数据分析方法五种的介绍

1. 数据分析方法五种的介绍

2. 数据分析方法5种，数据分析有什么方法

3. 数据分析方法

常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。
01） 分类分析比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。
02） 矩阵分析比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。
03） 漏斗分析比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。
04） 相关分析比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。
05） 逻辑树分析比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。
06） 趋势分析比如人才流失率过去12个月的变化趋势。
07）行为轨迹分析比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

4. 数据分析常用的4大分析方法

1. 描述型分析：发生了什么?
这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。
例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。
2. 诊断型分析：为什么会发生?
描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。
良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。
3. 预测型分析：可能发生什么?
预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。
预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。
4. 指令型分析：需要做什么?
数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。
关于数据分析常用的4大分析方法的内容，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

5. 数据分析的方法

见图

6. 数据分析的三大方法

数据分析的三大方法：分析搜索数据、分析统计数据、分析行为数据。
数据分析，是对用户行为的量化分析，它能够从痕迹倒推出行为，然后把一切用户的秘密都告诉你。数据分析的能力是当代互联网时代，每一个人都必须具备的能力。
第一个方法是分析搜索数据。用户有需求，他们第一时间，会上哪找答案呢？他们会上搜索引擎。用户的需求，会通过“搜索关键字”，清晰无比地摊在你面前。

第二个方法是分析统计数据。用户确实有需求，但到底多少用户有这个需求呢？这时，你就要分析统计数据了。比如，几乎每个人对买房都有需求。但房地产商，该在哪些城市重金拿地，哪些城市逐渐退出呢？
很多房地产商会看一个数据：城市的人口流入流出比。人口流入持续大于流出的，这个城市的购房需求在累积，应该投资；反之则在减少，应该谨慎。

第三个方法是分析行为数据。有限的研发经费，是投资买域名，开发PC网站，还是做基于H5页面的手机应用呢？这时，你就要分析用户的行为数据了。很多人都知道，2017年天猫双11的交易额达到了1682亿，但是很多人没有注意在屏幕上这个惊人的数字右下角。
有个小小的，同样惊人的数字，叫无线成交占比。这个数字在2014是45%，2015年68%，2016年82%，2017年达到了90%。也就是说，90%用户的行为，已经移到了手机上。根据对这个行为数据的分析，你的决定应该很明显了吧。

7. 数据分析的六种基本分析方法

数据分析的六种基本分析方法：
1、对比分析法 ：常用于对纵向的、横向的、最为突出的、计划与实际的等各种相关数据的。例如：今年与去年同期工资收入的增长情况、3月CPI环比增长情况等。


2、趋势分析法：常用于在一段时间周期内，通过分析数据运行的变化趋势（上升或下降），为未来的发展方向提供帮助。例如：用电量的季节性波动、股市的涨跌趋势等。


3、相关分析法：常用于分析两个或多个变量之间的性质以及相关程度。例如：气温与用电量的相关性、运动量大小与体重的相关性等。



4、回归分析法：常用于分析一个或多个自变量的变化对一个特定因变量的影响程度，从而确定其关系。例如：气温、用电设备、用电时长等因素对用电量数值大小的影响程度、工资收入的高低对生活消费支出大小的影响程度等。


5、描述性分析法：常用于对一组数据样本的各种特征进行分析，以便于描述样本的各种及其所代表的总体的特征。例如：本月日平均用电量、上海市工资收入中位数等。


6、结构分析法 ：常用于分析数据总体的内部特征、性质和变化规律等。例如：各部分用电量占总用电的比重、生活消费支出构成情况等。

8. 16种常用的数据分析方法汇总

一、描述统计
  
 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。
  
 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。
  
 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
  
 二、假设检验
  
 1、参数检验
  
 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验 。
  
 1）U验   使用条件：当样本含量n较大时，样本值符合正态分布
  
 2）T检验 使用条件：当样本含量n较小时，样本值符合正态分布
  
 A  单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别；
  
 B  配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；
  
 C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。
  
 2、非参数检验
  
 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
  
 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
  
 A 虽然是连续数据，但总体分布形态未知或者非正态；
  
 B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；
  
 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
  
 三、信度分析
  
 检査测量的可信度，例如调查问卷的真实性。
  
 分类：
  
 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度
  
 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。
  
 四、列联表分析
  
 用于分析离散变量或定型变量之间是否存在相关。
  
 对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。
  
 列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。
  
 五、相关分析
  
 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。
  
 1、单相关： 两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；
  
 2、复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；
  
 3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。
  
 六、方差分析
  
 使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
  
 分类
  
 1、单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系
  
 2、多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系
  
 3、多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系
  
 4、协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，使之影响了分祈结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法，
  
