统计数据分析什么叫数据分析啊

常见的数据统计方法有什么？

常见的数据统计方法有：表格、折线统计图、条形统计图、扇形统计图。

举一个例子来具体分说明一下，比如说：我在淘宝开了个童装店，为了方便统计每半个月的销售额，现在用以上这四种统计方法来演示一下。

1.表格就是通过画格子的方式来统计数据，在这里可以画三行横线，得到两条细长的格子，再把这两行均匀的分为15个上下格子。

横一为日期，横二为销售额，半个月下来都填进去就一目了然。

2.折线是通过画点，把15天的销售额都连成一条折线，通过上下起伏来看波动的数据。

先画一“L”形，横线作日期，竖线作销售额，销售额可以自己写一个数，一直往上数与数之间相差一样。

均匀的把横竖线分为15份，每个日期对应多少销售额，就在“L”的半框里，以对应的日期和销售画横线和竖线，交叉的位置取一点。

然后每天如此，再用直线连接这15个点，就能清楚的看到这半个月哪一天销售最好，哪一天销售垫底。

3.条形统计图作出的是条状的数据统计图，和折线统计图一样，画“L”，横为日期竖为销售额。

只不过这里不画点点，画倒立的长方形，然后通过高高低低的条形图来分析半个月的销售额。

4.扇形统计图就是把一个圆形，平均分为15份，一个月下来把所有的日销售额加起来，用当天的数据除以总数，乘以百分数。

每一分里写上日期和当天销售额占总数的百分比，用这个百分数来统计半个月的数据。

每个图的做法都不一样，但表达的意思都是同样的，这就是日常生活中最常见的几种数据统计。

常用的数据分析方法有哪些？

一、掌握基础、更新知识。

基本技术怎么强调都不过分。

这里的术更多是（计算机、统计知识）， 多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。

数据库查询—SQL 数据分析师在计算机的层面的技能要求较低，主要是会SQL，因为这里解决一个数据提取的问题。

有机会可以去逛逛一些专业的数据论坛，学习一些SQL技巧、新的函数，对你工作效率的提高是很有帮助的。

统计知识与数据挖掘 你要掌握基础的、成熟的数据建模方法、数据挖掘方法。

例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。

但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？ 行业知识 如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。

是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。

一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。

例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业， 在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于A部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题： 对于A部门， 1、新会员的统计口径是什么。

第一次在使用A部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？ 2、是如何统计出来的。

A：时间；是通过创建时间，还是业务完成时间。

B：业务场景。

是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。

3、这个数据是在哪个环节统计出来。

在注册环节，在下单环节，在成功支付环节。

4、这个数据代表着什么。

10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？ 在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写SQL代码从数据库取出数据）。

后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？ 对于新进入数据行业或者刚进入数据行业的朋友来说： 行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。

我非常同意。

因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？ 但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写SQL，那麻烦就大了。

哈哈。

。

你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。

新同学，还是好好花时间把基础技能学好。

因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。

不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。

以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。

二、要有三心。

1、细心。

2、耐心。

3、静心。

数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。

而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。

三、形成自己结构化的思维。

数据分析师一定要严谨。

而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。

但是我推荐你用mindmanagement，首先把你的整个思路整理出来，然后根据分析不断深入、得到的信息不断增加的情况下去完善你的结构，慢慢你会形成一套自己的思想。

