1、聚類分析
聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析是一種探索性的分析，在分類的過程中，人們不必事先給出一個分類的標准，聚類分析能夠從樣本數據出發，自動進行分類。聚類分析所使用方法的不同，常常會得到不同的結論。不同研究者對於同一組數據進行聚類分析，所得到的聚類數未必一致。
2、因子分析
因子分析是指研究從變數群中提取共性因子的統計技術。因子分析就是從大量的數據中尋找內在的聯系，減少決策的困難。因子分析的方法約有10多種，如重心法、影像分析法，最大似然解、最小平方法、阿爾發抽因法、拉奧典型抽因法等等。這些方法本質上大都屬近似方法，是以相關系數矩陣為基礎的，所不同的是相關系數矩陣對角線上的值，採用不同的共同性□2估值。在社會學研究中，因子分析常採用以主成分分析為基礎的反覆法。
3、相關分析
相關分析(correlation analysis)，相關分析是研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向以及相關程度。相關關系是一種非確定性的關系，例如，以X和Y分別記一個人的身高和體重，或分別記每公頃施肥量與每公頃小麥產量，則X與Y顯然有關系，而又沒有確切到可由其中的一個去精確地決定另一個的程度，這就是相關關系。
4、對應分析
對應分析(Correspondence analysis)也稱關聯分析、R-Q型因子分析，通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系。對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構以點的形式在較低維的空間中表示出來。
5、回歸分析
研究一個隨機變數Y對另一個(X)或一組(X1，X2，„，Xk)變數的相依關系的統計分析方法。回歸分析(regression analysis)是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。運用十分廣泛，回歸分析按照涉及的自變數的多少，可分為一元回歸分析和多元回歸分析;按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
⑵ 數據分析常用的分析方法有哪些
1. 描述型分析
這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。
例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。
2. 診斷型分析
描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。
良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。
3. 預測型分析
預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。
預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。
4. 指令型分析
數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。
⑶ 數據的分析涉及到的思想方法
數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。
數據分析的數學基礎在20世紀早期就已確立，但直到計算機的出現才使得實際操作成為可能，並使得數據分析得以推廣。數據分析是數學與計算機科學相結合的產物。
在統計學領域，有些人將數據分析劃分為描述性統計分析、探索性數據分析以及驗證性數據分析；其中，探索性數據分析側重於在數據之中發現新的特徵，而驗證性數據分析則側重於已有假設的證實或證偽。
探索性數據分析是指為了形成值得假設的檢驗而對數據進行分析的一種方法，是對傳統統計學假設檢驗手段的補充。該方法由美國著名統計學家約翰·圖基(John Tukey)命名。
定性數據分析又稱為「定性資料分析」、「定性研究」或者「質性研究資料分析」，是指對諸如詞語、照片、觀察結果之類的非數值型數據（或者說資料）的分析。
具體方法
數據分析有極廣泛的應用范圍。典型的數據分析可能包含以下三個步：
1、探索性數據分析：當數據剛取得時，可能雜亂無章，看不出規律，通過作圖、造表、用各種形式的方程擬合，計算某些特徵量等手段探索規律性的可能形式，即往什麼方向和用何種方式去尋找和揭示隱含在數據中的規律性。
2、模型選定分析，在探索性分析的基礎上提出一類或幾類可能的模型，然後通過進一步的分析從中挑選一定的模型。
3、推斷分析：通常使用數理統計方法對所定模型或估計的可靠程度和精確程度作出推斷。
分析方法
1、列表法
將實驗數據按一定規律用列表方式表達出來是記錄和處理實驗數據最常用的方法。表格的設計要求對應關系清楚、簡單明了、有利於發現相關量之間的物理關系；此外還要求在標題欄中註明物理量名稱、符號、數量級和單位等；根據需要還可以列出除原始數據以外的計算欄目和統計欄目等。最後還要求寫明表格名稱、主要測量儀器的型號、量程和准確度等級、有關環境條件參數如溫度、濕度等。
2、作圖法
