多元统计分析数据

大数据文摘作品

作者：托马斯·H·达文波特

2006年6月，乔纳森高德曼（Jonathan Goldman）进入商务社交网站LinkedIn工作。作为斯坦福大学物理学博士，他醉心于无处不在的链接和丰富的用户资料。虽然这两者通常只能形成混乱的数据和浅显的分析，但当他着手挖掘人际联系时，却从中发现了“新大陆”。

他开始构建理论、检验预设，并研究出了模型。通过这些模型，他可以预测出某账号所归属的人际网络。高德曼觉得，在探索基础之上形成的新功能也许能为用户提供价值。

幸运的是，LinkedIn的联合创始人兼时任CEO雷德霍夫曼（现执行总裁），在贝宝（PayPal）的工作经验让他对分析学的威力深信不疑，因此，他给了高德曼高度的自主权。

他给予高德曼一个不同于传统产品发布套路的新方式—在网站黄金页面以广告的形式挂出小型加载模块。这一测试最终大放异彩，成为了我们现在熟知的“你可能认识的人”。

传统的信息管理和数据分析主要用于支撑内部决策，而大数据在这方面有所不同。当然，在多数情况下，大数据也会有此用途，特别是在大企业内。不过， 数据科学家通常致力于面向客户的产品和服务，而不是创建为高管制定内部决策提供建议的报表或报告。

数据科学家这一概念直到2008年，才由D.J. 帕蒂尔和杰夫哈默巴赫尔创造，这个职位因为被达文波特喻为“21世纪最性感的职业”而为更多人所熟知。那么，成为一名数据科学家，需要怎样的潜质和能力？

数据科学家的特征

我们可以用这样一张图表，来展示数据科学家必备的技能结构：

1、要想成为数据科学家，先去做黑客吧！

由于大数据技术是一种新兴技术，而且很难将其提取出来用于分析，所以，要想成为一位成功的数据科学家，就必须具备一些黑客的特征。

首先，你必须具备编码或编程能力。“你会编写代码吗”，这是一位首席科学家在招聘时向数据科学家提出的第一个问题。如果你具备任何编程语言方面的经验，那将大有裨益，尤其是脚本语言，如 Python、 Hive 和Pig，或者有时会生成的语言，如 Java。这些脚本语言相对容易编写，还能将大型数据处理问题分布于分布式 MapReduce 框架中。

数据科学中的黑客还需要熟悉常用的大数据技术，最重要的是 Hadoop/MapReduce，包括如何实施和扩展它们，以及是否需要在所在地点或云计算中提供这些技术。这些技术都是一些新技术，还在不断变化，所以数据科学家必须具备开放性思维，而且要特别开放，以学习新工具和新方法。

最后，对黑客技术做一个总结，很多大企业不愿意雇用黑客是有原因的。在本文中，黑客技术通常被定义为一种创新的快速计算，但这一术语还有一层“不太合法”的意味，即倾向于避开计算行为的正常规则。就当前大数据技术低下的情形而言，后一种意义的黑客技术可能是必需的。然而，值得注意的是，黑客特征在数据科学家特征中并不占主导地位，你可能会为此后悔。铁杆黑客带来的麻烦远比他们带来的益处要多得多。而且，他们也未必有兴趣为大型官僚组织效力。

2、成功的数据科学家，不一定要有研究生学位

在数据科学家的特征中，科学家这一特征不一定意味着必须是实战科学家。然而， 2012 年，我对 30 名数据科学家进行了采访，结果发现，57% 取得了科学和技术领域的博士学位， 90% 至少在科学或技术领域获得过一个高级学位，最常见的是实验物理学博士， 其中还包括生物学、生态学或社会科学等高级学位，而且这些领域通常涉及大量的计算机工作。

数据科学是否需要这些领域详细的相关知识呢？ 绝对不需要。对实验物理学博士而言，重要的不是学位或相关的具体知识，而是完成数据科学任务所需的能力和态度，其能力包括开展实验、设计实验装置，以及利用数据来收集、分析和描述结果的能力。科学家分析的数据不可能是真正的数据科学家，就连大学也很少接触到真正的大数据，但它很可能是一种非结构化的数据。

进行大数据分析的科学家可能会具备的特征有：基于证据做决策、即兴创作、急躁以及自己动手的宽慰感。在大数据工作的早期阶段，这些技能很重要。在这一阶段中，数据科学家必须执行一些开创性工作，而在后期，这些工作可能会通过软件轻松地完成。科学家也可能是快速学习者，能迅速地吸收和掌握新技术。

应当指出的是，许多成功的数据科学家根本没有研究生学位，他们的大多技能都是自学而来的，因为以前的大学并不提供这方面的课程。例如，领先的数据科学家杰夫 · 哈默巴赫（Jeff Hammerbacher）在 Facebook 工作时与当时就职于领英的帕蒂尔（DJ Patil）创造了数据科学家这一术语，而那时他只有本科学位。大数据文化是一种任人唯才的文化，而不是一种强调具备某种数据科学学位的文化。

3、你得是一位可信的顾问

正如传统的定量分析师一样，数据科学家需要具备良好的人际沟通技能。然而，正如传统的数据分析师一样，他们不可能具备这些技能。因为如果你将大部分精力放在计算机和统计数据上，就不会对人际关系产生太大的兴趣。

不过，良好的人际沟通技能肯定是必要的。数据科学家要为高管制定内部决策提供建议；在以数据为产品的企业里，数据科学家还要为负责产品和营销的管理者就数据产品和服务的机会提出建议。最早一批数据科学家中的帕蒂尔参与创造了这一术语，他常喜欢说，数据科学家必须“站在桥上”，近距离地向船长提出建议。如果数据科学家和决策者之间存在中介的话，决策者可能无法了解关键决策涉及的所有重要数据和问题。

有证据表明，这些技巧很重要。高德纳公司（Gartner）的研究发现，“70%～80% 的企业智能商业项目的失败”是因为“IT 部门和业务部门之间缺乏沟通，未能提出正确的问题，或未能考虑到企业的真正需求”。智能商业项目通常涉及的都是一些小数据，而不是大数据。然而，某些项目之所以失败是因为自身存在问题。毫无疑问，缺乏沟通的小数据和大数据项目会引发大问题。

4、先成为定量分析师

在大数据被获取并被“驯服”之后，即从非结构化数据转换为结构化数据之后，必须用传统的方式对其进行分析。因此，数据科学家还需要承担起定量分析师的工作，了解他们身边的各种数学和统计技能，并能够轻松地向非技术人员做解释。我和一些作者已经合著了很多关于这些统计技能的书籍，所以在这里就不再详述这些技能了。

