saas数据分析方法

1. 如何进行数据采集以及数据分析

如何进行数据采集以及数据分析?可以从免费舆情监测系统 舆情调查软件就从舆情监测系统的架构说起是，因为他们的技术手段都是一样的呢
1、舆情采集系统：
一、只要是互联网上发生的与“我”相关的舆情信息，都可以第一时间监测到，并且以最直观的方式显示出来，“一网打尽，一目了然”。监测网站类型包括：新闻、论坛、博客、贴吧、微博、电子报、搜索引擎等。
二、对于重点舆情以及负面信息通过手机短信等方式及时预警，不需要有专人值守就可以随时掌握舆情。
三、自动分析舆情信息的发展变化趋势、舆情信息的首发网站、作者、转载情况、热度变化、评估干预处理之后的效果等。
四、自动生成各种统计分析报表和舆情报告，助力舆情工作。配合相应的工作机制，可以有效提升舆情监管的质量和效率，提升舆情应对水平。
五、除了提供系统级7*24小时的运维服务，还配备专门的舆情分析师协助监测，人工预警。 系统建设目标是整合互联网信息渠道，形成系统、有效的舆情监测机制。实现系统运行，监控互联网信息、新浪、腾讯等主要微博微博，对其进行实时数据采集、全网监控、分析、检索，对敏感信息进行预警，防止负面信息传播，对重大事件做出最及时的反应和相应处理建议。并对近一段时期的热点问题、敏感词句进行搜索，从而掌握网络舆情，辅助领导决策服务。 主要的门户网站，主要的报纸、主要的大型网络论坛、社区、贴吧、博客、微博。例如新浪新闻、各大报纸的电子报、天涯论坛、新浪微博、网络贴吧等。 各类与我相关的以及区域内有影响力的网站。 网络、谷歌、360搜索等搜索引擎。 论坛搜索，博客搜索、微博搜索等专业搜索引擎。 重点网站提供的站内搜索等。
2、舆情分析系统：

分析引擎是本系统的关键组成部分。其主要作用是对采集系统采集的数据，自动进行智能分析。分析引擎的主要功能包括：自定分析舆情级别、自动生成热点、负面舆情研判、自动分类、自动生成专题、转载计算、自动抽取舆情要素和关键词、自动摘要、自动预警、自动生成统计图表等功能。例如：多瑞科舆情数据分析站系统引擎内置了政府舆情模型、企业舆情模型和垂直监控模型，这些分析模型，是在多年舆情行业中按照客户的实际需求，不断重构和完善起来的，具有良好的实际应用效果。在实际项目中，不用通过二次开发就可以全面满足政府、企业单独应用。或者通过SAAS平台完成从上到下的垂直监测需求。对于特殊的应用需要，分析引擎还支持扩展插件，用于快速完成二次开发，支持各种需求定制。
3、舆情服务平台：
主要是用户进行日常舆情管理的平台，能够及时接受舆情信息，进行一些常规的舆情管理工作。

2. 机器学习四大数据分析降维方法详解

【导读】近几年来，随着人们对数据分析领域的情况愈发了解后，很多大数据分析师利用机器学习四大数据分析降维方法来解决一些数据分析过程中的难题，从而更容易更便捷的工作和避免一些工作中的重复动作和流程，今天小编就对机器学习四大数据分析降维方法进行详细解读，希望对大家有所帮助。

就像在拥挤的体育场内找到特定人物并不容易，将所有数据都放在同一个物理位置并不一定会使发现变得容易，另外由于来自原始系统的数据复制缓慢且成本高昂，因此相关数据中只有一小部分倾向于存储在湖泊中，更为复杂的是，许多公司可能拥有数百个分布在多个本地数据中心和云提供商之间的数据存储库，当涉及数据集成时，以原始格式存储数据并不会消除使数据适应每个机器学习过程的需求，相反它只是将执行该过程的负担转移给了数据科学家，尽管湖中可能具有所需的处理能力，但数据科学家通常不具备集成数据所需的技能。

过去几年中出现了一些数据准备工具，以使数据科学家可以访问简单的集成任务

更复杂的任务仍然需要高级技能。IT部门通常需要通过在数据湖中为特定的ML流程创建新的数据集来进行救援，从而大大减慢了进度，数据虚拟化的好处为了应对这些挑战，组织已开始应用新流程，例如数据虚拟化，可以提供对任何数据的单一访问点-无论位于何处，也无论其本机格式如何-都无需先将其复制到中央存储库中，提供相同物理数据的不同逻辑视图，而无需创建其他副本。这提供了一种快速而廉价的方式来提供数据的不同视图，以满足每种类型的用户和应用程序的独特需求，这些逻辑视图可以通过使用复杂的优化技术在物理数据之上应用复杂的数据转换和组合功能来创建，以实现最佳性能。

