本文大概梳理了統(tǒng)計(jì)數(shù)據(jù)分析的三種方法論，即描述性數(shù)據(jù)分析、數(shù)理統(tǒng)計(jì)分析和數(shù)據(jù)挖掘分析。enjoy~

我們說(shuō)數(shù)據(jù)分析要有目的進(jìn)行分析，實(shí)際上我們?cè)谄匠５墓ぷ髦?，沒(méi)有學(xué)過(guò)數(shù)據(jù)分析也能靠直覺(jué)推斷出一些數(shù)據(jù)產(chǎn)生的原因。那么為什么還要進(jìn)行數(shù)據(jù)分析的學(xué)習(xí)呢？也就是說(shuō)，數(shù)據(jù)分析，到底在學(xué)什么？

其實(shí)我認(rèn)為如果是在初創(chuàng)團(tuán)隊(duì)中，確實(shí)無(wú)需使用太專(zhuān)業(yè)的數(shù)據(jù)分析方法，因?yàn)橥鶖?shù)據(jù)不足。但是，如果你掌握了數(shù)據(jù)分析的方法，就能夠在產(chǎn)品的初期設(shè)計(jì)合理的埋點(diǎn)，要知道現(xiàn)在很多產(chǎn)品在早期是沒(méi)有這個(gè)意識(shí)的，于是等產(chǎn)品成熟了再去做這件事是極其痛苦的。所以也才催生了類(lèi)如諸葛IO這樣的“無(wú)埋點(diǎn)”數(shù)據(jù)分析的產(chǎn)品。“無(wú)埋點(diǎn)”只能收集到很淺層次的數(shù)據(jù)，如點(diǎn)擊數(shù)據(jù)，IP/PV等，業(yè)務(wù)層面就無(wú)法統(tǒng)計(jì)。而且存在著不穩(wěn)定性，從技術(shù)上講就是說(shuō)如果用戶使用了一些奇奇怪怪的瀏覽器（例如低版本的IE）的話，很可能無(wú)埋點(diǎn)的代碼就無(wú)法運(yùn)行，造成原始數(shù)據(jù)的偏差。說(shuō)了這么多，回到話題，學(xué)習(xí)數(shù)據(jù)分析，我們能夠：

1. 培養(yǎng)數(shù)據(jù)意識(shí)，提升產(chǎn)品規(guī)劃能力。
2. 培養(yǎng)數(shù)據(jù)敏感性，提高洞察力。
3. 能夠數(shù)據(jù)中發(fā)現(xiàn)不容易通過(guò)直覺(jué)發(fā)現(xiàn)的足絲馬跡，發(fā)現(xiàn)潛在的可能。
4. 掌握一門(mén)通用的硬技能，輔助需求挖掘、業(yè)務(wù)分析。
5. 等等

接下來(lái)我們進(jìn)入正題：數(shù)據(jù)分析的方法論。

一般來(lái)說(shuō)數(shù)據(jù)分析可以從兩個(gè)學(xué)科出發(fā)，一個(gè)是數(shù)理統(tǒng)計(jì)學(xué)，另一個(gè)是營(yíng)銷(xiāo)理論。本文將主要從數(shù)理統(tǒng)計(jì)學(xué)著手介紹，因?yàn)闋I(yíng)銷(xiāo)理論（就是我們常見(jiàn)的5w2h，PEST分析等等方法論）的掌握，更多是思維框架的掌握，而真正能夠通曉營(yíng)銷(xiāo)理論的，需要大量的經(jīng)驗(yàn)積累。而數(shù)理統(tǒng)計(jì)學(xué)是工具，可以手到擒來(lái)，馬上就用的。

上篇文章講到，數(shù)據(jù)分析大致可以分為描述性分析、診斷性分析、預(yù)測(cè)性分析，同樣的數(shù)據(jù)分析的方法論也大致分為：描述性數(shù)據(jù)分析、數(shù)理統(tǒng)計(jì)分析、數(shù)據(jù)挖掘分析。

本篇文章將就此展開(kāi)談?wù)勥@三種數(shù)據(jù)分析方法論（方法論沒(méi)有好壞高低之分，只有合適的。根據(jù)業(yè)務(wù)場(chǎng)景來(lái)選擇合適的分析方法。一定要以目標(biāo)為導(dǎo)向，并不是手法越高級(jí)就越好。能用簡(jiǎn)單分析的就不需要使用大數(shù)據(jù)挖掘。）