 七、回归分析
  
 分类：
  
 1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。
  
 2、多元线性回归分析
  
 使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布 。
  
 1）变呈筛选方式：选择最优回归方程的变里筛选法包括全横型法（CP法）、逐步回归法，向前引入法和向后剔除法
  
 2）横型诊断方法：
  
 A 残差检验： 观测值与估计值的差值要艰从正态分布
  
 B 强影响点判断：寻找方式一般分为标准误差法、Mahalanobis距离法
  
 C 共线性诊断：
  
 诊断方式：容忍度、方差扩大因子法(又称膨胀系数VIF)、特征根判定法、条件指针CI、方差比例
  
 处理方法：增加样本容量或选取另外的回归如主成分回归、岭回归等
  
 3、Logistic回归分析
  
 线性回归模型要求因变量是连续的正态分布变里，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况
  
 分类：
  
 Logistic回归模型有条件与非条件之分，条件Logistic回归模型和非条件Logistic回归模型的区别在于参数的估计是否用到了条件概率。
  
 4、其他回归方法 非线性回归、有序回归、Probit回归、加权回归等
  
 八、聚类分析
  
 样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量。
  
 1、性质分类：
  
 Q型聚类分析：对样本进行分类处理，又称样本聚类分祈 使用距离系数作为统计量衡量相似度，如欧式距离、极端距离、绝对距离等
  
 R型聚类分析：对指标进行分类处理，又称指标聚类分析 使用相似系数作为统计量衡量相似度，相关系数、列联系数等
  
 2、方法分类：
  
 1）系统聚类法： 适用于小样本的样本聚类或指标聚类，一般用系统聚类法来聚类指标，又称分层聚类
  
 2）逐步聚类法 ：适用于大样本的样本聚类
  
 3）其他聚类法 ：两步聚类、K均值聚类等
  
 九、判别分析
  
 1、判别分析：根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体
  
 2、与聚类分析区别
  
 1）聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本
  
 2）聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类
  
 3）聚类分析不需要分类的历史资料，而直接对样本进行分类；而判别分析需要分类历史资料去建立判别函数，然后才能对样本进行分类
  
 3、进行分类 ：
  
 1）Fisher判别分析法 ：
  
 以距离为判别准则来分类，即样本与哪个类的距离最短就分到哪一类， 适用于两类判别；
  
 以概率为判别准则来分类，即样本属于哪一类的概率最大就分到哪一类，适用于
  
 适用于多类判别。
  
 2）BAYES判别分析法 ：
  
 BAYES判别分析法比FISHER判别分析法更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；
  
 十、主成分分析
  
 将彼此梠关的一组指标变适转化为彼此独立的一组新的指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息 。
  
 十一、因子分析
  
 一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法
  
 与主成分分析比较：
  
 相同：都能够起到済理多个原始变量内在结构关系的作用
  
 不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法
  
 用途：
  
 1）减少分析变量个数
  
 2）通过对变量间相关关系探测，将原始变量进行分类
  
 十二、时间序列分析
  
 动态数据处理的统计方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题；时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。
  
 主要方法：移动平均滤波与指数平滑法、ARIMA横型、量ARIMA横型、ARIMAX模型、向呈自回归横型、ARCH族模型
  
 十三、生存分析
  
 用来研究生存时间的分布规律以及生存时间和相关因索之间关系的一种统计分析方法
  
 1、包含内容：
  
 1）描述生存过程，即研究生存时间的分布规律
  
 2）比较生存过程，即研究两组或多组生存时间的分布规律，并进行比较
  
 3）分析危险因素，即研究危险因素对生存过程的影响
  
 4）建立数学模型，即将生存时间与相关危险因素的依存关系用一个数学式子表示出来。
  
 2、方法：
  
 1）统计描述：包括求生存时间的分位数、中数生存期、平均数、生存函数的估计、判断生存时间的图示法，不对所分析的数据作出任何统计推断结论
  
 2）非参数检验：检验分组变量各水平所对应的生存曲线是否一致，对生存时间的分布没有要求，并且检验危险因素对生存时间的影响。
  
 A 乘积极限法（PL法）
  
 B 寿命表法(LT法)
  
 3）半参数横型回归分析：在特定的假设之下，建立生存时间随多个危险因素变化的回归方程，这种方法的代表是Cox比例风险回归分析法
  
 4）参数模型回归分析：已知生存时间服从特定的参数横型时，拟合相应的参数模型，更准确地分析确定变量之间的变化规律
  
 十四、典型相关分析
  
 相关分析一般分析两个变里之间的关系，而典型相关分析是分析两组变里（如3个学术能力指标与5个在校成绩表现指标）之间相关性的一种统计分析方法。
  
 典型相关分析的基本思想和主成分分析的基本思想相似，它将一组变量与另一组变量之间单变量的多重线性相关性研究转化为对少数几对综合变量之间的简单线性相关性的研究，并且这少数几对变量所包含的线性相关性的信息几乎覆盖了原变量组所包含的全部相应信息。
  
 十五、R0C分析
  
 R0C曲线是根据一系列不同的二分类方式(分界值或决定阈）.以真阳性率（灵敏度)为纵坐标，假阳性率（1-特异度)为横坐标绘制的曲线
  
 用途：
  
 1、R0C曲线能很容易地査出任意界限值时的对疾病的识别能力
  
 用途
  
 2、选择最佳的诊断界限值。R0C曲线越靠近左上角，试验的准确性就越高；
  
 3、两种或两种以上不同诊断试验对疾病识别能力的比较，一股用R0C曲线下面积反映诊断系统的准确性。
  
 十六、其他分析方法
  
 多重响应分析、距离分祈、项目分祈、对应分祈、决策树分析、神经网络、系统方程、蒙特卡洛模拟等。