道家强调四个字，叫“道、法、术、器”。“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；“法”是指选择的方法，有句话说“选择比努力重要”；“道”是指方向，是指导思想，是战略。那么如何做好数据分析呢，今天云端科技小编推荐一篇关于互联网运营中的十大数据分析方法。

1、细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类，一类逐步分析，比如：来北京市的访客可分为朝阳，海淀等区；另一类是维度交叉，如：来自付费SEM的新访客。

细分用于解决所有问题。比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

2、对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值，通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括：时间对比，空间对比，标准对比。

时间对比有三种：同比，环比，定基比。

例如：本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

3、漏斗分析

转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

4、同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

5、聚类分析

聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如：在页面分析中，经常存在带？参数的页面。比如：资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

6、AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢？主要方法就是AB测试。

比如：你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

7、埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如：重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

8、来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

9、用户分析

用户分析是互联网运营的核心，常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10、表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

更多资讯请关注云端科技官方网站yunduancn

像许多口号一样，“大数据”的概念带有多种定义。从GIS的角度来看，大数据描述了数量庞大的数据集，无论是数量还是复杂性，它们都需要先进的数据、管理，处理、分析工具和技能。如此庞大的数据集可能需要大量的工作，但额外的努力可以带来巨大的回报。地理空间大数据提供详细信息和上下文信息，可跨多个学科和应用程序提供即时和长期价值。

地理空间大数据可以包括来自各种传感器和数据收集方法的信息。可以使用手持式或测量级GNSS，专用现场计算机甚至智能手机收集具有相关属性的点和特征。与其他技术相比，这些数据集很小，但它们提供了非常高的精度和细节，可以快速更新。移动测绘系统结合激光雷达，成像，GNSS和其他传感器来捕获大量3D信息。然后将数据融合以开发综合模型和数据库。从机载和卫星平台收集的数据范围从图像和激光雷达到多光谱遥感。

收集地理空间大数据的能力继续增长。根据Euroconsult 2014年的一份报告，预计在2023年结束的十年中将有350颗新的地球观测卫星。更接近地面的是，无人机系统（UAS）提供灵活，经济的工具来收集图像。地面3D扫描仪和摄影在细节要求或有限能见度发挥作用的区域收集全面的信息。

试图利用地理空间大数据的巨大数量和多样性就像从消防水管中饮用。为了处理大量数据，现代软件将图像处理，点云管理和摄影测量技术集成到现有的地理空间工作流程中。新的专业解决方案，如自动3D建模和特征识别，通过从大图像和点云中提取专业信息，进一步提高了大数据的价值。

大数据在GIS中的作用

大多数人认为GIS是地图的基础。但它远不止于此。GIS可以作为大数据提供的位置，属性和信息的相关，可视化和分析的平台。通过将资产的位置与其他属性相关联，可以更好地管理该资产。关键在于收集和管理信息。

在大范围内，GIS专业人员可以从多个来源获取数据。例如，考虑地理空间技术在分析农村和城市环境中森林健康方面的作用。原始数据可以来自卫星遥感图像以及机载激光雷达和摄影。来自手持GIS数据采集器的数据提供了详细信息，可用作航空数据的检查点和地面实况。融合和分析后，综合数据可提供有关城市冠层，树木类型，损坏，健康评估以及与树木覆盖相关的热量和能量使用评估的信息。在农村地区，林农可以使用这些信息来评估树木的大小，健康状况和潜在的收获价值。

大数据还改善了GIS的时间组件。初始数据收集允许用户检查特定时间点的特征和条件。后续收集提供了分析资产随时间变化的行为的信息。诸如TrimbleeCognition高级数据分析软件之类的变更检测软件可以检查大型数据集，以自动识别新的或更改的功能。地理空间数据的快速采集和自动处理为时间敏感的应用提供了新的效率，包括工程，土地管理，运输，农业，建筑，远程信息处理等。