作圖法可以最醒目地表達物理量間的變化關系。從圖線上還可以簡便求出實驗需要的某些結果（如直線的斜率和截距值等），讀出沒有進行觀測的對應點（內插法）或在一定條件下從圖線的延伸部分讀到測量范圍以外的對應點（外推法）。此外，還可以把某些復雜的函數關系，通過一定的變換用直線圖表示出來。例如半導體熱敏電阻的電阻與溫度關系為，取對數後得到，若用半對數坐標紙，以lgR為縱軸，以1/T為橫軸畫圖，則為一條直線。
3、數據分析主要包含：
1. 簡單數學運算（Simple Math）
2. 統計（Statistics）
3. 快速傅里葉變換（FFT）
4. 平滑和濾波（Smoothing and Filtering）
5.基線和峰值分析(Baseline and Peak Analysis)
數據來源
1、搜索引擎蜘蛛抓取數據；
2、網站IP、PV等基本數據；
3、網站的HTTP響應時間數據；
4、網站流量來源數據。
數據分析過程的主要活動由識別信息需求、收集數據、分析數據、評價並改進數據分析的有效性組成。
識別需求
識別信息需求是確保數據分析過程有效性的首要條件，可以為收集數據、分析數據提供清晰的目標。識別信息需求是管理者的職責管理者應根據決策和過程式控制制的需求，提出對信息的需求。就過程式控制制而言，管理者應識別需求要利用那些信息支持評審過程輸入、過程輸出、資源配置的合理性、過程活動的優化方案和過程異常變異的發現。
收集數據
有目的的收集數據，是確保數據分析過程有效的基礎。組織需要對收集數據的內容、渠道、方法進行策劃。策劃時應考慮：
①將識別的需求轉化為具體的要求，如評價供方時，需要收集的數據可能包括其過程能力、測量系統不確定度等相關數據；
②明確由誰在何時何處，通過何種渠道和方法收集數據；
③記錄表應便於使用； ④採取有效措施，防止數據丟失和虛假數據對系統的干擾。
分析數據
分析數據是將收集的數據通過加工、整理和分析、使其轉化為信息，通常用方法有：
老七種工具，即排列圖、因果圖、分層法、調查表、散步圖、直方圖、控制圖；
新七種工具，即關聯圖、系統圖、矩陣圖、KJ法、計劃評審技術、PDPC法、矩陣數據圖；
過程改進
數據分析是質量管理體系的基礎。組織的管理者應在適當時，通過對以下問題的分析，評估其有效性：
①提供決策的信息是否充分、可信，是否存在因信息不足、失准、滯後而導致決策失誤的問題；
②信息對持續改進質量管理體系、過程、產品所發揮的作用是否與期望值一致，是否在產品實現過程中有效運用數據分析；
③收集數據的目的是否明確，收集的數據是否真實和充分，信息渠道是否暢通；
④數據分析方法是否合理，是否將風險控制在可接受的范圍；
⑤數據分析所需資源是否得到保障。
⑷ 數據分析的分析方法都有哪些
很多數據分析是在分析數據的時候都會使用一些數據分析的方法，但是很多人不知道數據分析的分析方法有什麼？對於數據分析師來說，懂得更多的數據分析方法是很有必要的，而且數據分析師工作工程中會根據變數的不同採用不同的數據分析方法，一般常用的數據分析方法包括聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析等，我們要學會使用這些數據分析之前一定要懂得這些方法的定義是什麼。
第一先說因子分析方法，所謂因子分析是指研究從變數群中提取共性因子的統計技術。因子分析就是從大量的數據中尋找內在的聯系，減少決策的困難。因子分析的方法約有10多種，如影像分析法，重心法、最大似然法、最小平方法、α抽因法、拉奧典型抽因法等等。
第二說一下回歸分析方法。回歸分析方法就是指研究一個隨機變數Y對另一個(X)或一組變數的相依關系的統計分析方法。回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。回歸分析方法運用十分廣泛，回歸分析按照涉及的自變數的多少，可分為一元回歸分析和多元回歸分析；按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
接著說相關分析方法，相關分析是研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向以及相關程度。相關關系是一種非確定性的關系。
然後說聚類分析方法。聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析是一種探索性的分析，在分類的過程中，不需要事先給出一個分類的標准，聚類分析能夠從樣本數據出發，自動進行分類。
接著說方差分析方法。方差數據方法就是用於兩個及兩個以上樣本均數差別的顯著性檢驗。由於各種因素的影響，研究所得的數據呈現波動狀。方差分析是從觀測變數的方差入手，研究諸多控制變數中哪些變數是對觀測變數有顯著影響的變數。
最後說一下對應分析方法。對應分析是通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系。對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構以點的形式在較低維的空間中表示出來。
通過上述的內容，我們發現數據分析的方法是有很多的，除了文中提到的聚類分析、因子分析、相關分析、對應分析、回歸分析、方差分析等分析方法以外，還有很多的數分析方法，而上面提到的數據分析方法都是比較經典的，大家一定要多多了解一下此類相關信息的發生，希望這篇文章能夠給大家帶來幫助。
⑸ 常用的數據分析方法有哪些
常見的數據分析方法有哪些？
1.趨勢分析
當有大量數據時，我們希望更快，更方便地從數據中查找數據信息，這時我們需要使用圖形功能。所謂的圖形功能就是用EXCEl或其他繪圖工具來繪制圖形。
