数据分析的概念

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。

数据分析的方法

第一步：数据准备：（70%时间）
• 获取数据（爬虫，数据仓库）
• 验证数据
• 数据清理（缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集）
• 使用python进行文件读取csv或者txt便于操作数据文件（I/O和文件串的处理，逗号分隔）
• 抽样（大数据时。关键是随机）
• 存储和归档

第二步：数据观察（发现规律和隐藏的关联）
• 单一变量：点图、抖动图；直方图、核密度估计；累计分布函数
• 两个变量：散点图、LOESS平滑、残差分析、对数图、倾斜
• 多个变量：假色图、马赛克图、平行左边图

第三步：数据建模
• 推算和估算（均衡可行性和成本消耗）
• 缩放参数模型（缩放维度优化问题）
• 建立概率模型（二项、高斯、幂律、几何、泊松分布与已知模型对比）

第四步：数据挖掘

• 选择合适的机器学习算法（蒙特卡洛模拟，相似度计算，主成分分析）
• 大数据考虑用Map/Reduce
• 得出结论，绘制最后图表

循环到第二步到第四步，进行数据分析，根据图表得出结论完成文章。

 业务分析版

“无尺度网络模型”的作者艾伯特-拉斯洛•巴拉巴西认为——人类93%的行为是可以预测的。数据作为人类活动的痕迹，就像金矿等待发掘。但是首先你得明确自己的业务需求，数据才可能为你所用。
1. 数据为王，业务是核心
• 了解整个产业链的结构
• 制定好业务的发展规划
• 衡量的核心指标有哪些

有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

2. 思考指标现状，发现多维规律
• 熟悉产品框架，全面定义每个指标的运营现状
• 对比同行业指标，挖掘隐藏的提升空间
• 拆解关键指标，合理设置运营方法来观察效果
• 争对核心用户，单独进行产品用研与需求挖掘

发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察（数据可视化技术来呈现）。

3. 规律验证，经验总结
发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

P.S.数学建模能力对培养数感有一定的帮助

数据分析推荐书单

• 《Head First Data Analysis》：深入浅出数据分析
电子工业出版社的经典书目系列，从数据分析基本步骤开始、实验方法、最优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧一一讲到。图比较多，适合入门。

• 《Head First Statistics》：深入浅出统计学
推荐理由同上，适合入门者的经典教材。

• 《R in Action-Data Analysis and Graphics with R》：R语言实战
R是属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。这本书从实用的统计研究角度逐例分析R在数据处理、模型构建、以及图形操作上的由浅入深的结合，堪称经典。

• 《数据之魅-基于开源工具的数据分析》：数据之魅
作者是华盛顿大学理论物理学博士。这本书是数据分析的经典之一，包含大量的R语言模拟过程及结果展示，例举了很多数据分析实例和代码。

• 《数据挖掘-市场营销、销售与客户关系管理领域应用》：数据挖掘技术
作者是Data Miners的创办人，有二十多年的营销和客户关系管理结合数据挖掘的经验。详细介绍了作为一个数据挖掘团队需要的知识体系，包括数据库、SAS使用、统计学、机器学习、数据可视化、如何访问用户收集需求、如何写论文与沟通等等。有条件的建议看英文原版。

先把这些花时间啃啃，数据分析的理论部分就基本入门了，根据实际情况还需要结合你的业务需求来进行系统的学习。