大数据的新来源

许多可以从航空和卫星数据中受益的组织没有能力自己收集它们。因此，他们经常求助于机载摄影和图像处理的服务提供商。来自Landsat等卫星系统的图像可以免费获得，但可能缺乏许多GIS应用所需的分辨率。

新选项Trimble Data Marketplace使用户能够查看和选择可用于给定位置的各种地理空间数据。市场策划来自各种公共和私人来源的数据，包括政府图表和地形模型，Landsat图像和高分辨率商业卫星照片。频繁更新图像使用户能够对自然或构建的功能进行基于时间的分析。

不断扩大的大数据可用性和使用为地理空间专业人员带来了新的机遇。随着技术的发展，GIS将增加处理来自越来越多来源的更多数据的能力。例如，UAS为组织提供了从自己的环境中收集数据的可能性。他们可以将数据注入其他大数据集，以实现可视化和高度自定义的分析。

越来越多的学科中的客户正在认识到地理信息的价值，并寻求将其整合到他们的运营中。不断增长的需求将提高收集和共享地理空间和相关信息的效率。

地理空间专业人员拥有选择和整合最适合生成所需信息和结果的数据的技能和工具。通过与客户和利益相关者密切合作，地理空间专业人员可以成为客户信息流的可信赖顾问和关键部分。

对于大数据的理解

大多人还停留在很大的数据这一概念上

其实不然

大数据指的是存在于网络上的海量的信息碎片

通过类似云速数据挖掘这种先进的技术将其采集、整合、

从而发现隐藏于其中的关联信息

下面通过三个核心来解读什么是大数据信息采集

一、大数据营销是将所有营销行为和销售行为数据化

将这些可挖掘、整理的数据作为营销活动的核心部分

贴合需求打造符合市场及消费需求的商业模式、

二、大数据信息采集实现线上线下结合的网络营销时代

线上的营销活动不受时间空间限制

将线上数据与传统模式结合起来

打通数据库实现技术共享

将是未来营销工作的首要重点

三、大数据信息采集实现企业高效转化

大数据营销的核心意在大规模的个性化互动

指的是有针对性的传播内容

更加人性化的服务

而实现这以核心的基础就是大数据信息采集

企业做精准营销

简单的来说就是利用互联网信息技术手段来实现个性化营销的活动

需要依靠大数据信息采集系统作支撑

企业精准营销可以从以下几个方面进行

1.存在于网络中的信息碎片是独立错乱的

需要将这些信息打通、链接实现信息共享

为此要构建大数据交换共享平台

实现用户的精准识别和数据汇集

2.利用大数据信息采集工具实现精准营销和用户维系

比如通过云速数据挖掘

采集筛选精准需求客户信息

进行一对一产品信息推广

提高营销转化率

3.实现运营精准化的基础是细分用户市场

要求根据用户的消费习惯、需求等分析研究

定位目标市场

才能为精准营销提供依据

最后要以客户为中心进行市场营销活动

传统的营销模式以产品为导向

对市场的反应速度缓慢

大数据时代的精准营销

是以客户的需求着手

进行市场营销活动

关注我的人都成为了月薪5w以上的技术大牛

有效的大数据研究方法将有助于解决企业面临的一些常见规划的挑战，特别是将投资重点与战略结合起来的规划。

　　研究方法可以帮助大数据管理者收集更好、更智能的信息。利用大数据和分析的企业，特别是在研究方法的帮助下，发现他们的盈利能力和生产率比竞争对手高出五到六个百分点。

　　企业可能认为利用大数据能够大幅提高效率，因此立即寻求采用大数据管理，但如果没有适当的研究方法，大数据成功管理所需的时间和投资可能就不会有很好的回报。许多无法从大数据中获得最大收益的公司，是因为他们缺乏关于大数据、分析和相关工具如何交互的计划。