趨勢分析通常用於長期跟蹤核心指標，例如點擊率，GMV和活躍用戶數。通常，只製作一個簡單的數據趨勢圖，但並不是分析數據趨勢圖。它必須像上面一樣。數據具有那些趨勢變化，無論是周期性的，是否存在拐點以及分析背後的原因，還是內部的或外部的。趨勢分析的最佳輸出是比率，有環比，同比和固定基數比。例如，2017年4月的GDP比3月增加了多少，這是環比關系，該環比關系反映了近期趨勢的變化，但具有季節性影響。為了消除季節性因素的影響，引入了同比數據，例如：2017年4月的GDP與2016年4月相比增長了多少，這是同比數據。更好地理解固定基準比率，即固定某個基準點，例如，以2017年1月的數據為基準點，固定基準比率是2017年5月數據與該數據2017年1月之間的比較。
2.對比分析
水平對比度：水平對比度是與自己進行比較。最常見的數據指標是需要與目標值進行比較，以了解我們是否已完成目標；與上個月相比，要了解我們環比的增長情況。
縱向對比：簡單來說，就是與其他對比。我們必須與競爭對手進行比較以了解我們在市場上的份額和地位。
許多人可能會說比較分析聽起來很簡單。讓我舉一個例子。有一個電子商務公司的登錄頁面。昨天的PV是5000。您如何看待此類數據？您不會有任何感覺。如果此簽到頁面的平均PV為10,000，則意味著昨天有一個主要問題。如果簽到頁面的平均PV為2000，則昨天有一個跳躍。數據只能通過比較才有意義。
3.象限分析
根據不同的數據，每個比較對象分為4個象限。如果將IQ和EQ劃分，則可以將其劃分為兩個維度和四個象限，每個人都有自己的象限。一般來說，智商保證一個人的下限，情商提高一個人的上限。
說一個象限分析方法的例子，在實際工作中使用過：通常，p2p產品的注冊用戶由第三方渠道主導。如果您可以根據流量來源的質量和數量劃分四個象限，然後選擇一個固定的時間點，比較每個渠道的流量成本效果，則該質量可以用作保留的總金額的維度為標准。對於高質量和高數量的通道，繼續增加引入高質量和低數量的通道，低質量和低數量的通過，低質量和高數量的嘗試策略和要求，例如象限分析可以讓我們比較和分析時間以獲得非常直觀和快速的結果。
4.交叉分析
比較分析包括水平和垂直比較。如果要同時比較水平和垂直方向，則可以使用交叉分析方法。交叉分析方法是從多個維度交叉顯示數據，並從多個角度執行組合分析。
分析應用程序數據時，通常分為iOS和Android。
交叉分析的主要功能是從多個維度細分數據並找到最相關的維度，以探究數據更改的原因。
⑹ 數據分析師常用的數據分析思路
01 細分分析
細分分析是數據分析的基礎，單一維度下的指標數據信息價值很低。
細分分析法可以大致分為兩類，一類是逐步分析，如：來北京市的訪客可分為朝陽和海淀等區;另一類是維度交叉，如：來自付費SEM的新訪客。
02 對比分析
對比分析主要是把兩個有關聯的數據指標進行相互比較，從數量上說明和展現研究對象的規模大小，水平的高低，速度快慢等方面的相對值，然後通過在一樣的維度下的指標數據對比，可以發現，找出業務在不同階段的問題。
03 漏斗分析
轉化漏斗分析是數據分析師進行業務分析的基本模型，我們最經常見的就是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鍾。
04 同期群分析
同期群(cohort)分析在數據分析運營領域相當重要，尤其是互聯網運營，特別需要仔細觀察留存的情況。通過對性質完全一樣的可對比群體的留存情況的比較，來分析哪些因素影響用戶的留存。
05 聚類分析
聚類分析具有簡單，直觀的特徵，網站分析中的聚類主要分為：用戶，頁面或內容，來源。
用戶聚類主要體現為用戶分群，用戶標簽法;頁面聚類則主要是相似，相關頁面分組法;來源聚類主要包括渠道，關鍵詞等。
06 AB測試
增長黑客的一個主要思想之一，是千萬不要做一個大又全的東西，相反是需要不斷做出能夠快速驗證的小而精的東西。快速驗證，那如何驗證呢?主要方法就是AB測試。
07 埋點分析
只有採集了足夠的基礎數據，才能通過各種分析方法得到需要的分析結果。
通過分析用戶行為，並細分為：瀏覽行為，輕度交互，重度交互，交易行為，對於瀏覽行為和輕度交互行為的點擊按鈕等事件，因其使用頻繁，數據簡單，採用無埋點技術實現自助埋點，即可以提高數據分析的實效性，需要的數據可立即提取，又大量減少技術人員的工作量，需要採集更豐富信息的行為。
08 來源分析
流量紅利消失，我們對獲客來源的重視度極高，如何有效的標注用戶來源，至關重要。
傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來源渠道和用戶所在地區進行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價值。
09 用戶分析
眾所周知，用戶分析是互聯網運營的核心環節，通常用到的分析方法有：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。可將用戶活躍細分為瀏覽活躍，互動活躍，交易活躍等，通過活躍行為的細分，掌握關鍵行為指標。
10 表單分析
表單分析中的填寫表單，這個環節是每個平台與用戶交互的必有環節，一份完美的表單設計，對客戶轉化率的提升有至關重要的作用。
用戶進入表單頁面，這時候就已經產生了微漏斗，從進入的總共的人數到最後完成，並且成功提交表單人數，這個過程之中，有多少人開始填寫表單，填寫表單時，遇到了什麼困難導致無法完成表單，都影響最終的轉化效果。