然而，小型非结构化数据的分析和大数据的分析之间存在一些差异。其一是，对于较大的群体来说，小样本统计推断出的结果可能不太重要。随着大数据的出现，企业往往会对整体数据进行分析，因为它们具备这种技术。如果你不是从一个样本来推断整个群体的结果，也就不用担心统计数据之类的概念，换句话说，小样本统计就是所观察到的结果代表群体的概率，因为它们就是一个群体。尽管如此，但我相信，在许多情况中，我们仍将继续使用样本统计。例如，向所有美国或其他国家公民征询他们对政治或社会问题的看法是不可行的，所以我们还是会利用样本调查来解决这类问题。即使你利用大量的网络数据来分析这一问题，但仍然只能代表特定时间内某些用户的意见。

两者之间的另一个不同之处是，大家普遍偏爱大数据的可视化分析。至于原因，我想没有人能完全解释清楚。大数据分析结果往往以可视化的形式表现出来，现在，可视化分析有很多优势：易于高管理解，容易引起注意。不利的一面是，它们一般不适宜于表达复杂的多元关系和统计模型。换句话来说，大多数可视化数据是为了进行描述性分析，而不是预测性或指令性分析。然而，它们可以同时显示大量的数据，如图 4-1 所示，这幅图呈现的是银行账户关闭因素的可视化分析。我发现，与许多其他复杂的大数据可视化分析一样，这一可视化分析也很难解释。我有时会想，很多大数据的可视化分析仅仅是因为可以进行分析而被创建的，而并不是为了清晰地呈现一个问题。

为什么可视化分析常见于大数据中呢？有几种可能的解释。

这表明，由于捕捉结构化数据所付出的努力太多，所以很少有时间和精力来开展复杂的多元统计分析，只能建立一个简单的频率统计，然后基于频率统计进行绘制。这种现象常见于数据科学家群体中，但没有人知道这种方法的重要性和普遍性。

另一种解释是，大数据和更吸引人的可视化分析几乎同时出现。最后一种解释是，大数据工作是一种探索性和反复性的工作，因此需要可视化分析来探索数据，并向管理者和决策者传达初步调查结果。

我们可能永远不会知道哪个解释更为重要，但事实是，数据科学家需要以可视化的方式来显示数据和分析结果。

5、做既能精通又能跨界的业务专家

数据科学家对业务的运作要有深入的了解，或者至少应该了解其中的部分环节。例如，企业如何赚钱？竞争对手是谁？企业如何在行业中成功推出产品和服务？能够利用大数据和分析来解决的关键问题是什么？这些都是一个有效率的数据科学家应该回答的问题。

掌握与业务相关的知识可以使数据科学家做出假设并迅速对其进行测试，为关键的功能和业务问题提供解决方案；否则，他将难以为业务增加附加值。正是对业务问题的分析使这些关于数据或传统数据分析的知识得以发挥作用，因此，相关业务领域的兴趣和经验很重要。当然， 数据科学家有时也会在各个行业之间来回转换，但没有人会精通所有领域。然而，重要的是，他们需要对所从事的新业务抱有强烈的好奇心和兴趣。 显而易见，数据科学家通常都是极其聪明的人，如果他们对某个新业务感兴趣，很快就会掌握相关的知识。如果你面试的是另一个行业的数据科学家，请确保他对其所从事的行业感兴趣，而且具备解决问题的能力。

当然，这个技能结构对有志成为数据科学家的人才来说，是一种参考。任何人都很难同时在这五个方向都出类拔萃。通用电气公司全球研究中心的分析学技术的负责人格拉伯是这样说的：“在通用电气公司，我们发现具备 2～3 个领域的专业技能的数据科学家是最有成效的”。你要做的，是在一支团队中找到自己的位置，发挥自己的创造性，并且不断学习。

本文摘自《数据化转型》

作者：托马斯·H·达文波特

这篇文章是俺2009年在博客里写的多变量分析方法介绍之一，今天在微信公号分享！

综合排名问题是一个多变量分析技术！

近一时期排名非常时髦，形成了排名经济，比如：胡润富人排行榜，财富500强，慈善排名，城市竞争力排行，MBA商学院排名，大学排行榜等等！最近刚刚完成广播电视节目综合评估体系客体评估项目，其中也涉及到电视节目的综合评估问题，特别是综合排名问题。大部分情况下综合评价问题都会涉及到排名，多指标排名问题。

记住：市场研究或作研究的人从来不排名，只是做研究往往需要排名！

综合排名是一项系统综合评估研究方法，焦点是如何科学、客观地将一个多维度、多评价指标问题综合成为一个单指标形式，利用产生的综合评价指数进行排名和评价。

综合排名的的形成需要研究人员对评价对象进行大量基础性数据分析基础上，并依据专业知识和评价方法的认识，确定评估指标体系，对每个评价指标在综合评价体系中的重要程度进行测算。研究人员需根据各指标的重要性确定了权重，据此对每项不同测量尺度指标进行修正后加权并标准化无量纲，最终采用多元统计分析方法对评价指标进行了系统最佳综合，形成最终综合评价。

主要包括以下几个方面：

综合评估问题涉及面比较广，下面我们仅仅就综合排名问题讲讲，我们采用大学研究生排行榜的数据进行综合排名！我收集了某年的大学研究生排行榜，因为显示的问题我仅仅截取了前20名，

人民大学

提到了前面进入第20名！（数据源已经记不清楚出处了）

从上面我们可以看到：20家大学研究生院的综合排名情况，最左边一列是最初的排名，这个排名名次是按照六个指标得到了，六个指标分别是：

我这里并不关心这六个指标如何获得，和数据准确性问题，我们只关心应该如何在现有指标下进行综合排名问题！

当然，大家要关注这六个指标的测量尺度，取值范围，量纲的大小等，你将来总不希望把吨和克进行相加吧！

方法一：等权重求和法 T1

我们先来看看，把现在六个指标求和，得到T1=P1+P2+P3+P4+P5+P6，然后按T1降序排名；

看到了吗？该排行榜的发布就是用的加法，最简单的方法！

从数据看以看出，指标P6与其它指标单位差异较大，简单相加有缺陷，但是这种方法是大家最常用的，比如：高考录取分数就是各门考试成绩加总，得到总成绩（

高考成绩

），根据录取人数取得分位点，然后确定录取分数线，并排名从高到底录取；当然硕士研究生录取也是这种方法！

为什么要用这种方法呢？如果用复杂多变量方法，得到总指标排名，估计家长们或学生都要疯了，都不知道自己如何能够被录取，

算法

不懂，怎么被录取！显然，其它方法是不能采用的，这是最好的可执行方案！

方法二：主观加权求和法 T2

但是，录取单位总是想能不能把偏科的人录取，比如我看重数学、物理，这两个指标应该权重更大些，比如我们假设考了6门课，我们根据经验、主观判断、领导指示或专家评估最终确定：30:25:20:15:10:5的权重！