　　在创建大数据方法时，谨慎的业务团队应该包括数据科学家，技术专家，工作人员和高级管理人员，这些角色结合他们的专业知识来制定一个全面的计划。项目启动和团队选择是研究方法成功的关键，因为它将影响企业必须做出的决定，以及这些决策如何影响最终目标，以实现更快的增长或更高的利润率。

　　一个大数据方法应该处理的领域包括选择理想的分析工具和模型，确定要集成哪些内部和外部数据，并制定一个适应数据流的目标组织结构。

　　汇总和整合数据

　　大数据可能是影响公司盈利或亏损的战略决策的生命线。特别是在当今的数字时代，许多企业都迷失在大量的数据中，难以识别相关性。由于社交媒体平台的大量涌入，其数据量特别庞大，但这些数据为企业提供了对客户数据和行为的洞察。

　　汇总数据和了解哪些数据是优先考虑的因素是建立方法学的一个重要方面，可能需要进一步投资新的数据功能。短期选择包括将问题外包给数据专家，但这种方法可能是成本高昂的，对于一些企业来说可能感觉难以承受。而在内部，企业可以通过将交易与其他数据分开来努力整合分析报告。他们也可以尝试实现数据治理，以避免在准确性和一般合规性方面的失误。

　　利用分析模型和工具

　　虽然在构建一个方法时，数据的整合是至关重要的，但是如果没有高级分析模型来帮助优化结果，并根据这些数据预测结果，那么其整合就没有多大的价值。还有一种方法需要确定模型如何创造商业价值，例如，关于客户购买历史的数据如何影响他们通过电子邮件收到的折扣类型。

　　此外，该方法应该利用分析模型来帮助解决有关数据存储的优化问题。可以从有意义的数据中分离出多余信息的模型可能会影响企业的底线，从而对生产力和结果产生巨大的影响。有助于将数据集成到日常流程和业务活动中的工具可以为许多功能提供一个易于理解的界面，从雇员计划到决策提供哪种类型的折扣。

　　行业会因核心领域的不同而有所不同。例如，一家运输公司将比静态店面更依赖GPS和天气数据，而医院则需要有关药物功效的数据。无论如何，在分析大数据时，如何与日常和长期的生产力相互作用的数据应该是最重要的。

　　方法规划的挑战

　　一个有效的大数据研究方法将有助于解决企业面临的一些常见规划挑战，特别是将投资重点与战略相结合，重点放在速度与成本之间的平衡。

　　如果一种方法能够检测异常数据段，就可以帮助研究人员进行研究和提高总体效率，帮助提醒研究人员需要人工分析的领域，以及预先存在的机器学习和自动交易数据。大数据研究方法应该准备好识别异常，并制定计划如何解决这些问题。

　　此外，涉及数据共享和有关人员数据的使用时，不负责任的大数据研究的方法可能会陷入法律和道德问题，特别是在社交网络地图中。因此，其方法应该考虑效率和生产力，同时也要注意道德问题。

　　大数据研究的道德方法论，通过相关分析工具将数据组合并整合到有组织的系统中，可以为企业提高生产力和盈利能力。

好程序员致力于移动互联网精英人才培养，开设全栈HTML5+、大数据+人工智能、JavaEE+云数据等多门课程。学员入职阿里、新浪、百度、搜狗等知名企业屡见不鲜，成就学员转行、就业，拿高薪进名企的梦想。大数据+人工智能课程1月15日开班在即，现报名免费试学30天，学费优惠5000元。

关于大数据的讨论，一方面人们需要理清大数据的概念，开发适用的大数据系统和工具，探索大数据的应用模式等，另一方面人们更关心如何将大数据的价值变现。这对于一个企业来说尤其重要，否则，收集和存储了大量的数据，消耗了大量的钱财，如果大数据不能被很好地利用，从经济上讲就是不合算的，这样的事情也不会长远。