有關數據分析師常用的數據分析思路的內容，青藤小編就和您分享到這里了。如果您對互聯網大數據有著濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於大數據、數據分析師的技巧及素材等內容，可以點擊本站的其他文章進行學習。
⑺ 大數據分析方法有哪些
1、因子分析方法
所謂因子分析是指研究從變數群中提取共性因子的統計技術。因子分析就是從大量的數據中尋找內在的聯系，減少決策的困難。因子分析的方法約有10多種，如影像分析法，重心法、最大似然法、最小平方法、α抽因法、拉奧典型抽因法等等。
2、回歸分析方法
回歸分析方法就是指研究一個隨機變數Y對另一個(X)或一組變數的相依關系的統計分析方法。回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。回歸分析方法運用十分廣泛，回歸分析按照涉及的自變數的多少，可分為一元回歸分析和多元回歸分析;按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
3、相關分析方法
相關分析是研究現象之間是否存在某種依存關系，並對具體有依存關系的現象探討其相關方向以及相關程度。相關關系是一種非確定性的關系。
4、聚類分析方法
聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析是一種探索性的分析，在分類的過程中，不需要事先給出一個分類的標准，聚類分析能夠從樣本數據出發，自動進行分類。
5、方差分析方法
方差數據方法就是用於兩個及兩個以上樣本均數差別的顯著性檢驗。由於各種因素的影響，研究所得的數據呈現波動狀。方差分析是從觀測變數的方差入手，研究諸多控制變數中哪些變數是對觀測變數有顯著影響的變數。
6、對應分析方法
對應分析是通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系。對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構以點的形式在較低維的空間中表示出來。
⑻ 用數據說話:數據分析的基本思想是什麼
用數據說話:數據分析的基本思想是什麼
今天分享一下數據分析的一些基本思想，我給它起了個名字叫做用數據說話。內容都是個人的一些心得，比較膚淺！如有不足之處，希望大家諒解！廢話不說了，現在咱正式開始。
用數據說話，就是用真實的數據說真實的話！真實也可以理解為求真務實。那麼，數據分析就是不斷地求真，進而持續地務實的過程！用一句話表達就是用數據說話，用真實的數據說話，說真話、說實話、說管用的話。
1．用數據說話
數據本不會說話，但是面對不同的人時，就會發出不同的聲音。現在我們以《荒島售鞋》這個老故事為引例，從數據分析的角度來解讀，看看能不能開出新花？為防止大家案例疲勞，我盡量用新的表達方式把故事羅嗦一下！
話說郭靖和楊康，被成吉思汗派去美麗的桃花島進行射鵰牌運動鞋的市場拓展。郭靖和楊康一上桃花島就驚訝地發現這里的居民全部赤腳，沒有一個穿鞋的，不論男女還是老少，莫不如此。楊康一看，倒吸了一口涼氣，說：唉！完了，沒啥市場！郭靖卻不這么認為，馬上掏出了新買的IPHONE4G給鐵木真打了個長途加漫遊的匯報電話。面對桃花島這個空白的市場，郭靖電話里這么說：「桃花島人口眾多，但信息閉塞。現在全島居民，全部赤腳。在運動鞋市場上沒有任何競爭對手，茫茫藍海，市場將為我獨霸！可喜，可喜啊！」這個時候，咱現場做個調查，假如你是成吉思汗，你會怎麼抉擇？（投資Y1人，不投資的N1人。）
這個時候楊康聽不下去了，馬上搶過電話，說到「大汗，別聽郭靖瞎嚷嚷！市場雖然沒有競爭，但並不就一定是藍海。在全球化競爭的大背景下，這么輕而易舉的就讓我們找到了藍海，您覺得可能嗎？難道阿迪、耐克、彪馬、銳步這些國際巨頭都是棒槌，會發現不了？我看肯定是島上幾百年不穿鞋的生活習慣，短期內無法改變，所以各路群雄，都只能望而止步！可惜，可惜啊！」聽了楊康的論述，鐵木真又該如何選擇呢？請大家舉手錶態。（願意投資Y2人，不願意投資的N2人。）薑是老的辣！成吉思汗比較理性，他只說了一句：「繼續調研，要用數據說話！」就把電話掛了！
一個星期之後，楊康率先給BOSS匯報了。不過他沒有選擇打電話，而是改發E—MAIL。原因有三：一是全球通資費太高了，錢要省著點花；二是楊康有點小人，他擔心郭靖聽了他的表述後，剽竊他的思想；三是他寫了一份詳細的調研報告，電話里三言兩語說不清。楊康的調查報告里詳細地記錄了他與島內精心選取的200位居民的談話內容，以及他抽取居民樣本時科學合理的甄別條件，最後的結論就是：島內居民全部（100%）以捕魚為生，腳一年四季泡在水裡，根本就不需要鞋！聽到這個消息，成吉思汗怎麼辦呢？請大家繼續舉手錶態！（願意投資Y3人，不願意投資的N3人。）
成吉思汗有自己的想法。這個時候，他沒有做決策，而是繼續等。等什麼呢？等郭靖的結論！又過了兩天郭靖終於打來了電話。電話里說了3句話：「這個市場可以做！原因是島上的居民每周都要上山砍柴，並且十有八九會被劃破腳！更可喜的是，這兩天他用美男計泡到了島主的女兒黃蓉，而且黃蓉答應給射鵰牌運動鞋作形象代言！」故事發生到這個階段，我請大家做最後一次表態。（願意投資Y4人，不願意投資的N4人。）
好！數據在變，我們的決策也在變。不過，成吉思汗比我們理性的多。回答還是一句話，不過比第一次多了幾個字：「繼續深入調研，用詳實數據論證。」為什麼呢？難道這些數據還不夠詳實嗎？是的！因為在成吉思汗腦袋裡還存在有很多疑問。比如：
1) 難道競爭對手真的沒來過？還是對方論證後真的不可行？
