一些个人的工作经验，希望对后来人有帮助。首先总结下平时数据分析的一般步骤。

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。

结合实际业务来做数据分析

“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。