大数据价值的发现与其所处的应用场景密切相关。概括起来，大数据价值发现可以划分为三大类：数据服务、数据分析和数据探索。数据服务是面向大规模用户，提供高性能的数据查询、检索、预测等服务，通过直接满足用户需求而将数据价值变现的形式；数据分析是分析人员利用经验，通过对大规模数据使用特定的计算模型进行较为复杂的运算，从而发现易于人们理解的数据模式或规律所进行的数据价值变现的一种运算形式；数据探索是一种利用数据分析和人机交互的结合，通过不断揭示数据的规律和数据间的关联，引导分析人员发现并认识其所未知的数据模式或规律，其价值更多地体现在对未知途径的数据模式和规律的探索。

1.数据服务

数据服务针对用户非常明确的数据查询和处理任务，以高性能和高吞吐量的方式实现大众化的服务，是数据价值最重要也是最直接的发现方式。由于要处理大众化的服务请求，每个服务任务必须能够被快速地处理掉，因此，数据服务的单个任务负载不能过于复杂，单任务直接处理的数据不能太大，任务对应的用户需求和采用的数据处理方法必须是明确的。一些典型的数据服务包括事务处理、数据查询、信息检索、数据预测。

事务处理是传统数据库范畴的价值发现形式，它针对的主要是任务关键型的数据服务，如银行记账、商业交易等； 数据查询主要是面向快速查找或修改数据的服务需求，它比事务处理更简单，对数据一致性要求没那么强，但对服务的吞吐量要求非常高；信息检索是指从大规模的数据集中快速查找满足用户需求的资料或数据片段的过程；数据预测和数据分类被很多人认为是一种数据分析任务，其实，很多针对个体的数据预测和分类任务实际上是一种数据服务，它使用数据分析得来的预测模型，对个体数据实例进行预测，从而能够高并发地为大规模用户提供分类和预测服务，进而更好地体现出数据的价值。

2.数据分析

数据分析是指用适当的统计分析方法对大量数据进行分析或建模，提取有用信息并形成结论，进而辅助人们决策的过程。在这个过程中，用户会有一个明确的目标，通过“数据清理、转换、建模、统计”等一系列复杂的操作，获得对数据的洞察，从而协助用户进行决策。常见的数据分析任务又可以被进一步划分为描述型分析、诊断型分析、预测型分析、策略型分析。

描述性分析的主要特点是对数据代表的含义进行描述性的揭示，通过数据统计分析揭示数据隐含的现象，从而帮助人们更好地进行决策。

诊断型分析主要用来揭示一些现象背后的成因，因此，它比描述型分析更深入。很多数据挖掘方法与诊断型分析密切相关。比如相关性分析和因果关系的分析等，都是想通过对数据的深度分析揭示描述型分析所发现的某些现象背后的成因。

预测型分析主要是使用机器学习技术，对现有的大数据进行深度分析，构建数据预测和分类的模型，从而更好地支持数据预测和分类服务。

策略型分析也称指导型分析，是在分析过程中减少甚至排除人的参与，在给定目标的驱动下，直接帮助人们找到好的策略，作用于大数据应用，使得未来数据指标能够按照设想的某些趋势发展。它是数据分析的高级阶段，更能发挥出大数据的价值。

总之，数据分析一般基于大量数据和较为复杂的运算模型，其结果信息量通常很大，适用于宏观决策。而对于细节层面信息的获取，数据分析缺乏如索引和访问控制等方面的技术支持。如何在一个平台上，既支持宏观的分析，也支持细节的分析，是当今一个挑战的技术难题。

3.数据探索

数据探索是指针对目标可变、持续、多角度的搜索或分析任务，其搜索过程是有选择、有策略和反复进行的。它将以找到信息为目的的传统信息检索模式变为以发现、学习和决策为目的的信息搜寻模式。这样的搜索模式结合了大量的数据分析与人机交互过程，适合于人们从数据中发现和学习更多的内容和价值。