再次计算；T2=p1 * 0.30 + p2 * 0.25 + p3 * 0.20 + p4 * 0.15 + p5 * 0.10 + p6 * 0.05

我们按照T2降序排列，看一下排名，基本次序是一致的，只是在15名附近发生一点改变！

如果按照这种方式排名，首先所有指标应该在同一个量纲上，经常是在指标都是在100分制下，并且权重最好合计为1，最终得到的排名总分也是同样量纲和尺度！

这种情况最适合综合评价方式，加权平均啦！当然如何确定权重就成为关注的要点，科学性、合理性都需要明确！大部分综合评估方法在最后都是采用这种排名方法！

方法三：秩综合排名法 T3

什么是秩，秩序就是求次序！所有我们可以计算每个指标的秩，然后根据秩的大小进行求和！

从

SPSS软件

可以选择个案排秩，指定最大值=1，我们可以得到六个指标的秩指标次序！我们采用简单加法求和和排名，看看结果如何？

计算 T3=Rp1 + Rp2 + Rp3 + Rp4 + Rp5 + Rp6，按照T3升序排列！

从T3升序排列看，这时候大致排名与原始没有发生颠覆性变化，只是在前后名次上有了一定改变！

这种方法也是一种排名方法，经常用在比如

世界杯

最佳阵容或最佳球队评选上，假如有六个记者或专家给所有球队或球员选出最佳阵容或球队时，往往比较可操作的方法是让所有评价者给评价对象打分或者排名，排名更好操作，然后求和！

注意：往往评价者只会评出他最熟悉的，可能会产生缺省值问题，所以要根据每个评价者的情况和缺失情况进行缺省值处理！然后进行求和！

方法四：主成分排名法 T4

这种方法就是多变量分析技术了，

主成分分析

方法经常用来进行综合评估和排名！有关主成分分析技术的相关内容我将在主成分分析专题讲，这里还是关注如何进行排名！

主成分分析是根据指标和数据得到第一主成分，并根据第一主成分得分进行排名的方法！因为，第一主成分往往是凝聚了所有变量的最大变差，也就是解释了6个指标的最大差异（解释度），或者说最大综合成分，排名就是找差异吗？据此排名！

SPSS软件

没有专门命名主成分分析，是与因子分析整合的，在选择因子分析后，只要不进行旋转，就可以得到

主成分分析

结果，记住把得分保存下来，我们可以要求保存所有主成分，六个指标得到六个主成分，但我们只要保存前两个就可以了！

从主成分可以看出：第一主成分解释了6个指标变差的72.409%，把保存的第一主成分按降序排列，我们看一下排名情况；

从排名顺序我们看到，这种方法与方法二加权排名几乎一样，当然与简单求和也基本一致！这说明，这种方法是能够得到理想的综合排名的！（理论上说，如果排名对象差异很大，不同方法得当的结果基本一致！）

同时，你可以看到，成分得分

系数矩阵

的第一主成分列，实际上就是基于数据驱动的权重啦，所以这种方法不需要事先得到主观权重，完全数据驱动！但是，得到的只是排名，具体的排名得分没有实际意义了，如果你希望得到排名的得分具有实际意义，显然该方法会把人搞糊涂！但是我们也可以把主成分得分进行数值变化或映射，得到指数或什么规范得分！

说明：你也可以按照第二主成分进行排名，但这个时候完全不同了！

这里我们可以得到另外一种收获，就是可以按照第一主成分和第二主成分进行散点图分析，得到直观分析！

你会看这种图吗？

方法五：主成分综合加权法 T5

我们从上面一种排名方法看到，虽然按照第一主成分进行了排名，但第二主成分也解释了21.894%，如果综合将可以解释数据的94.303%；（学术研究有时候更追求高解释度），好了，现在我们可以按照主成分的解释度作为权重，把两个主成分进行加权求和！

计算：T5=FAC1_1 * 72.409 + FAC2_1 * 21.894

我们看看排名情况：

对照着第一列的原始排名，这时候排名结果发生了改变，特别是

人民大学

前进了几名！

这时候，我们要看看排名的指标对排名的意义和影响了，我们可以分析看出，6个评价排名指标实际上主要是两个维度，简单说就是自然科学和社会科学维度，前面四种排名方法基本上权重都在自然科学维度上，第五种方法考虑了社会科学维度！

我们看一下因子分析结果，采用最大方差旋转！

显然，第一因子我们命名为：自然科学，第二因子命名：社会科学

所以，我说我们学校总是不能进入排行榜呢？原来所谓的排行榜就是看自然科学（工科类）的排名啊！哈哈！

针对我们文科和艺术类学校，只能垫底啦！下次我要是排名，一定想法用复杂的排名技术，把我们学校排进去，相信我能做到这一点！或者咱们来个分类排名，反正咱有技术！开玩笑啦！

记住一点：方法五在采用的时候一定格外小心，因为主成分是正交的，不同方向能否综合要记住，也就是数值越大越表示好，也就是两个指标具有数值同向，才有可能满足线性可加性！不行还是方法四比较妥当！