具体而言，数据虚拟化通过以下方式帮助应对两个主要挑战

数据发现使数据科学家可以访问更多数据，由于无需从原始系统复制数据集即可在系统中使用，因此添加新内容会更快，更便宜。这些工具为实际复制哪些数据提供了完全的灵活性。例如，对于某个过程，您可以选择从源实时访问所有数据，而对于另一个过程，则可以选择首先在物理存储库(例如数据湖)中实现所有必需的数据，而对于另一个过程，则可以选择可以选择仅体现一部分数据的混合策略(例如，将在流程中频繁使用或可能对许多流程有用的数据)。

提供的所有数据集提供了可搜索的，可浏览的目录

该目录包含有关每个数据集的大量元数据、标签，列说明和使用信息，例如谁使用每个数据集，何时以及如何使用，数据集的内容也可以直接从此目录中搜索和查询。

工具根据一致的数据表示和查询模型公开所有数据

这意味着无论数据最初存储在关系数据库，Hadoop集群，SaaS应用程序还是NoSQL系统中，数据科学家都可以看到所有数据，就像将其存储在单个关系数据库中一样。可以通过SQL，REST或OData等标准方法访问此“虚拟数据库”，这些方法支持包括R，Scala，Python和Spark
ML等标准工具/语言。

使IT数据架构师和数据科学家之间的职责明确，成本有效地分开

IT数据架构师可以使用DV创建“可重用的逻辑数据集”，以对许多流程有用的方式公开信息，这些逻辑数据集也不需要物理复制数据，因此与传统方法相比，创建和维护它们的工作量要少得多，然后数据科学家可以对这些可重复使用的数据集进行修改，以满足每个ML流程的需求。根据定义，可重用的逻辑数据集会处理诸如转换和性能优化之类的复杂问题，因此数据科学家可以根据需要执行最终(且更轻松)的自定义。

现代工具还包括高级管理功能

因此可以集中实施安全策略，可以保留虚拟数据集的沿袭，并且可以在多个ML流程之间重用常见的转换和计算，数据虚拟化平台还可以将ML分析的结果无缝地呈现给业务用户和应用程序，因此可以轻松地将其合并到业务流程和报告中，随着机器学习和数据湖的不断扩散并支持现代分析，数据虚拟化是大幅提高数据科学家生产率的关键，它使他们可以专注于自己的核心技能，而不是数据管理，使数据科学家可以访问更多数据并利用基于目录的数据发现，并且极大地简化了数据集成，因此组织可以真正从手头的数据中受益。

以上就是小编今天给大家整理发送的关于“机器学习四大数据分析降维方法详解”的相关内容，希望对大家有所帮助。想了解更多关于数据分析及人工智能就业岗位分析，关注小编持续更新。

3. 新手入门的数据分析人员用什么数据分析工具

我觉得新手入门的数据分析人员可以使用思迈特软件Smartbi的数据分析工具，简单易上手，而且易用性上是有很大的优势。

思迈特软件Smartbi的易用性主要表现在：

1、易理解性：产品的功能和名字都是直接表明的，很容易让客户理解。

2、易学习性：产品是默认安装内置Demo库，帮助用户学习使用，可以浏览产品实现效果。操作界面的分类也十分的明确的，工具栏快捷按钮等功能菜单直观、易用，能很方便的完成操作。

3、易操作性：安装起来十分简单。产品是通过直观的界面操作，简单的下一步操作，就可以完成产品的默认安装。

广州思迈特软件Smartbi有限公司（思迈特软件Smartbi）成立于2011年，他们致力于为企业客户提供一站式商业智能解决方案，以提升和挖掘企业客户的数据价值为使命，专注于商业智能(BI)与大数据分析软件产品与服务。

数据分析工具靠不靠谱，来试试Smartbi,思迈特软件Smartbi经过多年持续自主研发，凝聚大量商业智能最佳实践经验，整合了各行业的数据分析和决策支持的功能需求。满足最终用户在企业级报表、数据可视化分析、自助探索分析、数据挖掘建模、AI智能分析等大数据分析需求。

思迈特软件Smartbi个人用户全功能模块长期免费试用
马上免费体验:Smartbi一站式大数据分析平台

4. SaaS是什么SaaS有什么优势

SaaS全称是（Software As a Service）中文释义就是软件及服务。

Baklib带你通过对比传统软件和SaaS的区别。

传统软件以十年前的Office为例，当时我们用Word编写文档，文件只存在你的个人电脑里。我们只有U盘拷贝随身携带，以备不时之需，而现在我们用Baklib软件等在线文档编辑内容，所有编辑内容都实时存储在云端。随时随地可以存取。

SaaS有什么优点呢？

1、成本低，以前我们通常围绕业务搭建平台软件，需要组建团队或者外包给第三方平台。从零到一进行技术开发，现如今可以选择相关业务SaaS服务直接使用。

2、无需安装，传统软件需要下载才能使用，有的公司还存在用邮寄光盘安装的情况，现在SaaS通常以网页的形式提供服务，比如使用Baklib搭建帮助中心，打开网页直接登录使用即可，高效协同为企业降本增效。

3、无需维护，以前服务器系统出现宕机，需要技术人员紧急修复Bug发版本再进行更新，现在的话就是通通交给服务商，你每次的服务请求都是最新版，无需下载更新。

4、数据云存储。SaaS软件的数据信息是实时存储在云端的，无惧恶意攻击和意外事故，数据采用了高层级的加密算法，确保了数据的安全。

5. 如何对数据进行分析 大数据分析方法整理

【导读】随着互联网的发展，数据分析已经成了非常热门的职业，大数据分析师也成了社会打工人趋之若鹜的职业，不仅高薪还没有很多职场微世界的繁琐事情，不过要想做好数据分析工作也并不简单，今天小编就来和大家说说如何对数据进行分析?为此小编对大数据分析方法进行的归纳整理，一起来看看吧!