对于数据探索，用户可以在微观层面（数据搜索）和宏观层面（数据分析）之间进行自由切换，用交互式的方式探索并发现数据的价值。

目前，随着大数据研究的兴起，探索式搜索这种交互式分析和探索数据价值的方式，逐渐引起人们的重视，还有很多问题等待研究者们进行深入的研究。

数据服务强调从微观层面获取满足用户需求的精准信息，数据分析强调从宏观层面为用户提供数据洞察，进而提供决策支持，而数据探索则需要在宏观和微观两个层面进行自由切换。大数据蕴含大价值，数据服务、数据分析和数据探索是3个层次的数据价值发现方法。在很多应用下，这3类方法需要混合使用，才能更好地发现大数据的价值。（来自：全球大数据峰会）

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。

本文作者：郭朝晖@蝈蝈创新随笔

本文是我关于大数据分析方法的几点思考。当初的目的是系统化地看待数据分析。为了这点东西，我花了一个礼拜的时间，思考的结果却是碎片化的。看来，想清楚并不容易。由于时间关系，只能中止。文字描述很不严格、肯定经不起推敲，读者找不毛病是正常的、看不明白更是正常的。不感兴趣的可以当做胡扯。我希望将来有时间时能把问题思考下去。

从数据中发现信息和知识，是人们多年来的梦想。随着大数据理论的兴起，这个话题变得非常热门。在有些人看来，大数据非常神秘，似乎无所不能。当然，现实不会是这样。我想，研究大数据，首先要破除迷信：大数据需要什么条件、什么问题是大数据无法做到的。

1、知识和信息，只能从关联关系中得到

对象（包括过程，如生产过程、购物过程）及其属性、同一对象的属性之间具备关联关系。例如，“张三身高1.8米”就是对象（张三）与属性（身高）的关联；再如，如果我们知道张三体重75公斤，则“1.8米”和“75公斤”之间就因“张三”建立了关联。

关联的对象可能并不确定：我们看到一张履历表，即便隐去名字、不知道这个人是谁，也知道其中的各种信息是与某人关联的。

在数字化的世界里，不和其他的符号（数字）关联的符号（数字）是不包含任何信息的。从不包含信息的素材，得不到包含信息的结论。

有人可能反对这个观点：谷歌曾经用“感冒”的搜索量预报流感啊，这里哪有关联呢？其实，只有搜索“感冒”的数量是根本无法预测流感的。谷歌的做法，是把“感冒”的搜索与搜索的地点、时间联系起来。

这个观点告诉我们：收集数据的时候，要尽可能地把关联关系建立起来；没有关联关系，数据很容易成为垃圾。这种情况并不少见：有些实验室，把针对同一试样的各项实验结果分别保存起来，而没有建立统一的ID、关联关系丢失。这样的数据，再多也没有用处。

2、人们要挖掘的知识和信息，就是找映射关系

知识（或信息）的发现与挖掘，其本质是寻找映射关系：通过已知的、对象的一部分属性，把对象的另外一部分属性或对象本身找出来（或缩小范围）。产生这类问题的原因是：只有一部分属性已知、容易得到、容易识别、容易表述，而另外一部分未知、不容易得到、不容易识别、不容易描述。

例如，我们可以说：张三就是那个穿红衣服的——这里“穿红衣服”比其他特征容易识别。从衣服识别出张三，就是从张三的衣着特征（属性）找到关联对象（张三）的信息；从一个人的身高预估他的体重，就是从一个根据一类属性估计另外一类属性。

我习惯于把信息挖掘和知识发现分开。

在本文中，信息挖掘指的是预测某个特定对象的属性，如上海市的人口是多少；知识发现是确定一类对象的属性之间的关系，如一类人群中身高和体重的关系。当然，这种区分不是绝对的。