当然有空的时候去看看《麦肯锡思维》、结构化逻辑思维训练的书也不错。

在我以为多看看你身边更资深同事的报告，多问问他们是怎么去考虑这个问题的，别人的思想是怎么样的？他是怎么构建整个分析体系的。

四、业务、行业、商业知识。

当你掌握好前面的基本知识和一些技巧性东西的时候，你应该在业务、行业、商业知识的学习与积累上了。

这个放在最后，不是不重要，而且非常重要，如果前面三点是决定你能否进入这个行业，那么这则是你进入这个行业后，能否成功的最根本的因素。

数据与具体行业知识的关系，比作池塘中鱼与水的关系一点都不过分，数据（鱼）离开了行业、业务背景（水）是死的，是不可能是“活”。

而没有“鱼”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。

如何提高业务知识，特别是没有相关背景的同学。

很简单，我总结了几点： 1、多向业务部门的同事请教，多沟通。

多向他们请教，数据分析师与业务部门没有利益冲突，而更向是共生体，所以如果你态度好，相信业务部门的同事也很愿意把他们知道的告诉你。

2、永远不要忘记了google大神，定制一些行业的关键字，每天都先看看定制的邮件。

3、每天有空去浏览行业相关的网站。

看看行业都发生了什么，主要竞争对手或者相关行业都发展什么大事，把这些大事与你公司的业务，数据结合起来。

4、有机会走向一线，多向一线的客户沟通，这才是最根本的。

标题写着告诫，其实谈不上，更多我自己的一些心得的总结。

希望对新进的朋友有帮助，数据分析行业绝对是一个朝阳行业，特别是互联网的不断发展，一个不谈数据的公司根本不叫互联网公司，数据分析师已经成为一个互联网公司必备的职位了。

什么叫数据分析啊

数据分析（Data Analysis）

数据分析概念 　　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。

　　数据分析与数据挖掘密切相关，但数据挖掘往往倾向于关注较大型的数据集，较少侧重于推理，且常常采用的是最初为另外一种不同目的而采集的数据。

数据分析的目的与意义 　　数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。

　　在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。

这一过程是质量管理体系的支持过程。

在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。

例如J.开普勒通过分析行星角位置的观测数据，找出了行星运动规律。

又如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。

因此数据分析有极广泛的应用范围。

数据分析的功能 数据分析主要包含下面几个功能： 　　1. 简单数学运算（Simple Math） 　　2. 统计（Statistics） 　　3. 快速傅里叶变换（FFT） 　　4. 平滑和滤波（Smoothing and Filtering） 　　5. 基线和峰值分析(Baseline and Peak Analysis) 数据分析的类型 　　在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。

　　探索性数据分析：是指为了形成值得假设的检验而对数据进行分析的一种方法，是对传统统计学假设检验手段的补充。

该方法由美国著名统计学家约翰·图基(John Tukey)命名。

　　定性数据分析：又称为“定性资料分析”、“定性研究”或者“质性研究资料分析”，是指对诸如词语、照片、观察结果之类的非数值型数据（或者说资料）的分析。

数据分析步骤 　　数据分析有极广泛的应用范围。

典型的数据分析可能包含以下三个步： 　　1、探索性数据分析，当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。

　　2、模型选定分析，在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。

　　3、推断分析，通常使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。

数据分析过程实施 　　数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。

　　一、识别信息需求 　　识别信息需求是确保数据分析过程有效性的首要条件，可以为收集数据、分析数据提供清晰的目标。

识别信息需求是管理者的职责管理者应根据决策和过程控制的需求，提出对信息的需求。

就过程控制而言，管理者应识别需求要利用那些信息支持评审过程输入、过程输出、资源配置的合理性、过程活动的优化方案和过程异常变异的发现。

　　二、收集数据 　　有目的的收集数据，是确保数据分析过程有效的基础。

组织需要对收集数据的内容、渠道、方法进行策划。

策划时应考虑： 　　① 将识别的需求转化为具体的要求，如评价供方时，需要收集的数据可能包括其过程能力、测量系统不确定度等相关数据； 　　② 明确由谁在何时何处，通过何种渠道和方法收集数据； 　　③ 记录表应便于使用； 　　④ 采取有效措施，防止数据丢失和虚假数据对系统的干扰。

　　三、分析数据 　　分析数据是将收集的数据通过加工、整理和分析、使其转化为信息，通常用方法有： 　　老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图； 　　新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图； 　　四、数据分析过程的改进 　　数据分析是质量管理体系的基础。

组织的管理者应在适当时，通过对以下问题的分析，评估其有效性： 　　① 提供决策的信息是否充分、可信，是否存在因信息不足、失准、滞后而导致决策失误的问题； 　　② 信息对持续改进质量管理体系、过程、产品所发挥的作用是否与期望值一致，是否在产品实现过程中有效运用数据分析； 　　③ 收集数据的目的是否明确，收集的数据是否真实和充分，信息渠道是否畅通； 　　④ 数据分析方法是否合理，是否将风险控制在可接受的范围； 　　⑤ 数据分析所需资源是否得到保障。