一、描述性數(shù)據(jù)分析方法

描述性數(shù)據(jù)分析可以用一言蔽之”一句話描述數(shù)據(jù)“。我們平時(shí)說(shuō)的，這個(gè)月的平均訪問(wèn)量是多少，環(huán)比增長(zhǎng)了多少。用戶平均付費(fèi)是多少，中位數(shù)是多少，眾位數(shù)是多少，四分位數(shù)是多少都屬于描述性統(tǒng)計(jì)分析。描述數(shù)據(jù)的集中趨勢(shì)還可以用方差、標(biāo)準(zhǔn)差。用一個(gè)指標(biāo)，一句話概括數(shù)據(jù)特點(diǎn)。描述數(shù)據(jù)之間的簡(jiǎn)單關(guān)系可以用相關(guān)性分析，如轉(zhuǎn)化率和用戶停留時(shí)間的正相關(guān)的（距離，以實(shí)際為準(zhǔn)。一般也是這樣。）這邊大家都比較熟悉，不過(guò)多介紹。

二、數(shù)理統(tǒng)計(jì)分析方法

數(shù)理統(tǒng)計(jì)涉及較多的數(shù)學(xué)知識(shí)，但是其實(shí)常用的也就是概率論和微積分，本科的知識(shí)稍微復(fù)習(xí)一下還是容易掌握的。微積分只需要用到一元積分，用于計(jì)算概率分布。統(tǒng)計(jì)學(xué)中有許許多多的內(nèi)容，在數(shù)據(jù)分析中，并不是所有都需要掌握。因?yàn)槲覀儾皇窃谧鰧?shí)驗(yàn)室里科學(xué)實(shí)驗(yàn)的數(shù)據(jù)分析。

1. 方差分析

方差分析，又稱為F檢驗(yàn)。作用是研究因素對(duì)于數(shù)值型變量的影響。例如想要知道某次改版對(duì)于轉(zhuǎn)化率是否有顯著影響，可能從宏觀上看增長(zhǎng)的數(shù)值不大，看不大出來(lái)影響有多大，這時(shí)候就可以用方差分析做對(duì)于改版這個(gè)因素的單因素方差分析。

2. 回歸分析

回歸分析比較好理解，簡(jiǎn)單的說(shuō)就是尋找到一個(gè)函數(shù)來(lái)擬合自變量和因變量的關(guān)系。例如想要做一次活動(dòng)，假設(shè)優(yōu)惠的價(jià)格x，銷(xiāo)售額為y。這兩者之間可能存在y=x+1（純舉例）這樣的函數(shù)關(guān)系式。回歸分析就是要找出這樣的函數(shù)關(guān)系，來(lái)指導(dǎo)活動(dòng)的運(yùn)營(yíng)，提升ROI。

3. 因子分析

因子分析即從大量的變量中尋找共性因子的統(tǒng)計(jì)方法，因子表現(xiàn)為一種表征，通常是多個(gè)變量的集合。因子分析可以簡(jiǎn)化數(shù)據(jù)，所以是一種降維的方式。常用的因子分析方法有重心法、最小平方法、最大似然法等。

三、數(shù)據(jù)挖掘分析方法

數(shù)據(jù)挖掘源于統(tǒng)計(jì)機(jī)器學(xué)習(xí)，還有人工智能的方法。之前寫(xiě)過(guò)的人工智能相關(guān)的文章中有提到，AI=數(shù)據(jù)+算法=模型。數(shù)據(jù)挖掘也就是利用算法從數(shù)據(jù)中尋找規(guī)律。因?yàn)槲覀儾⒉荒芸偸悄苡贸Ｒ?jiàn)的函數(shù)去擬合所有的規(guī)律，而太復(fù)雜的規(guī)律通過(guò)人工根本就是無(wú)法進(jìn)行計(jì)算的。那么機(jī)器學(xué)習(xí)就可以做到。機(jī)器學(xué)習(xí)的原理其實(shí)就是定義一個(gè)損失函數(shù)，可以把損失函數(shù)簡(jiǎn)單理解為錯(cuò)誤率。然后枚舉所有的情況，找到錯(cuò)誤率最低的模型。用在數(shù)據(jù)挖掘中，我們可以用到的機(jī)器學(xué)習(xí)算法一般有：

1. 聚類(lèi)分析

俗話說(shuō)，物以類(lèi)聚。聚類(lèi)分析是一種探索性的分析方法，由機(jī)器無(wú)監(jiān)督地將樣本數(shù)據(jù)進(jìn)行分類(lèi)，再觀察其特征，從而幫助發(fā)現(xiàn)潛在的共性。聚類(lèi)分析的方式也有很多，用不同方式進(jìn)行的聚類(lèi)分析結(jié)果也不盡相同。

2. 分類(lèi)

分類(lèi)應(yīng)該是機(jī)器學(xué)習(xí)、人工智能中應(yīng)用最廣泛的了。例如NLP中的情感分析、文章分類(lèi)，CV中的醫(yī)療影像診斷，物品識(shí)別等等。又扯遠(yuǎn)了，回到數(shù)據(jù)分析，常用于數(shù)據(jù)挖掘的分類(lèi)算法有：