3、映射关系的差别

正确的识别，最好的办法是找到好的素材（数据）。素材与结果之间的关联强度是不一样的：有的比较强，是因果关系、必然联系；有的比较弱，是相关关系、偶然联系。

例如，我们可以根据DNA、相貌、衣服来识别一个人。但三者相比，DNA的联系是强的必然性联系、衣服是弱的偶然性联系，相貌是介于两者之间的联系。大数据的一个著名案例，是网站根据客户买的药判断她已怀孕、并推送有关产品：因为这种药只有孕妇才吃，是很强的关联。

从数据得到的知识和信息，往往不是绝对正确。一般来说，可靠的结论基于可靠的数据和可靠的分析方法。数据量大了以后，滤除干扰的可能性增大，从而可以从原来可靠度低的数据中，得到可靠性相对较高的数据。

所以，尽量找到好的素材，是做好分析的第一步。

在很多情况下，我们找不到好的素材。这时，首先要做的尽量提高数据质量。数据质量不仅是精度问题，还包括数据来源的可靠性：为此，需要把数据来源的相关过程要搞清楚，否则很可能会误导人的分析。

4、相关与因果

有些相关性的背后，一般会有因果关系存在。两个要素由因果产生关联的机制大概可以分成两类：1、两个要素具有因果的关系：比如刚做父亲的青年人常会买尿布；2、共同原因导致的两个结果之间的关系：比如孩子的父亲会常买啤酒，也常买尿布；于是，啤酒和尿布就可能关联起来。

有些相关性，看似没有因果，但背后往往有某些特殊的规律或因素其作用（上述第二种情况）。比如，女孩子往往喜欢花衣服，与基因和文化的共性有关。但这种因果关系可能相隔太远，以至于难以考证了。

当人们需要根据关系作出决策时，需要研究因果的逻辑关系：到底是谁影响了谁。否则，根据分析结构的盲目行为可能适得其反。 “到底谁影响了谁”为什么会成为问题？大概有两类原因：

第一类原因是：忽视了时间因素。如“统计结果表明，练太极拳的身体差”。现实却是：很多人身体变差（包括衰老）以后，才练太极拳。一般来说，具有因果关系的两个要素之间，时间上有前后关系：原因早前，结果在后。

第二类原因是：忽视了前导因素。“公鸡一叫，天就亮了”。现实却是，天量之前的迹象被公鸡察觉到了。两者是第二种因果关系，只是看似“原因在后、结果在前”了。

一般来说，工业大数据分析更重视因果，而商务大数据分析对因果性的要求较弱。

5、数据分析的先导因素

从某种意义上说，数据分析的过程，就是寻找强的相关关系（必然性、因果性），或对弱的相关关系进行综合、得到强的相关关系。

用数据发现信息，需要用到各种知识。例如，把“云南白药是用于治疗外伤的”放入计算机，当某人购买白药的行为判断他或家人可能受伤，从而可以推荐相关产品。但注意到：这种类型的知识很可能是被人事先装入计算机的，而不是靠计算机自动学习得到的。

所有的学习过程，本质上都是基于这样一种假设：A和B的一部分属性类似，则推测另一部分属性也应该类似。例如，A和B的身高相似，则体重也可能相似。现实中，两个属性确实具有强烈的相关性，但身高相同而体重不同的也大有人在。这时，如果我们还知道他的体型，是瘦弱、偏瘦、正常、偏胖、肥胖型，对体重的估计就可以准确一些。由此可见，用数据发现知识的过程，本质上就是提高相关性、可靠性的过程。

一般来说，人们在做数据分析之前，一定会有一定的知识积淀， 但认识不清却是一种常态；人们希望通过对数据的分析，来改变这种常态。而改变认识的过程依赖于数据的质量和分析数据的方法。所以，刨除分析方法外，分析过程依赖于两个先导性因素：1、数据质量（包含多方面的含义）如何；人们已有的认识如何。

注意，这段说法有个潜台词：强调了人类可认识的知识，而不是机器用复杂函数关系表述的、人类难以用逻辑关系认知的知识（如神经元）。的确如此，笔者一直认为：这类方法的作用被学术界有意识地夸大了。