2) 山上不會開個伐木廠吧？如果有了伐木廠，居民就不會上山砍柴了，到時候送柴上門，鞋還有個屁用啊！
3) 為什麼一周才上一次山？該不會主要使用的是太陽能吧？
4) 運動鞋的運輸成本、營銷成本、銷售成本是多少？投資收益率有多高？
5) ……
聽完這個案例，我想問大家一個問題！從數據分析的角度看，你受到了什麼啟示？請注意這里說的數據分析的角度，如果你得到的啟示是：鐵木真領導的郭靖與楊康不是1個老男人+2個帥小伙的Gourp，而是教練型的Team。那麼，抱歉！這不是我們今天討論的范圍。好，在座的各位誰來表達一下自己的看法呢？提示性的啟示有：
面對同一個數據，不同的人會說不同的話。
真實的數據並不一定能推導出正確的結論。
正確的決策需要有充分的數據去論證。
……
說完了啟示，咱把這頁PPT總結一下。這個案例涉及數據的搜集、分析、匯報以及用於決策的整個過程。在這個過程里，無論那個細節出了問題，最終做出的決策都將是致命的！所以說質量是數據的生命，在數據用於決策的整個過程，都必須保證真實有效！
2．用真實的數據說話
所謂用真實的數據說話，就是指在說話之前，先審核數據的真實性！現實生活中，拿著錯誤的數據還能大言不慚的可以說比比皆是。其中有兩位傑出的代表：一個是傳說中偉大的中國統計局，另一個就是動不動就要封殺這個封殺那個的CCTV。我不是瞎說，因為有數據支撐！
2010年1月20日，國家統計局公布了2009年全國房地產市場數據，全年房價平均每平方米上漲813元。夠雷人吧！雷聲還沒過，霹靂緊跟著又來了！2月25日國家統計局發布了《2009年國民經濟和社會發展統計公報》，數據顯示，70個大中城市房屋銷售價格上漲1.5%。真可是天雷滾滾！難怪網友把統計局票選成大天朝的娛樂至尊！
此話一出，央視不答應了！真所謂中國統計，娛樂至尊；央視不出，誰與爭鋒？那我們仔細推敲一下央視的數據。2010年2月15日，CCTV發布了虎年春晚的滿意度報告，結果顯示滿意度為83.6%。幾乎同一天，新浪的公布的調查結果是14.55%；後來沒幾天，騰訊也發布了滿意度數據，結果是10.48%。數據一出，網友們罵聲不斷，此起彼伏，一浪高過一浪。但是人家央視就是央視，大有敵軍圍困萬千重，我自巋然不動的定力。更誇張的是央視不但能裝作視而不見，充耳不聞，而且還繼續恬不知恥地在自己家的那幾個頻道里賣弄數據，自娛自樂。到底央視的數據錯在哪裡？我們先審視一下央視的調查方法。
央視的調查結果，來自央視——索福瑞媒介研究有限公司。索福瑞號稱他們電視觀眾滿意度調查的樣本覆蓋了全國30個城市，抽樣框總人數有30,000人，央視春晚滿意度的調查就是從這3萬人中隨機抽取了2122人進行調查。這樣看，嚴格意義上講所謂83.6%的滿意度只能代表3萬人的看法。當然，如果我拿這個說法與央視理論，對方肯定能拿出3萬代表全國的理論證據。具體就是先從2千推斷3萬，再用3萬推及到30個城市，然後從30個城市推及至全國所有城市，最後再推及至全國。這里用到了簡單隨機抽樣、分層抽樣、典型抽樣，總起來還是個多階段抽樣，多麼冠冕堂皇的理論依據！但是，縱然每一步都能保證90%的可靠程度，四次推及下來理論的可靠程度也只有65%。可遺憾的是，最後一步用城市推及全國的做法在理論上還有一道坎，因為我們不知道如何用45%的城鎮居民來代表55%的農村人口？
說完了代表性的問題，我們再看看調查方法。索福瑞採用的是電話調查，而且時段選擇在春晚直播的那幾個小時內。據說調查是從晚上8：30開始，一直持續到春晚結束。巨汗！8：30貌似90%的節目還沒有上演，又怎麼能調查到觀眾對整個春晚的滿意度呢？
央視的數據是經不住推敲的！那麼，新浪和騰訊的一定對嗎？不一定，這兩個數據也只能代表新浪用戶和騰訊用戶的春晚滿意度，最多能夠代表一下4億網友，要想替13億的中國人民表達心聲，也恐怕是鞭長莫及。
欣賞了統計局和CCTV送給我們的兩個開年笑話之後，我們自己也應該反思，咱們日常工作中，在從數據的搜集、提取、整理到分析、發布、使用的這一連串過程中，數據有沒有失真？是不是數據自始自終都很齊全、很准確，而且統計口徑與分析目的保持著高度的一致呢？這個問題留到日常工作中供大家思考。
3.說真話說實話
拿著錯誤的數據，肯定得不出正確的結論。那麼面對真實的數據，就一定能得出正確的結論嗎？未必！給大家看個小笑話。
問：你只有10平米的蝸居，鄰居家從90m2換到190m2，你的居住面積有沒有增加？
答：沒有。
解：錯，你們兩家的平均居住面積是100m2，你的居住面積被神不知鬼不覺地增加了！
這個神不知鬼不覺是誰呢？無敵的平均數！仔細想想，這個均值算錯了嗎？沒有！那麼，問題出在哪裡？單一的統計量存在片面性，所以要想反映數據的真實面貌，就得使用一系列統計量。
我再杜撰一個氣候的例子，說明一下在結構嚴重失衡的情況下，使用平均數的可怕之處。我們的大中國啊，960萬平方公里，同一時間里有的刮風，有的下雨，還有的高溫酷暑。從去年冬天到今年的春天，北方一直暴雪連天，南方則遭遇百年旱情；而最近這段時間，南方多個省市河水決堤，沿河兩岸，村莊淪陷，而北方則是烈日當頭，乾旱焦人，酷暑難耐。如果我們計算全年或者是全國降雨量的平均值，算出來的結果肯定是神州大地風調雨順，國泰民安，而實際卻是華夏民族飽經風霜，多災多難！
還好，統計學家不只給了我們平均數，同時還設計了許多其他的統計量，大家看看下面這個表。
衡量數據的集中趨勢，基本有三個統計量，均值、中位數和眾數。均值是數值平均數，它容易受極端值的影響。也就是說如果數據的跨度或者說是極差不大的話，用均值可以很好的反映真實情況。但是，如果數據的差異比較大，單一使用平均數就會搞出新的笑話了。中位數和眾數屬於位置平均數，中位數是把數據從小到大排序，正好處於中間位置的那個數，眾數是說出現的頻次最多的那個數。