（1）決策樹(shù)

決策樹(shù)直觀上的理解就是從樣本建立分支規(guī)則。舉個(gè)簡(jiǎn)單的例子，同事A有時(shí)候遲到有時(shí)候不遲到，你觀察到如果下雨了。A就遲到。如果沒(méi)有下雨，A就不遲到。主管只有在周一和周三在，如果主管在A就要挨罵了。那么用決策樹(shù)來(lái)預(yù)測(cè)A是否會(huì)挨罵（以上例子純屬YY）就是：

能夠構(gòu)造這樣的決策數(shù)據(jù)的常用算法有C4.5、CART、CHAID、ID3等。

決策時(shí)擅長(zhǎng)處理離散數(shù)據(jù)，并可以直觀出其中的關(guān)鍵變量。決策樹(shù)生成的規(guī)則也容易被人所理解。接下去要講的神經(jīng)網(wǎng)絡(luò)就不是人可以理解的了。

（2）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是個(gè)黑箱模型，神經(jīng)網(wǎng)絡(luò)是類(lèi)似于大腦神經(jīng)突觸連接的形式，僅僅是類(lèi)似，不能把它理解得過(guò)于玄乎，本質(zhì)上和腦神經(jīng)的運(yùn)作方式是相差很大的。人工神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、隱藏層。其中隱藏層就是就是對(duì)輸入層的輸入進(jìn)行各種加權(quán)互聯(lián)，最終得出最逼近訓(xùn)練集的結(jié)果。理論上可以逼近任何非線性的關(guān)系。能夠充分考慮到數(shù)據(jù)的各種特征。

（3）貝葉斯分類(lèi)器

是否還記得貝葉斯公式

只要知道P（Y）、P（X）、P（X|Y）就能知道P（Y|X）的值了。前3個(gè)值可以通過(guò)歷史數(shù)據(jù)得到先驗(yàn)概率，在先驗(yàn)概率的基礎(chǔ)上就能對(duì)新的事件（數(shù)據(jù)）進(jìn)行后驗(yàn)概率的計(jì)算。

（4）支持向量機(jī)

SVM，是機(jī)器學(xué)習(xí)的重大成果。SVM將非線性的數(shù)據(jù)將數(shù)據(jù)映射到一個(gè)高維空間，在新的維度上，搜索一個(gè)線性最佳超平面，兩類(lèi)數(shù)據(jù)總是能夠被超平面分開(kāi)。

（5）隨機(jī)森林

隨機(jī)森林有著較高的準(zhǔn)確率，魯棒性也好。隨機(jī)森林運(yùn)用bootstrap方法從原始樣本中抽取樣本，對(duì)每個(gè)樣本進(jìn)行決策樹(shù)建模，然后將決策樹(shù)組合，對(duì)每個(gè)決策樹(shù)分類(lèi)出來(lái)的結(jié)果進(jìn)行一種投票統(tǒng)計(jì)，最終得出分類(lèi)結(jié)果。這個(gè)方式很形象的被叫做隨機(jī)森林。

3. 關(guān)聯(lián)規(guī)則

舉個(gè)例子就能明白什么是關(guān)聯(lián)規(guī)則了。大家都知道的“啤酒與尿布”的例子，關(guān)聯(lián)規(guī)則算法能夠找出多次重復(fù)、同時(shí)出現(xiàn)的關(guān)系。

4. 回歸分析

描述性分析中也有回歸分析，這邊回歸和描述性分析中回歸的區(qū)別主要是，這里指的是多元線性回歸和邏輯斯蒂回歸。典型的回歸問(wèn)題是運(yùn)費(fèi)計(jì)算的問(wèn)題， 快遞運(yùn)費(fèi)受地區(qū)、重量、物品類(lèi)型、運(yùn)送方式等多種因素的影響，這時(shí)候可以使用多元線性回歸來(lái)分析他們之間的關(guān)系。

本次的分享就到這里，本文大概梳理了統(tǒng)計(jì)數(shù)據(jù)分析的方法論，接下去的系列文章將會(huì)逐個(gè)對(duì)各種方式進(jìn)行介紹。

相關(guān)閱讀

數(shù)據(jù)分析（1）：三觀的建立

#專(zhuān)欄作家#

躚塵，人人都是產(chǎn)品經(jīng)理專(zhuān)欄作家。人工智能產(chǎn)品經(jīng)理，獨(dú)立音樂(lè)人，擅長(zhǎng)需求分析、原型設(shè)計(jì)和項(xiàng)目管理。喜歡閱讀、思考、創(chuàng)作。網(wǎng)易云音樂(lè)主頁(yè)：躚塵。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Pexels，基于 CC0 協(xié)議