方法六：乘法原则

在指标同是正向，我们也可以将各个指标相乘，值越大排名考前！乘法原则主要用在：一票否决，或某些指标是另一个指标的修正因子！

方法七：其它方法

你还可以采用部分乘法原则与加法原则综合法，也可以因子得分进行排名，因子得分加权排名，所有主成分或因子加权排名等等！

排名方法大致就介绍到这里了，我的工作也就完成了！

至于排行榜的发布，商业的、行政的、领导的、媒体的、企业的各种因素都会最终影响排名和结果的发布~！到底最后怎么发布也有学问，大家好好学吧！

加法原则：取长补短，互有补充！

乘法原则：一损俱损，不可或缺！

上面的排名还没有考虑指标的标准化问题，以及如何标准化：插值法，最大值最小值法，理想点法等等！

排名是技术，发布是艺术！

沈浩老师

——————

中国传媒大学新闻学院教授、博士生导师

中国传媒大学调查统计研究所所长

大数据挖掘与社会计算实验室主任

中国市场研究行业协会会长

欢迎关注沈浩老师的微信公共号

_2001

数艺智训

DAtraining

欢迎关注：灵动数艺

——数艺智训

数据艺术家

TableauHome

浅论统计学在市场营销中的运用

当今社会中多数企业为了能够更好地促进市场营销效果，将本企业或者本行业几个月或者几个季度以及几年内的市场营销数据，通过数据加载分析来评估当前市场形势以及以后的发展趋势，而对数据的分析现代企业运用最多的手段就是统计学，统计学中的数理统计、多元统计分析，抽样调查都为企业的数据分析提供了最科学和可靠的方法。通过市场营销管理中统计学理论及方法的运用，为企业市场营销管理工作奠定基础、为企业的市场营销工作提供准确详实的市场信息。针对市场营销管理中对统计学应用的需求，现代企业市场营销管理中应加强对统计学理论及内容的关注。运用统计学方法解决企业营销管理中的实际问题，提高企业综合市场竞争力。 　

　一、数据进行统计分析特点和管理方法 　　数理统计中统计分析的特征是定量和定性分析进行结合；把处理的数据作为依据，以统计的数据作为结果；分析方法具有特殊性；分析的范围具有广泛性。要紧紧依靠这些统计数据的特点，同时，充分把握好企业市场营销这一行业的特殊性，才能真正做好市场营销统计学分析的工作。正常来讲，企业市场营销管理的步骤可分为：分析市场所具备的机会、选择合适的目标市场、确立正确的营销组合策略、市场营销的决策和决策的实施与控制。这四个步骤与相应的统计学分析方法相配合，才能更好地为企业赢得更多的市场机遇，同时使企业的市场竞争力不断提升。 　　二、市场营销中的统计学分析方法 　　针对所属行业销售特点选择统计学方法的应用。针对不同行业的销售特点，企业市场营销管理中的统计学应用也存在着差异。根据行业销售特点，统计学方法的运用也有着一定的规律。在饮料、日用化工等快消品的销售收集整理中，描述统计、推断统计、顺序变量等方法的应用能够为快消品行业的市场营销管理提供翔实准确的市场信息，为快消品企业的市场营销策划方案提供科学的数据。通过统计学方法的运用使企业的快消品营销策划工作更加符合市场规律、符合市场销售特点，进而满足现代快消品企业销售目标需求、满足市场销售需求。 　　在现代社会里，企业如果要获得长远的竞争优势，一定离不开目标群体的满意度和支持度。目标群体，一般就是指顾客，当他们的需求被满足之后会产生心理的愉悦感。从统计学来分析，这个满意度就是指顾客的期望值与实际感知效果之间的差异函数，如果顾客实际感知的效果小于期望值，顾客就不会感到满意，反之，就会表现出满足。通常，顾客过去的购买经历，竞争者与销售者对自身产品的宣传与承诺，身边朋友的评论等，都会影响到顾客的期望值。因此，企业非常有必要通过统计学，对顾客满意度进行分析、测量，给企业的营销和决策提供更加可靠的依据。

　三、以数据为依托分析当前市场状况 　　通过对统计学知识的运用，以当近期市场的数据反馈为依托，对当前的市场行情进行分析与比对。在当今市场经济的营销管理中，对市场的动态信息进行科学合理的分析，能够帮助企业的决策者们及时修改营销方案，满足市场变化对企业营销管理的需求。这一现状要求企业的市场营销管理部门能够及时掌握市场动态，运用統计学知识及统计学理论中的调研、整理、分子技巧为企业的市场营销管理工作提供准去的市场信息，确保企业市场营销管理工作能够符合市场销售的实际需求。针对现代企业市场营销现状及营销管理工作的需求，现代企业的市场营销管理工作中应强化对市场销售信息的收集与整理。利用统计学原理及要知道市场销售信息收集与管理工作，以此使企业的市场营销信息收集、整理、分析以及方案制定在统计学理论指导下得到有效开展，满足现代市场经济发展过程中企业的营销管理需求。

四、从市场的定价角度看统计分析的重要性 　　通常来说，企业的市场定价会受到多种因素的综合影响。成本导向、需求导向、竞争导向是企业市场定价的三种方法，这三种方法都是对于企业自身在市场上的竞争力而言，是企业为了让自己的产品或服务在如今激烈的市场竞争中更好的定位，赢得更多更大的市场份额而制定出的价格策略。这种定价策略要分析人为订立的利润与企业成本之间的比例，要充分研究竞争对手等各方面的定价因素，并认真分析消费者的有效需求，以寻求各个价格变量之间存在的近似的线性关系，从而准确进行营销策划。因子分析方法是市场定价中的统计学分析较多采用一种方法，根据几个不同因子的比较而获得多个值，并对这些值进行平均值的计算，从而确定产品的基准价格。本质上看，就是把统计模型的运算和决策问题运用到市场定价问题中，不同利润下的标准差和期望值制定出不同的市场定价方案。所以，在市场定价中准确的统计决策模型，不仅有利于提高资金周转速度，节约企业成本，还有利于提高企业的市场竞争力。在现代企业市场营销管理工作中，科学的市场调研是掌握市场动态、保障市场销售信息有效传达的关键。因此，在企业的市场营销管理工作中，应科学运用统计学调研方法对企业所属行业市场信息进行收集与整理。以基础数据、变量、统计逻辑学、管理统计学等内容及基础，对销售人员的调研信息进行统计与分析，对信息的科学性进行甄别。以翔实准确为中心进行市场信息的收集与调研、以科学性为重点进行信息的统计与分析，以此保障现代企业市场营销管理方案制定基础满足市场需求。统计学分析方法在市场调查过程中，无论是最初的信息收集阶段，还是信息处理阶段的分析过程和数据辨别，都发挥着无可辩驳的关键作用。在我们当前的市场经济活动中，要重视以人为本的管理方法，大力地强调定性向定量的方向发展，这一切都会涉及统计学方法。国家在进行经济调控时，也往往会使用到统计表格来表示一系列经济收支的情况，以便在宏观上对未来的经济投入比例进行相应的调整。 　　总之，企业要想得到最优化的市场营销方案，必须通过统计手段对市场的全面、科学分析才能获得，科学合理的统计分析，可以随时灵活地更改营销方案。