數據除了有集中趨勢，還有離散趨勢。反映離散趨勢的統計量主要有方差、標准差、極差、變異系數等。方差就是觀測值與均值差的平方和除以自由度，自由度一般是n或n-1。總體數據就用n，抽樣數據就用n-1。標准差就是方差的正平方根，它的意義是消除了量綱的影響。極差是最大值與最小值的差，反映的是觀測值的跨度范圍。還有一個比較重要也是比較常用的就是變異系數，它是標准差與均值的比，目的是消除數量級的影響。
此外，還有一些是描述數據分布的統計量，比如分位數，有四分位、八分位、十分位等等，二分位就是中位數，它們反映一系列數據某幾個關鍵位置的數值。頻率分布，就是對數據分組或者是分類後，各組或各類的百分比。偏度是用於衡量分布的不對稱程度或偏斜程度，峰度是用於衡量分布的集中程度或分布曲線的尖峭程度的指標。
如果想再深入一些的話，就會用到相關系數、置信水平、統計指數等等。相關系數是反映變數之間線性相關程度的指標，取值范圍是【-1，1】，大於0為正相關，小於0為負相關，等於0表示不相關。置信水平是指總體參數值落在樣本統計值某一區內的概率。統計指數就是將不能直接比較的一些指標通過同度量因素的作用使得能夠比較，常見的物價指數、上證指數等等。
有了這些基本的統計量，我們在實際工作中只要稍微用心選擇一下，就可以比較准確的描述數據的真實情況。
4.說管用的話
說管用的話是指深入分析數據的實質，挖掘數據的內涵，而不是停留在數據的表層，說些大話、空話或者套話。這就要求在數據分析時，首先明確分析的目的，其次是選擇恰當的方法，最後得出有用的結論。通俗地說，說管用的話，就是不說屁話，少說廢話！
4.1明確分析目的
這里我們舉個例子。我想這個例子的時候正好是7月7號，N年前的那個時候，正好是在座的各位高考的日子，所以就杜撰了一個高考的數據。
我們這個班級，雖然成績很爛，800分的總分，平均成績只有486分，但是人才輩出，名字一個比一個響，人氣一個比一個旺。大家先認識一下，有飽讀四書五經，滿腹經綸的關東秀才呂輕侯；有籃球場上進攻犀利，防守嚴密的小飛俠科比；還有足球場上無論是邊路傳中還是搶點射門都有非常出色的C羅納爾多；有喜歡煙熏妝、藍絲襪加高跟鞋出鏡的偽娘劉著，有被億萬網友燒香膜拜的春哥黨教主李宇春，還有經常抱著吉他哼著綿羊音的90後MM曾軼可；以及自稱冰清玉潔、妖媚性感、擅長爆發性舞蹈動作的芙蓉姐姐和非清華北大經濟學碩士不嫁、奧巴馬也可的重慶籍奇女子羅玉鳳！
基於學生的考試成績，不同的人會關注不同的方面，高考的判卷老師會關心試卷的雷同程度，命題人會測試考卷的信度和效度，研究文理分科的專家會計算文理成績的相關程度。但是對於普通中學，通常只會關心兩個方面。一是學生成績，計算升學率；二是教學水平，給優秀教師發獎金。如果高中的教學科在這里研究文理相關就屬於廢話，如果還要把問卷的信效檢驗也扯出來就是屁話了。
關於學生：
呂秀才：總分722分，班級第一，平均成績超過90分，如果將其他同學的水平比作三層小樓的話，呂秀才應該是站在賽格頂上！奇才，上清華北大沒有問題。
科比和C羅：總分550左右，平均不到70分！屬於班級2號、3號人物，但成績確實不咋地，不過在該班級中也算鶴立雞群了。
劉著、李宇春、曾軼可：成績較差，上學肯定不是她們的出路！基於平時性情怪異，男的像女，女的像男，還有一個像綿羊，建議別走高考這條尋常路，還是去湖南衛視選秀吧。
鳳姐、芙蓉：這成績，就是個腦殘，估計腦袋不是被門擠過，就是被驢踢過！
關於老師：
衡量教師的優劣需要剔除異常值，呂秀才就是！呂秀才屬於成績異常出眾，個人素質極高，所以他的成績不應該成為衡量老師優劣的樣本。
語文均值高，變異系數小！由此看出語文老師真是好老師！該發獎金！
同理，歷史老師也不錯！也應該適當獎勵。至於物理老師，太差，得趕快換掉，絕對不能讓他繼續誤人子弟了！
存在疑問的就是英語老師。英語成績的均值較高，但變異系數大。這說明數據里可能存在極端值。可能的異常值是科比與C羅。科比美國人，外語自然好！C羅葡萄牙人，但從2003年到2009年一直在英國留學，6年啊，英語好也是應該的！所以，科比與C羅的英語成績不能算是英語老師的栽培，所以科比和C羅是異常值，應該剔除。那麼，剔除異常後就會發現英語的均值只有47分！說明英語老師並不能算做好老師，所以只能與獎金無緣了！
4.2選擇恰當的方法
接上面的案例。如果我們是研究高中該不該進行文理分科的有關部門，那麼我們該如何分析文理成績之間的相關性？
舉例1：如何計算文理科之間的相關性。
目前基本有三種方法，一是簡單相關分析，二是典型相關分析，三是潛變數相關分析。
簡單相關分析就是通過加總，分別計算出文科成績總和、理科成績總和，然後計算兩者的簡單相關系數。
典型相關分析主要用於衡量兩組變數之間的相關性。它的基本原理是：為了從總體上把握兩組指標之間的相關關系，分別在兩組變數中提取是的相關系數最大的一系列典型變數，然後通過計算各對典型變數之間的相關性，來反映變數間的相關程度。
潛變數相關就是計算潛變數之間的相關系數。所謂潛變數是相對於顯變數或者測量變數而言的。潛變數是實際工作中無法直接測量到的變數，包括比較抽象的概念和由於種種原因不能准確測量的變數。一個潛變數往往可以有多個顯變數，潛變數是可以看做是其對應顯變數的抽象和概括，顯變數則可視為特定潛變數的測量指標。在文理科相關性的分析中，我們可以將文科、理科看成潛變數，將語文、外語、政治、歷史這四個顯變數看成文科的測量指標，將數學、物理、化學、生物這四個顯變數看成是理科的測量指標，那麼求文理成績之間的相關問題就轉化成潛變數之間相關的問題。
