icm323
数据可从网上搜索，统计年鉴及各大数据库都有，再通过统计软件作分析，例如相关分析和回归分析，这种论文偏理论型。推论统计学被用来将资料中的数据模型化，计算它的机率并且做出对于母体的推论。这个推论可能以对/错问题的答案所呈现（假设检定）。对于数字特征量的估计（估计），对于未来观察的预测，关联性的预测（相关性），或是将关系模型化（回归）。其他的模型化技术包括变异数分析（ANOVA），时间序列，以及数据挖掘。为了实际的理由，我们选择研究母体的子集代替研究母体的每一笔资料，这个子集称做样本。以某种经验设计实验所搜集的样本叫做资料。资料是统计分析的对象，并且被用做两种相关的用途：描述和推论。描述统计学处理有关叙述的问题：资料是否可以被有效的摘要，不论是以数学或是图片表现，以用来代表母体的性质？基础的数学描述包括了平均数和标准差。图像的摘要则包含了许多种的表和图。 
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。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。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）。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。sc-cpda 数据分析公众交流平台。
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。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。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）。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。sc-cpda 数据分析公众交流平台
可以先学习使用一些数据分析工具，简单的数据分析可以使用Excel，复杂的可以使用SPSS、SAS、MATLAB、SQL server等分析工具。 做好数据分析的前提是要收集有效的原始数据，必要时可运用一些统计方法进行数据的有效性判定和剔除，然后利用数据分析工具寻找规律，比如利用excel中的筛选、排序、相关分析、透视表以及图表等工具来进行数据的分类，数据的变化趋势研究以及各组数据间的相关性分析等。