大数据文摘作品

作者：托马斯·H·达文波特

2006年6月，乔纳森高德曼（Jonathan Goldman）进入商务社交网站LinkedIn工作。作为斯坦福大学物理学博士，他醉心于无处不在的链接和丰富的用户资料。虽然这两者通常只能形成混乱的数据和浅显的分析，但当他着手挖掘人际联系时，却从中发现了“新大陆”。

他开始构建理论、检验预设，并研究出了模型。通过这些模型，他可以预测出某账号所归属的人际网络。高德曼觉得，在探索基础之上形成的新功能也许能为用户提供价值。

幸运的是，LinkedIn的联合创始人兼时任CEO雷德霍夫曼（现执行总裁），在贝宝（PayPal）的工作经验让他对分析学的威力深信不疑，因此，他给了高德曼高度的自主权。

他给予高德曼一个不同于传统产品发布套路的新方式—在网站黄金页面以广告的形式挂出小型加载模块。这一测试最终大放异彩，成为了我们现在熟知的“你可能认识的人”。

传统的信息管理和数据分析主要用于支撑内部决策，而大数据在这方面有所不同。当然，在多数情况下，大数据也会有此用途，特别是在大企业内。不过， 数据科学家通常致力于面向客户的产品和服务，而不是创建为高管制定内部决策提供建议的报表或报告。

数据科学家这一概念直到2008年，才由D.J. 帕蒂尔和杰夫哈默巴赫尔创造，这个职位因为被达文波特喻为“21世纪最性感的职业”而为更多人所熟知。那么，成为一名数据科学家，需要怎样的潜质和能力？

数据科学家的特征

我们可以用这样一张图表，来展示数据科学家必备的技能结构：

1、要想成为数据科学家，先去做黑客吧！

由于大数据技术是一种新兴技术，而且很难将其提取出来用于分析，所以，要想成为一位成功的数据科学家，就必须具备一些黑客的特征。

首先，你必须具备编码或编程能力。“你会编写代码吗”，这是一位首席科学家在招聘时向数据科学家提出的第一个问题。如果你具备任何编程语言方面的经验，那将大有裨益，尤其是脚本语言，如 Python、 Hive 和Pig，或者有时会生成的语言，如 Java。这些脚本语言相对容易编写，还能将大型数据处理问题分布于分布式 MapReduce 框架中。

数据科学中的黑客还需要熟悉常用的大数据技术，最重要的是 Hadoop/MapReduce，包括如何实施和扩展它们，以及是否需要在所在地点或云计算中提供这些技术。这些技术都是一些新技术，还在不断变化，所以数据科学家必须具备开放性思维，而且要特别开放，以学习新工具和新方法。

最后，对黑客技术做一个总结，很多大企业不愿意雇用黑客是有原因的。在本文中，黑客技术通常被定义为一种创新的快速计算，但这一术语还有一层“不太合法”的意味，即倾向于避开计算行为的正常规则。就当前大数据技术低下的情形而言，后一种意义的黑客技术可能是必需的。然而，值得注意的是，黑客特征在数据科学家特征中并不占主导地位，你可能会为此后悔。铁杆黑客带来的麻烦远比他们带来的益处要多得多。而且，他们也未必有兴趣为大型官僚组织效力。

2、成功的数据科学家，不一定要有研究生学位

在数据科学家的特征中，科学家这一特征不一定意味着必须是实战科学家。然而， 2012 年，我对 30 名数据科学家进行了采访，结果发现，57% 取得了科学和技术领域的博士学位， 90% 至少在科学或技术领域获得过一个高级学位，最常见的是实验物理学博士， 其中还包括生物学、生态学或社会科学等高级学位，而且这些领域通常涉及大量的计算机工作。

数据科学是否需要这些领域详细的相关知识呢？ 绝对不需要。对实验物理学博士而言，重要的不是学位或相关的具体知识，而是完成数据科学任务所需的能力和态度，其能力包括开展实验、设计实验装置，以及利用数据来收集、分析和描述结果的能力。科学家分析的数据不可能是真正的数据科学家，就连大学也很少接触到真正的大数据，但它很可能是一种非结构化的数据。

进行大数据分析的科学家可能会具备的特征有：基于证据做决策、即兴创作、急躁以及自己动手的宽慰感。在大数据工作的早期阶段，这些技能很重要。在这一阶段中，数据科学家必须执行一些开创性工作，而在后期，这些工作可能会通过软件轻松地完成。科学家也可能是快速学习者，能迅速地吸收和掌握新技术。

应当指出的是，许多成功的数据科学家根本没有研究生学位，他们的大多技能都是自学而来的，因为以前的大学并不提供这方面的课程。例如，领先的数据科学家杰夫 · 哈默巴赫（Jeff Hammerbacher）在 Facebook 工作时与当时就职于领英的帕蒂尔（DJ Patil）创造了数据科学家这一术语，而那时他只有本科学位。大数据文化是一种任人唯才的文化，而不是一种强调具备某种数据科学学位的文化。

3、你得是一位可信的顾问

正如传统的定量分析师一样，数据科学家需要具备良好的人际沟通技能。然而，正如传统的数据分析师一样，他们不可能具备这些技能。因为如果你将大部分精力放在计算机和统计数据上，就不会对人际关系产生太大的兴趣。

不过，良好的人际沟通技能肯定是必要的。数据科学家要为高管制定内部决策提供建议；在以数据为产品的企业里，数据科学家还要为负责产品和营销的管理者就数据产品和服务的机会提出建议。最早一批数据科学家中的帕蒂尔参与创造了这一术语，他常喜欢说，数据科学家必须“站在桥上”，近距离地向船长提出建议。如果数据科学家和决策者之间存在中介的话，决策者可能无法了解关键决策涉及的所有重要数据和问题。

有证据表明，这些技巧很重要。高德纳公司（Gartner）的研究发现，“70%～80% 的企业智能商业项目的失败”是因为“IT 部门和业务部门之间缺乏沟通，未能提出正确的问题，或未能考虑到企业的真正需求”。智能商业项目通常涉及的都是一些小数据，而不是大数据。然而，某些项目之所以失败是因为自身存在问题。毫无疑问，缺乏沟通的小数据和大数据项目会引发大问题。

4、先成为定量分析师

在大数据被获取并被“驯服”之后，即从非结构化数据转换为结构化数据之后，必须用传统的方式对其进行分析。因此，数据科学家还需要承担起定量分析师的工作，了解他们身边的各种数学和统计技能，并能够轻松地向非技术人员做解释。我和一些作者已经合著了很多关于这些统计技能的书籍，所以在这里就不再详述这些技能了。