那麼。我們究竟該選用哪種方法呢？或者假如說我們同時使用了上面三種方法，求出相關系數，該選擇哪一個呢？比如我們計算的結果分別是0.35(簡單相關)、0.85（最大典型變數）、-0.65（潛變數相關），這個時候我們到底該相信哪個數據呢？
其實，我更願意相信簡單相關計算的結果。原因如下：
1、簡單相關，既簡單又易理解。
2、典型相關的取值范圍是【0，1】，它計算出的結果沒有正負，只有大小。與我們實際研究目的有悖。我們想知道學生是否在文理課程上均衡發展，所謂均衡就是正相關，所謂不均衡就是負相關。而典型相關做不到。
3、潛變數相關雖然取值范圍是【-1.1】，但是它多數是採用主成分的方法擬合潛變數，而依據方差提取最大主成分的過程與我們的分析貌似不甚吻合。
4、最重要的是，其實簡單加總與典型相關、主成分相關擁有同一個思想，就是先把多個變數擬合成一個變數（或幾個），然後分析這個擬合出來的變數之間的相關性。其實，在量綱、數量級相同的情況下，而且權重也容易計算的情況下，最簡單有效的擬合就是加總！所以我認為簡單加總後計算出的相關系數是最有效。而潛變數、典型變數是在量綱或數量級不等的情況下，衡量多個變數之間相關關系的有效方法。
舉例2：計算硬幣正反概率
最後，再給大家做道選擇題。
問題：如果一枚硬幣連拋10次都是正面，問第11次出現正面的概率是多少？
選項：A. 接近0% B.50% C.接近100% D. 以上答案都不對
一個硬幣連拋10次都出現正面的概率是0.510，絕對的小概率事件。在一次實驗中，小概率事件發生，那麼我們就應該拒絕原假設。原假設是什麼？硬幣出現正反的概率是0.5。所以，我們可以大膽地推斷，硬幣本身就是一個兩面都是正面的硬幣，所以說第11次出現正面的概率是100%，或者接近100%。大家是不是有異議呢？
樹上10隻鳥，獵槍一槍打死1隻，樹上還剩0隻的結論大家都應該同意吧。因為我們考慮的是實際問題，不是10-1=？的數學算式。所以大家在幼兒園的時候就知道槍聲響過，樹上一隻鳥都不會剩。試想，你和你的朋友打賭投硬幣猜正反，如果10次之後朋友投出來的都是正面，你會怎麼想？兄弟你出千了吧，硬幣肯定有問題吧！相信用不了10次，你就會提出這樣的質疑了。如果說計算概率，0.5沒有錯，獨立事件發生的概率不因之前的情況而改變。但是，如果用假設檢驗的思想，100%的結論就更合理了。之所以說0.5的結果不對，不是說你的計算出錯了，而是在解決實際問題的時候，你太教條了，太書本了，從而選錯方法了。
5.最後總結
我的分享結束了，大家也聽了也笑了，但是笑過之後務必記住我啰嗦了一個小時的這句話：用數據說話就是用真實的數據說話，說真話、說實話、說管用的話！最後說一句廢話：希望剛剛過去的1個小時沒有浪費大家的時間。
⑼ 數據分析有什麼思路
1、明確思路
明確數據分析的目的以及思路是確保數據分析過程有效進行的首要條件。它作用的是可以為數據的收集、處理及分析提供清晰的指引方向。可以說思路是整個分析流程的起點。首先目的不明確則會導致方向性的錯誤。當明確目的後，就要建分析框架，把分析目的分解成若干個不同的分析要點，即如何具體開展數據分析，需要從哪幾個角度進行分析，採用哪些分析指標。
2、收集數據
收集數據是按照確定的數據分析框架收集相關數據的過程，它為數據分析提供了素材和依據。這里所說的數據包括第一手數據與第二手數據，第一手數據主要指可直接獲取的數據比如公司自己的業務資料庫中的業務數據，第二手數據主要指經過加工整理後得到的數據例如一些公開出版物或者第三方的數據網站。
3、處理數據
處理數據是指對收集到的數據進行加工整理，形成適合數據分析的樣式，它是數據分析前必不可少的階段。數據處理的基本目的是從大量的、雜亂無章、難以理解的數據中，抽取並推導出對解決問題有價值、有意義的數據。數據處理主要包括數據清洗、數據轉化、數據提取、數據計算等處理方法。
4、分析數據
分析數據是指用適當的分析方法及工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論的過程。由於數據分析多是通過軟體來完成的，這就要求數據分析師不僅要掌握各種數據分析方法，還要熟悉數據分析軟體的操作。
5、可視化
一般情況下，數據是通過表格和圖形的方式來呈現的，我們常說用圖表說話就是這個意思。常用的數據圖表包括餅圖、柱形圖、條形圖、折線圖、散點圖、雷達圖等，當然可以對這些圖表進一步整理加工，使之變為我們所需要的圖形，例如金字塔圖、矩陣圖、漏斗圖等。
6、撰寫報告
撰寫數據分析報告其實是對整個數據分析過程的一個總結與呈現，通過清晰的結構和圖文並茂的展現方式去展具有建設意義的解決方案。
⑽ 數據分析師常用的思維分析方式是什麼
1. 對比思維
對比這兩個字大家肯定都不陌生，比如買東西我們會貨比三家，其實生活中處處有對比。
比如說，小芳一直成績優異，但是末次考試發揮失常，數學只考了40分，班主任找到小芳談話，問她說：「你最近怎麼回事，上次你數學考了80分，全班前十，這次怎麼考的這么差？你看看你的同桌，這次都考了73分。」
從這個小故事中可以看出，對比一般有兩種方式，橫向對比和縱向對比。橫向對比也就是與同類對比，比如班主任拿小芳的成績跟她同桌的成績做對比。縱向對比是指同一類型不同時間的對比，比如班主任拿小芳這次的成績和上次的成績做對比。
2. 細分思維
