高手_常用的幾個數(shù)據(jù)分析方法！

干貨分享

原創(chuàng)2020-10-21小艾老師

我們說數(shù)據(jù)分析要有目的進行分析，實際上我們在平常的工作中，沒有學過數(shù)據(jù)分析也能靠直覺推斷出一些數(shù)據(jù)產(chǎn)生的原因。那么為什么還要進行數(shù)據(jù)分析的學習呢？也就是說，數(shù)據(jù)分析，到底在學什么？

其實我認為如果是在初創(chuàng)團隊中，確實無需使用太專業(yè)的數(shù)據(jù)分析方法，因為往往數(shù)據(jù)不足。但是，如果你掌握了數(shù)據(jù)分析的方法，就能夠在產(chǎn)品的初期設(shè)計合理的埋點，要知道現(xiàn)在很多產(chǎn)品在早期是沒有這個意識的，于是等產(chǎn)品成熟了再去做這件事是極其痛苦的。所以也才催生了類如諸葛IO這樣的“無埋點”數(shù)據(jù)分析的產(chǎn)品?！盁o埋點”只能收集到很淺層次的數(shù)據(jù)，如點擊數(shù)據(jù)，IP/PV等，業(yè)務(wù)層面就無法統(tǒng)計。而且存在著不穩(wěn)定性，從技術(shù)上講就是說如果用戶使用了一些奇奇怪怪的瀏覽器（例如低版本的IE）的話，很可能無埋點的代碼就無法運行，造成原始數(shù)據(jù)的偏差。

回到數(shù)據(jù)分析，我們能夠：

培養(yǎng)數(shù)據(jù)意識，提升產(chǎn)品規(guī)劃能力。
培養(yǎng)數(shù)據(jù)敏感性，提高洞察力。
能夠數(shù)據(jù)中發(fā)現(xiàn)不容易通過直覺發(fā)現(xiàn)的足絲馬跡，發(fā)現(xiàn)潛在的可能。
掌握一門通用的硬技能，輔助需求挖掘、業(yè)務(wù)分析。
等等
接下來我們進入正題：數(shù)據(jù)分析的方法論。

本篇文章將就此展開談?wù)勥@三種數(shù)據(jù)分析方法論（方法論沒有好壞高低之分，只有合適的。根據(jù)業(yè)務(wù)場景來選擇合適的分析方法。一定要以目標為導向，并不是手法越高級就越好。能用簡單分析的就不需要使用大數(shù)據(jù)挖掘。）

一、描述性數(shù)據(jù)分析方法

描述性數(shù)據(jù)分析可以用一言蔽之”一句話描述數(shù)據(jù)“。我們平時說的，這個月的平均訪問量是多少，環(huán)比增長了多少。用戶平均付費是多少，中位數(shù)是多少，眾位數(shù)是多少，四分位數(shù)是多少都屬于描述性統(tǒng)計分析。描述數(shù)據(jù)的集中趨勢還可以用方差、標準差。用一個指標，一句話概括數(shù)據(jù)特點。描述數(shù)據(jù)之間的簡單關(guān)系可以用相關(guān)性分析，如轉(zhuǎn)化率和用戶停留時間的正相關(guān)的（距離，以實際為準。一般也是這樣。）這邊大家都比較熟悉，不過多介紹。

二、數(shù)理統(tǒng)計分析方法

數(shù)理統(tǒng)計涉及較多的數(shù)學知識，但是其實常用的也就是概率論和微積分，本科的知識稍微復習一下還是容易掌握的。微積分只需要用到一元積分，用于計算概率分布。統(tǒng)計學中有許許多多的內(nèi)容，在數(shù)據(jù)分析中，并不是所有都需要掌握。因為我們不是在做實驗室里科學實驗的數(shù)據(jù)分析。

1.方差分析

方差分析，又稱為F檢驗。作用是研究因素對于數(shù)值型變量的影響。例如想要知道某次改版對于轉(zhuǎn)化率是否有顯著影響，可能從宏觀上看增長的數(shù)值不大，看不大出來影響有多大，這時候就可以用方差分析做對于改版這個因素的單因素方差分析。

2.回歸分析

回歸分析比較好理解，簡單的說就是尋找到一個函數(shù)來擬合自變量和因變量的關(guān)系。例如想要做一次活動，假設(shè)優(yōu)惠的價格x，銷售額為y。這兩者之間可能存在y=x+1（純舉例）這樣的函數(shù)關(guān)系式。回歸分析就是要找出這樣的函數(shù)關(guān)系，來指導活動的運營，提升ROI。

