章：

从0开始学数据分析-【01篇】

从0开始学数据分析-【02篇】

【数据可视化】从0开始学数据分析-03篇

世界上的数据分析师分为两类，使用Excel的分析师，和其他分析师。

很多传统行业的数据分析师只要求掌握Excel即可，会SPSS/SAS是加分项。即使在挖掘满街走，Python不如狗的互联网数据分析界，Excel也是不可替代的。

Excel是每一个入行的数据分析师新人必不可少的工具，因为Excel涵盖的功能足够多，如何使用EXCEL进行数据分析呢？接下来小编会给大家介绍下数据分析常用的各种函数的用法及用途，数据分析中常见的Excel函数全部总结在这里了。

清洗处理类

主要是文本、格式以及脏数据的清洗。很多数据并不是直接拿来就能用的，需要经过数据分析人员的清理。数据越多，这个步骤花费的时间越长。

Trim

清除掉单元格两边的内容，mysql和python都有同名的内置函数，以及ltrim和rtrim的引申用法。

Concatenate

用法：Concatenate(单元格1,单元格2……)，合并单元格

例如：concatenate(“我”,”很”,”帅”) = 我很帅，还有另一种合并方式是 &，”我”&”很”&”帅” = 我很帅。当需要合并的内容过多时，concatenate的效率比较快也比较优雅， MySQL有近似函数concat。

Replace

用法：Replace（指定字符串，哪个位置开始替换，替换几个字符，替换成什么）

替换掉单元格的字妇产，清洗使用较多。可以指定替换字符的起始位置。

Substitute

和replace接近，区别是替换为全局替换，没有起始位置的概念。

Left/Right/Mid

用法：Mid(指定字符串，开始位置，截取长度)

截取字符串中的字符，Left(字符串，截取第几位)。left为从左截取，right为从右截取，mid为从指定位置截取指定长度。

Len/Lenb

返回字符串的长度，在len中，中文计算为一个，在lenb中，中文计算为两个。

Find

用法：Find（要查找字符，指定字符串，第几个字符）

查找某字符串出现的位置，可以指定为第几次出现，与Left/Right/Mid结合能完成简单的文本提取。

MySQL中有近似函数 find_in_set，Python中有同名函数。

Search

和find类似，区别是Search大小写不敏感，但支持*通配符

Text

讲数值转化为指定的文本格式，可以和时间序列函数一起看

关联匹配类

在进行多表关联或者行列比对时用到的函数，越复杂的表用得越多。多说一句，良好的表习惯可以减少这类函数的使用。

Lookup

Lookup（查找的值，值所在的位置，返回相应位置的值）

最被忽略的函数，功能性和Vlookup一样，但是引申有数组匹配和二分法。

Vlookup

用法：Vlookup(查找的值，哪里找，找哪个位置的值，是否精准匹配)

Index/Match

用法：Index（查找的区域，区域内第几行，区域内第几列）

和Match组合，媲美Vlookup，但是功能更强大。

Row

返回单元格所在的行

Column

返回单元格所在的列

Offset

用法：Offset（指定点，偏移多少行，偏移多少列，返回多少行，返回多少列）

建立坐标系，以坐标系为原点，返回距离原点的值或者区域。正数代表向下或向右，负数则相反。

逻辑运算类

数据分析中不得不用到逻辑运算，后期也会遇到布尔类型，True和False。当然，数据分析也很考验逻辑。

1. IF

2. And

3. Or

4. IS系列

5. IF系列

计算统计类

常用的基础分析统计函数，以描述性统计为准。

1. Sum/Sumif/Sumifs

2. Sumproduct

3. Count/Countif/Countifs

4. Max

5. Min

6. Rank

7. Rand/Randbetween

8. Averagea

9. Quartile

10.Stdev

11.Substotal

12.Int/Round

时间序列类

专门用户处理时间格式以及转换

1. Year

2. Month

3. Weekday

4. Weeknum

5. Day

6. Date

7. Now

8. Today

9. Datedif

|来源：CPDA数据分析天地

袁帅，互联网数据分析运营实践者，智能一体化会展活动运营服务平台会点网事业合伙人/运营负责人。CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师。中国电子商务协会认证：中国电子商务职业经理人，畅销书《互联网销售宝典》联合出品人之一。中国国际贸易促进委员会:今日会展会员联盟VIP个人会员，全经联园区委秘书处成员，中国低碳智慧园区联盟理事，周五咖啡媒体人俱乐部发起合伙人。互联网数据官（iCDO）原创作者，互联网营销官CMO原创作者，执牛耳媒体特约撰稿人。

一、描述统计

在数据分析的时候，一般首先要对数据进行描述性统计分析（Descriptive Analysis），以发现其内在的规律，再选择进一步分析的方法。描述性统计分析要对调查总体所有变量的有关数据做统计性描述，主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布、以及一些基本的统计图形，常用的指标有均值、中位数、众数、方差、标准差等等。

数据的集中趋势一般采用平均值、中位数表示。数据的离散程度一般采用方差、标准差表示。数据的分布情况一般采用直方图表示。

案例：北京房屋价格（数据文件：house_price.xlsx）

分析问题:

1)北京市政府为调控房地产价格，希望知道北京各小区房屋价格的分布，请分析房地产价格的集中趋势，并选择合适的图形呈现。

2)房地产商想知道北京各个环线房屋装修状况的对比情况，以便进行产品设计和市场拓展，计算指标并设计合适的图形呈现结果，最后给房地产商一些建议。

3)选择合适的图形反映北京各个区住宅区房屋分布情况

操作步骤：

1)基本描述统计

打开excel数据文件house_price.xlsx

选择描述统计，单击“确定”按钮。

2)直方图

根据描述统计的结果，在空白列构造间隔为0.5的等差数列作为接收区域D1:D19，最大值为9,最小值为0。

选择数据，单击“数据”选项卡，选择“数据分析”选项框中的“直方图”选项

输入区域选择房屋价格avgprice列$B$2:$B$186，接收区域选择第一步构造的接收数据，即D1:D19数据。

输出区域选择G3，勾选图表输出，然后单击“确定”按钮。

选中整个直方图，右键单击选择“设置数据系列格式”，单击“系列选项”，分类间距设为0。

备注：

基本概念：数据的集中趋势 离散程度 数据分布情况 透视表 直方图 柱形图 饼形图 堆积柱形图

二、排位与百分比排位

“排位与百分比排位”分析工具可以产生一个数据表，在其中包含数据集中各个数值的顺序排位和百分比排位。该工具用来分析数据集中各数值间的相对位置关系。该工具使用工作表函数 RANK 和 PERCENTRANK。

例：10名同学统计学考试成绩如下：

试进行排位和百分比排位。

（1）在EXCEL数据分析工具库中选择“排位与百分比排位”，弹出对话框如下：

排位与百分比排位对话框设置

（2）单击“确定”生成排位结果如图。

排位与百分比排位结果

（3）其中的百分比排位为：小于该值的个数/（小于该值的个数+大于该值的个数）

如88，小于该值的有7个，大于该值的有2个，百分比排位为7/9＝77.78%，该工具截去了十分位数。