細分思維很多人可能乍一聽不太明白，其實生活中很多小事都體現了細分思維。就比如我們人體是由九大系統構成的，系統又是由器官構成的，器官是由組織構成的、細胞又構成了組織，層層細分。
再拿剛剛的例子來說，還是我們的小芳同學，還是剛剛那場考試，班主任讓小芳對自己這考試的總成績做一個總結，小芳拿著成績單仔細研究，發現這次總成績不是很好，但是仔細一看，發現除了數學成績只考了40分以外，其他科目的成績都名列前茅，數學成績拉低了小芳的整體成績。
在這里我們就是把整體考試成績細分為具體的科目來總結歸因。在數據分析的工作中，細分的緯度主要包括時間、地區、渠道、產品、員工、客戶等。杜邦分析法、麥肯錫的 MECE 分析法本質上都屬於細分思維。
3. 溯源思維
前兩個思維能夠對應一部分數據分析工作要求，但是如果有一些數據不能用前兩種思維來處理怎麼辦呢？
那我們就可以用到另一種溯源思維。俗話說追根溯源，很多時候我們要想知道事物背後的邏輯原因，最好的方法可能是去探究事物發生的原因，來幫助我們分析。
繼續拿小芳舉例，她放學回家把成績單交給媽媽，媽媽通過對比、細分的思維方法知道了小芳這次考試的大概情況，也知道是數學失利了。但是小芳的數學一向是強項，媽媽還是無法理解為什麼會在這里出問題，於是媽媽找來小芳談心，詳細了解了考試時的情況，才發現是因為小芳考數學的那天中午吃壞了肚子，下午的數學考試剛好發作，疼痛難忍，以至於很多本來會做的題目都做錯了。媽媽也理解了小芳，並且向小芳表達了歉意，也會更注重小芳的飲食問題。
上面的例子里，小芳的媽媽無法從表面的數據上分析出事情發生的原因，於是採用了溯源思維，找到了真正的原因。如果數據分析師在工作中也能利用好溯源思維，那麼對數據的敏感和業務的理解也能逐步加深。
4. 相關思維
上面幾種思維是比較常用的思維方式，下面我們就來說說相關思維，這也是數據分析的核心思維能力。
很多人可能都知道著名的啤酒與尿布的故事，在業界是一個相關分析的經典案例。故事背景是20世紀90年代的美國沃爾瑪超市，當時沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。
沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：跟尿布一起購買最多的商品竟是啤酒。
經過大量實際調查和分析，揭示了一個隱藏在「尿布與啤酒」後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的妻子們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
如果數據分析師能夠熟練靈活的將相關分析運用到工作中，就能從僅僅知道數據分析的結果是什麼進階到知道呈現這個結果的原因是為什麼。
5. 假設思維
之前的思維模式都是建立在我們有大量的已知數據可以進行分析論證的時候，那麼如果我們還沒有足夠的數據量或者證據來驗證這件事，我們應該怎麼辦呢？這種時候就可以用到我們的假設思維。先對大膽進行假設，然後再小心求證，最後去想辦法驗證假設是否成立。
比如，小芳想吃荔枝，於是下樓去買，跟賣荔枝的阿姨之間有這樣一段對話：
小芳：「阿姨，你這荔枝甜不甜？」
阿姨：「甜啊，我這有切好的，你先嘗一嘗試試。」
小芳：「好，那我嘗一個。」
小芳拿來一個荔枝，嘗了一口：「嗯，不錯，確實挺甜的，給我稱兩斤吧。」
上面這個看似簡單的小故事，其實就隱藏了簡單的假設檢驗。首先，小芳提出假設：荔枝是甜的；其次，隨機抽取一個樣本；然後，檢驗是否是甜的；最後，作出判斷，確認荔枝真的是甜的，所以就購買了。
在數據分析中，假設思維的專業術語叫假設檢驗，一般包括四個步驟，即：提出假設、抽取樣本、檢驗假設、作出判斷。數據分析師可以充分利用這一思維模式。
6. 逆向思維
逆向思維這個詞大家一定都不陌生，很多著名企業家的演講中就常常提到這個詞，他們都提倡打破常規的思維模式，從相反的方向來思考問題。
下面我們邀請小芳同學再次登場。
有一次，小芳去買辣椒，跟阿姨之間又有一段對話。
小芳：「阿姨，你這辣椒多少錢一斤？」
阿姨：「一塊五。」
小芳挑了 3 個放到秤盤：「阿姨，幫我稱一下。」
阿姨：「一斤半，兩 塊 2 毛。」
小芳去掉其中最大的辣椒：「做湯不用那麼多。」
攤主：「一斤二兩，一塊6毛。」
小芳拿起剛剛去掉的那個最大的辣椒，付了 6毛錢，笑著跟阿姨說了再見。
你看，運用逆向思維，有時可能會起到意想不到的效果。
7. 演繹思維
演繹思維相對於前面的幾種思維方式可能不是那麼好理解。
演繹思維的方向是由一般到個別，大家要記住這一點，後面我們還會提到。也就是說，演繹的前提是一般性的抽象知識，而結論是個別性的具體知識。演繹的主要形式是由大前提、小前提、結論三部分組成的三段論。
以物理學上一個常識為例。
大前提：金屬能導電。
小前提：銀鐵是金屬。
結論：銀能導電。
從這個例子中可以看出，大前提是已知的一般原理（金屬能導電），小前提是研究的特殊場合（鐵是金屬），結論是將特殊場合歸到一般原理之下得出的新知識（銀能導電）。
8. 歸納思維
歸納思維的方向與演繹正好相反，歸納的過程是從個別到一般。
還是以金屬能導電為例。
前提：金能導電，銀能導電，銅能導電，鋁能導電。
結論：金屬能導電。
數據分析的過程，往往是先接觸到個別事物，而後進行歸納總結，推及一般，再進行演繹推理，從一般推及個別，如此循環往復，不斷積累經驗。
總結
本文總結了數據分析的 8 種思維，分別是對比、細分、溯源、相關、假設、逆向、演繹、歸納。作為一名數據分析師，如果在工作中能充分運用好這些思維，是對個人能力極大地提升，就能夠在工作中創造更多的個人價值。