3.因子分析

因子分析即從大量的變量中尋找共性因子的統(tǒng)計方法，因子表現(xiàn)為一種表征，通常是多個變量的集合。因子分析可以簡化數(shù)據(jù)，所以是一種降維的方式。常用的因子分析方法有重心法、_小平方法、_大似然法等。

三、數(shù)據(jù)挖掘分析方法

數(shù)據(jù)挖掘源于統(tǒng)計機器學習，還有人工智能的方法。之前寫過的人工智能相關(guān)的文章中有提到，AI=數(shù)據(jù)+算法=模型。數(shù)據(jù)挖掘也就是利用算法從數(shù)據(jù)中尋找規(guī)律。因為我們并不能總是能用常見的函數(shù)去擬合所有的規(guī)律，而太復雜的規(guī)律通過人工根本就是無法進行計算的。那么機器學習就可以做到。機器學習的原理其實就是定義一個損失函數(shù)，可以把損失函數(shù)簡單理解為錯誤率。然后枚舉所有的情況，找到錯誤率_低的模型。用在數(shù)據(jù)挖掘中，我們可以用到的機器學習算法一般有：

1.聚類分析

俗話說，物以類聚。聚類分析是一種探索性的分析方法，由機器無監(jiān)督地將樣本數(shù)據(jù)進行分類，再觀察其特征，從而幫助發(fā)現(xiàn)潛在的共性。聚類分析的方式也有很多，用不同方式進行的聚類分析結(jié)果也不盡相同。

2.分類

分類應(yīng)該是機器學習、人工智能中應(yīng)用_廣泛的了。例如NLP中的情感分析、文章分類，CV中的醫(yī)療影像診斷，物品識別等等。又扯遠了，回到數(shù)據(jù)分析，常用于數(shù)據(jù)挖掘的分類算法有：

（1）決策樹

決策樹直觀上的理解就是從樣本建立分支規(guī)則。舉個簡單的例子，同事A有時候遲到有時候不遲到，你觀察到如果下雨了。A就遲到。如果沒有下雨，A就不遲到。主管只有在周一和周三在，如果主管在A就要挨罵了。那么用決策樹來預(yù)測A是否會挨罵（以上例子純屬YY）就是：

能夠構(gòu)造這樣的決策數(shù)據(jù)的常用算法有C4.5、CART、CHAID、ID3等。

決策時擅長處理離散數(shù)據(jù)，并可以直觀出其中的關(guān)鍵變量。決策樹生成的規(guī)則也容易被人所理解。接下去要講的神經(jīng)網(wǎng)絡(luò)就不是人可以理解的了。

（2）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是個黑箱模型，神經(jīng)網(wǎng)絡(luò)是類似于大腦神經(jīng)突觸連接的形式，僅僅是類似，不能把它理解得過于玄乎，本質(zhì)上和腦神經(jīng)的運作方式是相差很大的。人工神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、隱藏層。其中隱藏層就是就是對輸入層的輸入進行各種加權(quán)互聯(lián)，_終得出_逼近訓練集的結(jié)果。理論上可以逼近任何非線性的關(guān)系。能夠充分考慮到數(shù)據(jù)的各種特征。

（3）貝葉斯分類器

是否還記得貝葉斯公式

只要知道P（Y）、P（X）、P（X|Y）就能知道P（Y|X）的值了。前3個值可以通過歷史數(shù)據(jù)得到先驗概率，在先驗概率的基礎(chǔ)上就能對新的事件（數(shù)據(jù)）進行后驗概率的計算。

（4）支持向量機

SVM，是機器學習的重大成果。SVM將非線性的數(shù)據(jù)將數(shù)據(jù)映射到一個高維空間，在新的維度上，搜索一個線性_佳超平面，兩類數(shù)據(jù)總是能夠被超平面分開。

（5）隨機森林

隨機森林有著較高的準確率，魯棒性也好。隨機森林運用bootstrap方法從原始樣本中抽取樣本，對每個樣本進行決策樹建模，然后將決策樹組合，對每個決策樹分類出來的結(jié)果進行一種投票統(tǒng)計，_終得出分類結(jié)果。這個方式很形象的被叫做隨機森林。