这篇博客详细介绍了数据分析的各个层面，包括数据的分布分析、描述性、诊断性、预测性和决策性分析方法，深入探讨了各种分析的目的、方法和步骤，涉及机器学习、关联规则和离群点检测等技术。
一、数据分析的那些事
二、数据分析的四个层级
三、认识数据
四、数据的质量分析
五、数据的分布分析
5.1、定量数据的分布分析方法
5.1.1、目的：
5.1.2、方法：
5.2、定性数据的分布分析方法
5.2.1、目的：寻找不同类别对象间的区别，或者对不同类别的对象做不同的处理，确定需要重点关注的对象。
5.2.2、方法：占比分析、贡献度分析
5.3、定时数据的分布分析方法
5.3.1、目的：寻找事件发生结果随时间变化的规律
5.3.2、方法：周期性分析、时间序列分析
六、描述性分析方法
6.1、方法、步骤
6.1、目的：描述现实、发现问题
6.2、方法：全链路分析方法
6.3、步骤：（7步）：确定描述对象、明确业务目标，熟悉业务逻辑、分割业务环节，确定关键节点、利益关系人际关系人的关注点、确定可以描述分析对象的指标、确定指标的评价标准、数据的展示
6.4、核心：通过描述性分析，可以对任何业务进行分析，快速实现描述现实，发现问题的目的。
七、诊断性分析方法
7.1、目的：解决问题、发现机会
7.2、方法：公式法
7.3、步骤：（6步）确定问题的描述指标，以及指标的统计逻辑、确定指标的类别，是基础指标还是复合指标、对复合指标进行分解，分解到基础指标、对指标的描述对象进行分解，分解到基础对象、通过业务逻辑解释基础对象产生基础指标的原因、根据分析原因制定解决方案
7.4、核心：通过诊断性分析，寻找引起最终结果的原因和可以改变未来的结果的方法。
八、预测性分析方法
8.1、分类分析
8.1.1、对于已经分好类的问题，采用机器学习的方法，决策树算法
8.1.2、步骤：（5步）选择对象的一个特征，并根据这一特征对训练集进行分类、计算某特征分类后分类结果的混乱程度、以混乱程度最低为原则，确定最佳节点、删除不必要的节点、生成模型进行预测
8.2、聚类分析
8.2.1、目的：对数据进行分类。仅依据数据中发现的描述对象的特征，将数据进行分组，其目标是，组内的对象相互间是相似的，而不同组之间的对象是不同的。
8.2.2、常用算法：K-means、K-中心点、多层次聚类
8.3、关联分析
8.3.1、目的：发现隐藏在大型数据集下有意义的联系。
8.3.2、步骤：支持度计数、计算支持度、置信度计数、计算置信度、确定频繁项集
8.3.3、常用算法：APriori、FP-Tree
8.3.4、APriori算法
8.3.4.1、核心目标：降低产生频繁项集的复杂度
8.3.4.2、步骤：寻找频繁项集、计算置信度
8.4、离群点检测
8.4.1、目的：发现与其大部分不同的对象
8.4.2、方法：基于统计、基于邻近度、基于密度
8.4.2.1、基于邻近度的步骤
8.4.2.2、基于密度的步骤
九、决策性分析方法
9.1、目的：增加收入、降低成本、提升效率、控制风险
9.2、方法和步骤
9.3、决策系统设计的步骤
十、数据分析思维模型
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