6、数据分析的过程

与商业大数据相比，工业大数据更重视可靠性和精确性。在很多情况下，猜出一个结论并不难，难的是论证一个结论。一般来说，凡是可靠的知识，都应该能够被机理和数据双重认证。

大数据分析的一个重要特征是：传统概率理论的假设往往不成立。例如：大数定理的条件往往不成立、模型的结构往往未知、因果关系不是天然清晰、自变量的误差往往不能忽略、数据分布往往是没有规律的。所以，为了得到可靠的结果，人们工作的重点很可能是验证这些条件、构造这些条件。从某种意义上说，数据分析的过程，主要是排除干扰的过程、特别是排除系统干扰的过程。而且，如果完全依照逻辑、用纯粹数学的办法加以论证，则数据需求量会遭遇“组合爆炸”，永远是不够的。这时，已有的领域知识就是降低数据需求量的一种手段。要记住：求得可靠性是一个过程而不是结果、可能永远没有终点；分析的过程只是不断增加证据而已。这个过程，是修正人的认识的过程；所以，错误或不恰当的认识常常是分析过程中最大的干扰——这个干扰一旦去除，我们可能就发现了真正的知识。

数据量大的直接好处，是排除随机性干扰。但排除系统性干扰却不那么容易，数据量大是必要条件但不充分，需要深入的方法研究才能解决问题。

系统性的干扰往往体现在：对主体进行分组，所体现的规律是不同的。比如，身高和体重的统计关系，男女是不同的、不同民族是有差异的、可能与年龄有关。如果不进行分类研究，统计的结果就会与样本的选取有很大关系。但分类研究也会遇到一个困难：遭遇组合爆炸，数据再多都不够用。这时，“领域知识”就会发生作用：

认定一个结论成立的办法，是确认它的“可重复性”。在许多情况下，“可重复性”指的是在各种分组下都成立的结论：最好能在不同时间分组中也能成立。分组越多、分组的维度越多、结论的可靠性越高。

但具有“可重复性”的结论，往往只在一定的范围内成立。在很多情况下，“明确结论成立的范围”也是数据分析的重要内容。

如何分组、如何确定范围、如何构筑逻辑链条、数据结果的解读、数据结果与领域知识的融合，都是重要的能力。事实上，根据领域知识，常常用于构造证据链、进行有效的数据选取和分组。

在精密论证时，我们就会发现：基础数据的质量很重要。因为许多干扰就来源于数据本身。从某种意义上说，数据的采集方法和环境不同，就是不同的数据。

在构建数据分析体系的过程中，也会发现，企业经营的数据分析也确实需要一个可展示的平台，实时展示业务，有问题就优化更新。

FineReport 数据决策系统

7、关于预测数字

许多问题分析的目的得到一个数字：如钢的强度、用电量、人口数量、钢产量。这类问题的特点之一是：最终的结果是各种影响因素相加得到的。

对于这种问题，我的观点是：要想得到可靠的结果，一定要拆成若干子问题来分析。其中，各个子问题要尽可能利用规律性的结果来分析。我认为：把人的认识和数据用到极致的时候，才能得到最好的结果。随便地建立回归模型是不懂数据的表现。

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。

在尝试应对收集和分析大数据的挑战时，小型企业可能会觉得自己陷入了困境。不过，即使财富500强的IT预算比小企业过去的十年的收入还要多，小企业也不会被这些大公司远远地甩在后面。

而目前小企业利用大数据的机会从来没有这么好。多家企业已经在SaaS(软件即服务)平台上推出了大型数据收集和分析工具。这意味着小企业不需要投资昂贵的硬件，聘请昂贵的数据专家，然后自行部署复杂的算法。

但即使是SaaS大数据平台，企业仍然需要高质量的数据来帮助达成数据驱动的决策。再次，深吸一口气。虽然很多企业收集了大量的数据，但必须认识到要让信息能够为未来的分析进行正确分类。