然而，小型非结构化数据的分析和大数据的分析之间存在一些差异。其一是，对于较大的群体来说，小样本统计推断出的结果可能不太重要。随着大数据的出现，企业往往会对整体数据进行分析，因为它们具备这种技术。如果你不是从一个样本来推断整个群体的结果，也就不用担心统计数据之类的概念，换句话说，小样本统计就是所观察到的结果代表群体的概率，因为它们就是一个群体。尽管如此，但我相信，在许多情况中，我们仍将继续使用样本统计。例如，向所有美国或其他国家公民征询他们对政治或社会问题的看法是不可行的，所以我们还是会利用样本调查来解决这类问题。即使你利用大量的网络数据来分析这一问题，但仍然只能代表特定时间内某些用户的意见。

两者之间的另一个不同之处是，大家普遍偏爱大数据的可视化分析。至于原因，我想没有人能完全解释清楚。大数据分析结果往往以可视化的形式表现出来，现在，可视化分析有很多优势：易于高管理解，容易引起注意。不利的一面是，它们一般不适宜于表达复杂的多元关系和统计模型。换句话来说，大多数可视化数据是为了进行描述性分析，而不是预测性或指令性分析。然而，它们可以同时显示大量的数据，如图 4-1 所示，这幅图呈现的是银行账户关闭因素的可视化分析。我发现，与许多其他复杂的大数据可视化分析一样，这一可视化分析也很难解释。我有时会想，很多大数据的可视化分析仅仅是因为可以进行分析而被创建的，而并不是为了清晰地呈现一个问题。

为什么可视化分析常见于大数据中呢？有几种可能的解释。

这表明，由于捕捉结构化数据所付出的努力太多，所以很少有时间和精力来开展复杂的多元统计分析，只能建立一个简单的频率统计，然后基于频率统计进行绘制。这种现象常见于数据科学家群体中，但没有人知道这种方法的重要性和普遍性。

另一种解释是，大数据和更吸引人的可视化分析几乎同时出现。最后一种解释是，大数据工作是一种探索性和反复性的工作，因此需要可视化分析来探索数据，并向管理者和决策者传达初步调查结果。

我们可能永远不会知道哪个解释更为重要，但事实是，数据科学家需要以可视化的方式来显示数据和分析结果。

5、做既能精通又能跨界的业务专家

数据科学家对业务的运作要有深入的了解，或者至少应该了解其中的部分环节。例如，企业如何赚钱？竞争对手是谁？企业如何在行业中成功推出产品和服务？能够利用大数据和分析来解决的关键问题是什么？这些都是一个有效率的数据科学家应该回答的问题。

掌握与业务相关的知识可以使数据科学家做出假设并迅速对其进行测试，为关键的功能和业务问题提供解决方案；否则，他将难以为业务增加附加值。正是对业务问题的分析使这些关于数据或传统数据分析的知识得以发挥作用，因此，相关业务领域的兴趣和经验很重要。当然， 数据科学家有时也会在各个行业之间来回转换，但没有人会精通所有领域。然而，重要的是，他们需要对所从事的新业务抱有强烈的好奇心和兴趣。 显而易见，数据科学家通常都是极其聪明的人，如果他们对某个新业务感兴趣，很快就会掌握相关的知识。如果你面试的是另一个行业的数据科学家，请确保他对其所从事的行业感兴趣，而且具备解决问题的能力。

当然，这个技能结构对有志成为数据科学家的人才来说，是一种参考。任何人都很难同时在这五个方向都出类拔萃。通用电气公司全球研究中心的分析学技术的负责人格拉伯是这样说的：“在通用电气公司，我们发现具备 2～3 个领域的专业技能的数据科学家是最有成效的”。你要做的，是在一支团队中找到自己的位置，发挥自己的创造性，并且不断学习。

本文摘自《数据化转型》

作者：托马斯·H·达文波特

这篇文章是俺2009年在博客里写的多变量分析方法介绍之一，今天在微信公号分享！

综合排名问题是一个多变量分析技术！

近一时期排名非常时髦，形成了排名经济，比如：胡润富人排行榜，财富500强，慈善排名，城市竞争力排行，MBA商学院排名，大学排行榜等等！最近刚刚完成广播电视节目综合评估体系客体评估项目，其中也涉及到电视节目的综合评估问题，特别是综合排名问题。大部分情况下综合评价问题都会涉及到排名，多指标排名问题。

记住：市场研究或作研究的人从来不排名，只是做研究往往需要排名！

综合排名是一项系统综合评估研究方法，焦点是如何科学、客观地将一个多维度、多评价指标问题综合成为一个单指标形式，利用产生的综合评价指数进行排名和评价。

综合排名的的形成需要研究人员对评价对象进行大量基础性数据分析基础上，并依据专业知识和评价方法的认识，确定评估指标体系，对每个评价指标在综合评价体系中的重要程度进行测算。研究人员需根据各指标的重要性确定了权重，据此对每项不同测量尺度指标进行修正后加权并标准化无量纲，最终采用多元统计分析方法对评价指标进行了系统最佳综合，形成最终综合评价。

主要包括以下几个方面：

综合评估问题涉及面比较广，下面我们仅仅就综合排名问题讲讲，我们采用大学研究生排行榜的数据进行综合排名！我收集了某年的大学研究生排行榜，因为显示的问题我仅仅截取了前20名，

人民大学

提到了前面进入第20名！（数据源已经记不清楚出处了）

从上面我们可以看到：20家大学研究生院的综合排名情况，最左边一列是最初的排名，这个排名名次是按照六个指标得到了，六个指标分别是：

我这里并不关心这六个指标如何获得，和数据准确性问题，我们只关心应该如何在现有指标下进行综合排名问题！

当然，大家要关注这六个指标的测量尺度，取值范围，量纲的大小等，你将来总不希望把吨和克进行相加吧！

方法一：等权重求和法 T1

我们先来看看，把现在六个指标求和，得到T1=P1+P2+P3+P4+P5+P6，然后按T1降序排名；

看到了吗？该排行榜的发布就是用的加法，最简单的方法！

从数据看以看出，指标P6与其它指标单位差异较大，简单相加有缺陷，但是这种方法是大家最常用的，比如：高考录取分数就是各门考试成绩加总，得到总成绩（

高考成绩

），根据录取人数取得分位点，然后确定录取分数线，并排名从高到底录取；当然硕士研究生录取也是这种方法！

为什么要用这种方法呢？如果用复杂多变量方法，得到总指标排名，估计家长们或学生都要疯了，都不知道自己如何能够被录取，

算法

不懂，怎么被录取！显然，其它方法是不能采用的，这是最好的可执行方案！

方法二：主观加权求和法 T2

但是，录取单位总是想能不能把偏科的人录取，比如我看重数学、物理，这两个指标应该权重更大些，比如我们假设考了6门课，我们根据经验、主观判断、领导指示或专家评估最终确定：30:25:20:15:10:5的权重！

