1、互联网数据分析的基本思路
找出问题→分析问题→解决问题
2、不同类型数据分析方法及原理
（1）描述性分析
通过计算数据的集中性特征和波动性特征以了解数据的基本情况。
-
数值分析：数量、平均数、极差、标准差、方差、极值
-
分布规律：均匀分布、正态分布、长尾分布
-
可视化方法：柱状图、条形图、散点图、饼状图……
（2）诊断性分析
深入挖掘问题根源，识别依赖关系，找出影响因子。 -
关联分析
热力图
正相关、零相关、负相关
-
相关系数
皮尔逊相关系数（只适用于线性关联）：
（3）预测性分析
使用线性回归或逻辑回归的方法找到自变量与因变量之间的关系，并使用该关系等式预测因变量的变化。
-
线性回归
①估算系数（最小二乘法）
②评估模型的准确性—— R 2 ? R^{2}\, R2
R 2 ? R^{2}\, R2含义：Y中出现的变化可以被X解释的比例。
例如：
F：远大于0，表明系数不为0，Y与自变量一定有关联。F用于检验总体自变量与因变量之间的关系。 F不为0说明有系数不为0 。
t=0表示单个自变量与因变量间没有关系。
t值越大，P值越接近0时，越显著，系数越有效。 -
逻辑回归
因变量的取值范围由线性回归的[?∞,+∞]转变为[0,1]。
①极大似然估计
已知某些观测所得到的结果时，对观测结果所属的概率分布参数进行估值。
②估算系数与多元逻辑回归
使用似然函数的数学公式估算参数：
多元逻辑回归模型：
（4）仿真模拟
利用数学仿真来模拟各种条件下产生的结果。
3、不同类型的数据分析方法的Excel实践（2016）
（1）描述性分析
- 数值分析
平均数AVERAGE
最大值MAX
最小值MIN
标准差STDEV.P
极差MAX-MIN - 直方图
选中两列数据→插入→推荐的图表→所有的图表→直方图（第二个排列图）
可用于二八分布（帕累托分析）:20%的地区占80%的市场。 - 折线图
选中数据→插入→推荐的图表→所有的图表→折线图（右键可添加趋势线、数据标签等） - 气泡图
选中三个维度的数据→插入→推荐的图表→所有的图表→XY散点图（倒数第二个，气泡图）
可通过增加颜色，展现4个维度的数据。
（2）诊断性分析 - 关联分析
PEARSON、CORREL
大于0表明存在正相关关系 - 线性回归
数据→数据分析→回归→确定→Y值列、X值列选定（包含变量名）、勾选标志→确定
<注意先看P值是否显著，是否有效> - 仿真模拟
利用随机数
4、数据可视化的基本原则
（1）图表类型选择
- 柱状图——比较数据大小
- 散点图——表示数据关系
- 气泡图——观察多指标间的关系
- 折线图——观察时间序列数据（可添加趋势线预测未来趋势）
- 雷达图——展现多维数据
- 漏斗图——分析数据转化（广告分析、流量分析）
（2）坐标轴、颜色、图表细节优化 - 坐标轴范围要包含数据本身
- 使用红色标注强调内容
- 刻度线、数据标签等细节优化
（3）数据维度展现 - 一维数据
一维数据指的是只有单一属性的数据，比如客单价、销量、销售额等，一维数据一般单纯用在数值比较和趋势分析上，优点是直观简洁，缺点是信息量有限。
- 二维数据
二维数据指的是拥有两个属性的数据，比如地区+订单量，时间+订单额等，二维数据很多被用在比较和分析两种不同属性的关联度上，优点是组合方式多、使用面广，缺点是无论怎么组合分析，都会产生信息遗漏。
- 三维数据
三维数据指的是拥有三个属性的数据，比如四象限分析法，三维数据是用于分析多属性对象的，优点是信息量大、结论清晰，缺点是对于细节仍无法面面俱到。<基本判断，逻辑分析>
- 多维数据
多维数据指的是拥有多个属性的数据，比如添加颜色属性后的四象限分析法，多维数据可以用于分析任何复杂的运营问题，优点是信息完整面面俱到，缺点是数据分析手段复杂，需要较高的数据分析能力。