1.交易数据

数据存储中最重要的一件事是场景数据。这些是包含多个变量的数据点。当顾客为你支付货物和服务时，企业需要知道：

他们消费了多少他们购买了什么他们什么时候购买什么促销或优惠券促使他们购买他们是如何支付的。如果企业部署了正确的POS软件，将能够自动将这些信息存储在CRM(客户关系管理)软件中。虽然存储客户支付细节有些不当，但是为了方便支付处理，除了在加密的数据库中，企业可以创建一个详细的非支付工具交易数据库，以便将来进行挖掘。

2.店内运营监控

大数据分析正在改变零售商经营店铺的方式。随着企业采用部署运动传感器的安全系统，可以跟踪客户在整个商店中移动的位置。企业将无法确定哪个客户的身份，但是企业能够了解每个部门有多少客户购物。

这些数据可以用来创建可以指导员工选择的趋势。对于没有部署特定人员的小型商店，需要的只是门口的柜台。

3.在线营销分析

当客户访问企业商店的网站时，谷歌分析应该能够为每位访客提供人口统计数据。这些信息可以帮助指导企业如何准备营销活动，以及网站的哪些方面最受关注。

网站热点图可以帮助企业了解网站上每个网页的哪些部分有着最多的鼠标者，强大的Facebook营销工具可以帮助企业向读者反映当前的关注点。

可以从网上与企业的品牌互动收集的数据量几乎是无限的。企业明智的做法是指导在线营销团队安装和定制插件和程序，将这些数据收集并存储在安全的地方供将来分析是明智之举。

4.客户回报计划

有没有想过为什么大型超市愿意给顾客提供折扣，只需要输入其电话号码或扫描奖励卡?因为客户购物档案对他们很有价值。根据其地址和消费习惯，他们可以估计顾客的年收入。

商家需要为自己的客户创建一个奖励计划。奖励计划将通过鼓励重复购物来提高商家的整体销售额。此外，还可以获取客户级别的数据，了解客户的购买方式、时间和内容。如果商家可以与电子商务网站同步，就可以获得额外的点数，以便在网上或在网上进行最终购买之前了解客户浏览商品的更多数据。

5.第三方促销

企业可以创建多个第三方忠诚计划，并与自己的个人会员计划配合使用。例如，Shopkick在进入商店时会以积分奖励购物者，拍摄赞助产品的照片，并使用链接的借记卡或信用卡来完成参与商店的购物。

首先，许多企业这些类型的节目愿意支付费用，以促进他们的商店和产品的销售。其次，所有这些数据都可以从管理移动应用程序的公司购买，这些数据将包括参与该计划的每家商店的旅行习惯和购买习惯。

这种数据可以帮助商家更好地分析未来的促销活动和捆绑优惠。

个性化是最终目标

当企业开始建立一个客户档案时，其营销团队深入到统计数据中是很重要的。企业对客户了解得越多，其个性化推广就越有效。采用电子邮件推销，以及采用标准化的线上和线下促销现在很难有更好的效果。

当客户感觉正在谈论自己的独特需求时，企业将体验到消费水平、购买频率，以及整体客户价值的巨大增长。这将有助于将投资于大数据收集和分析工具的成本分摊到大量的客户交易中，从而创建一个数据驱动的指导系统。

总之，各种规模的商店和企业可以采集大量数据。而得益于大数据SaaS平台，企业不再需要拥有内部数据收集和分析团队。通过配置现代POS软件来收集客户的非财务数据，可以将这些数据与所有其他数据源相关联。

随着客户与厂商进行互动，从研究到最终购买，企业将深入了解如何提供个性化的报价，这是产生客户忠诚度的关键因素。随着企业的发展与所观察到的市场需求进行对话，将发现扩展或将企业的产品和服务集中在对赢利产生最大影响的机会。

来源：互联网