再次计算；T2=p1 * 0.30 + p2 * 0.25 + p3 * 0.20 + p4 * 0.15 + p5 * 0.10 + p6 * 0.05

我们按照T2降序排列，看一下排名，基本次序是一致的，只是在15名附近发生一点改变！

如果按照这种方式排名，首先所有指标应该在同一个量纲上，经常是在指标都是在100分制下，并且权重最好合计为1，最终得到的排名总分也是同样量纲和尺度！

这种情况最适合综合评价方式，加权平均啦！当然如何确定权重就成为关注的要点，科学性、合理性都需要明确！大部分综合评估方法在最后都是采用这种排名方法！

方法三：秩综合排名法 T3

什么是秩，秩序就是求次序！所有我们可以计算每个指标的秩，然后根据秩的大小进行求和！

从

SPSS软件

可以选择个案排秩，指定最大值=1，我们可以得到六个指标的秩指标次序！我们采用简单加法求和和排名，看看结果如何？

计算 T3=Rp1 + Rp2 + Rp3 + Rp4 + Rp5 + Rp6，按照T3升序排列！

从T3升序排列看，这时候大致排名与原始没有发生颠覆性变化，只是在前后名次上有了一定改变！

这种方法也是一种排名方法，经常用在比如

世界杯

最佳阵容或最佳球队评选上，假如有六个记者或专家给所有球队或球员选出最佳阵容或球队时，往往比较可操作的方法是让所有评价者给评价对象打分或者排名，排名更好操作，然后求和！

注意：往往评价者只会评出他最熟悉的，可能会产生缺省值问题，所以要根据每个评价者的情况和缺失情况进行缺省值处理！然后进行求和！

方法四：主成分排名法 T4

这种方法就是多变量分析技术了，

主成分分析

方法经常用来进行综合评估和排名！有关主成分分析技术的相关内容我将在主成分分析专题讲，这里还是关注如何进行排名！

主成分分析是根据指标和数据得到第一主成分，并根据第一主成分得分进行排名的方法！因为，第一主成分往往是凝聚了所有变量的最大变差，也就是解释了6个指标的最大差异（解释度），或者说最大综合成分，排名就是找差异吗？据此排名！

SPSS软件

没有专门命名主成分分析，是与因子分析整合的，在选择因子分析后，只要不进行旋转，就可以得到

主成分分析

结果，记住把得分保存下来，我们可以要求保存所有主成分，六个指标得到六个主成分，但我们只要保存前两个就可以了！

从主成分可以看出：第一主成分解释了6个指标变差的72.409%，把保存的第一主成分按降序排列，我们看一下排名情况；

从排名顺序我们看到，这种方法与方法二加权排名几乎一样，当然与简单求和也基本一致！这说明，这种方法是能够得到理想的综合排名的！（理论上说，如果排名对象差异很大，不同方法得当的结果基本一致！）

同时，你可以看到，成分得分

系数矩阵

的第一主成分列，实际上就是基于数据驱动的权重啦，所以这种方法不需要事先得到主观权重，完全数据驱动！但是，得到的只是排名，具体的排名得分没有实际意义了，如果你希望得到排名的得分具有实际意义，显然该方法会把人搞糊涂！但是我们也可以把主成分得分进行数值变化或映射，得到指数或什么规范得分！

说明：你也可以按照第二主成分进行排名，但这个时候完全不同了！

这里我们可以得到另外一种收获，就是可以按照第一主成分和第二主成分进行散点图分析，得到直观分析！

你会看这种图吗？

方法五：主成分综合加权法 T5

我们从上面一种排名方法看到，虽然按照第一主成分进行了排名，但第二主成分也解释了21.894%，如果综合将可以解释数据的94.303%；（学术研究有时候更追求高解释度），好了，现在我们可以按照主成分的解释度作为权重，把两个主成分进行加权求和！

计算：T5=FAC1_1 * 72.409 + FAC2_1 * 21.894

我们看看排名情况：

对照着第一列的原始排名，这时候排名结果发生了改变，特别是

人民大学

前进了几名！

这时候，我们要看看排名的指标对排名的意义和影响了，我们可以分析看出，6个评价排名指标实际上主要是两个维度，简单说就是自然科学和社会科学维度，前面四种排名方法基本上权重都在自然科学维度上，第五种方法考虑了社会科学维度！

我们看一下因子分析结果，采用最大方差旋转！

显然，第一因子我们命名为：自然科学，第二因子命名：社会科学

所以，我说我们学校总是不能进入排行榜呢？原来所谓的排行榜就是看自然科学（工科类）的排名啊！哈哈！

针对我们文科和艺术类学校，只能垫底啦！下次我要是排名，一定想法用复杂的排名技术，把我们学校排进去，相信我能做到这一点！或者咱们来个分类排名，反正咱有技术！开玩笑啦！

记住一点：方法五在采用的时候一定格外小心，因为主成分是正交的，不同方向能否综合要记住，也就是数值越大越表示好，也就是两个指标具有数值同向，才有可能满足线性可加性！不行还是方法四比较妥当！

