概念
1、含义
数据分析是数据和分析的结合，通过对数据统计处理分析出对业务有用的观点。其过程更加重视思维方法而非技术手段。技术只是实现目的的一种方法。因此相关人员的技术能力难以评判。数据分析一般在业务初创和改善时期十分有用。
其业务场景主要有：
（1）掌握业务，如核心指标通过漏斗数据和序列数据展示；可以通过报表看到数据变化情况，并分析为什么，是否存在问题
（2）改进业务，分析业务潜力和问题；是否有业务下滑和用户流失。
（3）评估某一策略的效果等。
2、准备
数据分析的需要的技能为：
（1）业务调研；通过调研得到分析思路和方向主题，如产品验证和启发思路。
（2）创新思考；需要广阔的知识面：经济学，心理学和统计学。
经济学，如分析电商财报，毛利很低，待付账单很大。
毛利低--消费者扩大--市场扩大--掌握供应商--分期付款--钱拿去做金融
（互联网中为用户创造价值和盈利往往不在一个领域，羊毛出在猪身上理论）；
心理学，如便捷食品中有无洋葱案例，减少家庭主妇内疚感。
统计学，主要是算法了。
（3）逻辑推理；不同的背景和角度可能得到不同的结果，因此要全面。逻辑推理不等于因果关系推理，也不等于相关性关系。在分析中很可能因为错误归因（把相关关系认为是因果关系）；比较对象选择失当；以及数据维度选择问题；先入为主的偏见；个例代表全体导致结果出错。
（4）可行性建议；一般的分析只是陈述事实；优秀的分析要分析优势，劣势，怎么办。
3、分析方法
（1）传统数据指标
传统数据指标包括概率表，直方图，均值，方差，标准差（衡量数据的散度）和相关性等。其基本理论支撑是大数定律。样本量越大，统计值越接近真实值。
（2）分析手段
在拿到数据后，从哪些角度开始分析呢。
1、指标拆分
<1>分布分析
数据指标可能在不同的数据分布中是相同的，无法真正表示数据。因此只关注指标而不关注数据是不行的。
<2>趋势分析
趋势分析包括：单变量趋势和多变量趋势
单变量趋势：通过周期，波动，异常值
多变量趋势：基于系统基模；抽象出增强环（各个节点循环促进），调节环（各个节点相互牵制最终平衡），以及考虑时间延迟性（某些改进可能并不是立即就会有明显效果）
<3>因素分析
因素分析可以进行多种拆解。
（1）根据流程的各个阶段进行纵向拆解，通过漏斗以及比例等发现问题。
（2）根据模块进行横行拆解。
如在买股票是判断公司股票是不是值得买。
首先从收入支出，资产负债等得到营业利润和总资产，相除得到资产回报率，可以反应企业的经营效率。再从营业利润和总资产中剥离出净利润和股东权益，得到固定权益回报率，从而判断值不值得投资。
2、样本拆分
<1>个例分析
一般来说，高层次的数据统计可能会难以发现隐含的问题。这个时候需要从典型个例来进行分析。如视屏点击率低的case，可以从点击率及其低（显著）的样本入手，然后看这一类在总量中占比；另一方面，选择数量多的案例进行分析；直到分析的样本包含整个数据集。
<2>异常分析
与预期不相符合就是异常。
<3>分组分析
小组化划分后数据的特征会更加鲜明，同时不同组的需求不相同，需要差异化个性化的服务。一般对于客户的划分可以从（大小，新老，行业）进行，因为他们需求不同。
（1）在用户增长领域，可以利用分组做留存分析，这个分组规则按照用户的使用程度划分，因为使用产品时间长度不一的用户一般来说流失的原因是不一样的。
（2）在价格歧视领域，可以对不同用户群或者客户群按其价格可承受程度分组，分别定价，如飞机票。
4、高级工具，OLAP与机器学习模型
<1>OLAP
分组分析与因素分析等结合，对数据切片、分块；钻取和上卷等。
<2>机器学习
1、非监督
（1）聚类：一般要分5类的话，先用算法分为10-20类，再通过人工聚合。因为人工可以知道哪些参数或者维度更为重要。
（2）关联规则
2、监督学习
选定假设空间从而选择模型，再进行模型训练