方法六：乘法原则

在指标同是正向，我们也可以将各个指标相乘，值越大排名考前！乘法原则主要用在：一票否决，或某些指标是另一个指标的修正因子！

方法七：其它方法

你还可以采用部分乘法原则与加法原则综合法，也可以因子得分进行排名，因子得分加权排名，所有主成分或因子加权排名等等！

排名方法大致就介绍到这里了，我的工作也就完成了！

至于排行榜的发布，商业的、行政的、领导的、媒体的、企业的各种因素都会最终影响排名和结果的发布~！到底最后怎么发布也有学问，大家好好学吧！

加法原则：取长补短，互有补充！

乘法原则：一损俱损，不可或缺！

上面的排名还没有考虑指标的标准化问题，以及如何标准化：插值法，最大值最小值法，理想点法等等！

排名是技术，发布是艺术！

沈浩老师

——————

中国传媒大学新闻学院教授、博士生导师

中国传媒大学调查统计研究所所长

大数据挖掘与社会计算实验室主任

中国市场研究行业协会会长

欢迎关注沈浩老师的微信公共号

_2001

数艺智训

DAtraining

欢迎关注：灵动数艺

——数艺智训

数据艺术家

TableauHome

浅论统计学在市场营销中的运用

当今社会中多数企业为了能够更好地促进市场营销效果，将本企业或者本行业几个月或者几个季度以及几年内的市场营销数据，通过数据加载分析来评估当前市场形势以及以后的发展趋势，而对数据的分析现代企业运用最多的手段就是统计学，统计学中的数理统计、多元统计分析，抽样调查都为企业的数据分析提供了最科学和可靠的方法。通过市场营销管理中统计学理论及方法的运用，为企业市场营销管理工作奠定基础、为企业的市场营销工作提供准确详实的市场信息。针对市场营销管理中对统计学应用的需求，现代企业市场营销管理中应加强对统计学理论及内容的关注。运用统计学方法解决企业营销管理中的实际问题，提高企业综合市场竞争力。 　

　一、数据进行统计分析特点和管理方法 　　数理统计中统计分析的特征是定量和定性分析进行结合；把处理的数据作为依据，以统计的数据作为结果；分析方法具有特殊性；分析的范围具有广泛性。要紧紧依靠这些统计数据的特点，同时，充分把握好企业市场营销这一行业的特殊性，才能真正做好市场营销统计学分析的工作。正常来讲，企业市场营销管理的步骤可分为：分析市场所具备的机会、选择合适的目标市场、确立正确的营销组合策略、市场营销的决策和决策的实施与控制。这四个步骤与相应的统计学分析方法相配合，才能更好地为企业赢得更多的市场机遇，同时使企业的市场竞争力不断提升。 　　二、市场营销中的统计学分析方法 　　针对所属行业销售特点选择统计学方法的应用。针对不同行业的销售特点，企业市场营销管理中的统计学应用也存在着差异。根据行业销售特点，统计学方法的运用也有着一定的规律。在饮料、日用化工等快消品的销售收集整理中，描述统计、推断统计、顺序变量等方法的应用能够为快消品行业的市场营销管理提供翔实准确的市场信息，为快消品企业的市场营销策划方案提供科学的数据。通过统计学方法的运用使企业的快消品营销策划工作更加符合市场规律、符合市场销售特点，进而满足现代快消品企业销售目标需求、满足市场销售需求。 　　在现代社会里，企业如果要获得长远的竞争优势，一定离不开目标群体的满意度和支持度。目标群体，一般就是指顾客，当他们的需求被满足之后会产生心理的愉悦感。从统计学来分析，这个满意度就是指顾客的期望值与实际感知效果之间的差异函数，如果顾客实际感知的效果小于期望值，顾客就不会感到满意，反之，就会表现出满足。通常，顾客过去的购买经历，竞争者与销售者对自身产品的宣传与承诺，身边朋友的评论等，都会影响到顾客的期望值。因此，企业非常有必要通过统计学，对顾客满意度进行分析、测量，给企业的营销和决策提供更加可靠的依据。

　三、以数据为依托分析当前市场状况 　　通过对统计学知识的运用，以当近期市场的数据反馈为依托，对当前的市场行情进行分析与比对。在当今市场经济的营销管理中，对市场的动态信息进行科学合理的分析，能够帮助企业的决策者们及时修改营销方案，满足市场变化对企业营销管理的需求。这一现状要求企业的市场营销管理部门能够及时掌握市场动态，运用統计学知识及统计学理论中的调研、整理、分子技巧为企业的市场营销管理工作提供准去的市场信息，确保企业市场营销管理工作能够符合市场销售的实际需求。针对现代企业市场营销现状及营销管理工作的需求，现代企业的市场营销管理工作中应强化对市场销售信息的收集与整理。利用统计学原理及要知道市场销售信息收集与管理工作，以此使企业的市场营销信息收集、整理、分析以及方案制定在统计学理论指导下得到有效开展，满足现代市场经济发展过程中企业的营销管理需求。

四、从市场的定价角度看统计分析的重要性 　　通常来说，企业的市场定价会受到多种因素的综合影响。成本导向、需求导向、竞争导向是企业市场定价的三种方法，这三种方法都是对于企业自身在市场上的竞争力而言，是企业为了让自己的产品或服务在如今激烈的市场竞争中更好的定位，赢得更多更大的市场份额而制定出的价格策略。这种定价策略要分析人为订立的利润与企业成本之间的比例，要充分研究竞争对手等各方面的定价因素，并认真分析消费者的有效需求，以寻求各个价格变量之间存在的近似的线性关系，从而准确进行营销策划。因子分析方法是市场定价中的统计学分析较多采用一种方法，根据几个不同因子的比较而获得多个值，并对这些值进行平均值的计算，从而确定产品的基准价格。本质上看，就是把统计模型的运算和决策问题运用到市场定价问题中，不同利润下的标准差和期望值制定出不同的市场定价方案。所以，在市场定价中准确的统计决策模型，不仅有利于提高资金周转速度，节约企业成本，还有利于提高企业的市场竞争力。在现代企业市场营销管理工作中，科学的市场调研是掌握市场动态、保障市场销售信息有效传达的关键。因此，在企业的市场营销管理工作中，应科学运用统计学调研方法对企业所属行业市场信息进行收集与整理。以基础数据、变量、统计逻辑学、管理统计学等内容及基础，对销售人员的调研信息进行统计与分析，对信息的科学性进行甄别。以翔实准确为中心进行市场信息的收集与调研、以科学性为重点进行信息的统计与分析，以此保障现代企业市场营销管理方案制定基础满足市场需求。统计学分析方法在市场调查过程中，无论是最初的信息收集阶段，还是信息处理阶段的分析过程和数据辨别，都发挥着无可辩驳的关键作用。在我们当前的市场经济活动中，要重视以人为本的管理方法，大力地强调定性向定量的方向发展，这一切都会涉及统计学方法。国家在进行经济调控时，也往往会使用到统计表格来表示一系列经济收支的情况，以便在宏观上对未来的经济投入比例进行相应的调整。 　　总之，企业要想得到最优化的市场营销方案，必须通过统计手段对市场的全面、科学分析才能获得，科学合理的统计分析，可以随时灵活地更改营销方案。