画像分群

画像分群是聚合契合某种特定行为的用户，进行特定的优化和剖析。

比方在考虑注册转化率的时候，需求差异移动端和Web端，以及美国用户和我国用户等不同场景。这样可以在途径战略和运营战略上，有针对性地进行优化。

趋势维度

树立趋势图表可以活络了解商场，用户或产品特征的根柢体现，便于进行活络迭代;还可以把方针依据不同维度进行切分，定位优化点，有助于挑选方案的实时性。

趋势维度

漏斗查询

经过漏斗剖析可以从先到后的次序恢复某一用户的途径，剖析每一个转化节点的转化数据。

悉数互联网产品、数据分析都离不开漏斗，不论是注册转化漏斗，仍是电商下单的漏斗，需求注重的有两点。首先是注重哪一步丢掉最多，第二是注重丢掉的人都有哪些行为。

注重注册流程的每一进程，可以有用定位高损耗节点。

漏斗查询

行为轨道

行为轨道是进行全量用户行为的恢复，只看PV、UV这类数据，无法全面了解用户怎样运用你的产品。了解用户的行为轨道，有助于运营团队注重具体的用户领会，发现具体问题，依据用户运用习气规划产品、投进内容。

行为轨道

留存剖析

留存是了解行为或行为组与回访之间的相关，留存老用户的本钱要远远低于获取新用户，所以剖析中的留存是十分重要的方针之一。

除了需求注重全体用户的留存情况之外，商场团队可以注重各个途径获取用户的留存度，或各类内容招引来的注册用户回访率，产品团队注重每一个新功用用户的回访影响等。

留存剖析

A/B查验

A/B查验是比照不同产品规划/算法对效果的影响。

产品在上线进程中常常会运用A/B查验来查验产品效果，商场可以经过A/B查验来完毕不同构思的查验。

要进行A/B查验有两个必备要素：

1)有满意的时刻进行查验

2)数据量和数据密度较高

由于当产品流量不行大的时候，做A/B查验得到核算经果是很难的。

A/B查验

优化建模

当一个商业方针与多种行为、画像等信息有相关时，咱们一般会运用数据挖掘的办法进行建模，猜测该商业效果的产生。

优化建模

例如：作为一家SaaS企业，当咱们需求猜测判别客户的付费自愿时，可以经过用户的行为数据，公司信息，用户画像等数据树立付费温度模型。用更科学的办法进行一些组合和权重，得知用户满意哪些行为之后，付费的或许性会更高。

以上就是小编今天给大家整理分享关于“如何对数据进行分析
大数据分析方法整理”的相关内容希望对大家有所帮助。小编认为要想在大数据行业有所建树，需要考取部分含金量高的数据分析师证书，一直学习，这样更有核心竞争力与竞争资本。

6. 产品经理必会的10种数据分析方法

产品经理必会的10种数据分析方法
随着人口和流量红利的下降，互联网行业必然会朝着精益化运营的方向发展。数据分析在很多互联网人的工作中越发显得重要，而对于产品经理来说，更是如此。
本文将为产品经理介绍数据分析的基本思路，并基于此，衍生出 2 个常见方法和 7 个应用手段，希望在数据分析的实际应用中能给大家带来帮助。
一、数据分析的基本思路数据分析应该以业务场景为起始思考点，以业务决策作为终点。
基本思路为 5 步，首先要挖掘业务含义、制定分析计划、从分析计划中拆分出需要的数据、再根据数据分析的手段提炼业务洞察，最终产出商业决策。
接下来我们用一个案例来具体说明这 5 步思路：某国内 P2P 借贷类网站，市场部在网络和 hao123 上都有持续的广告投放，吸引网页端流量；最近内部同事建议尝试投放 Google 的 SEM；另外，也需要评估是否加入金山网络联盟进行深度广告投放。在这种多渠道的投放场景下，产品经理该如何进行深度决策？1. 挖掘业务含义
首先要了解市场部想优化什么，并以此为核心的 KPI 去衡量。渠道效果的评估，最重要的是业务转化：对 P2P 类网站来说，是否‘发起借贷’远远比‘用户数量’重要。
所以无论是 Google 还是金山渠道，都要根据用户群体的不同，优化相应用户的落地页，提升转化。
2. 制定分析计划
以‘发起借贷’为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及 ROI 效果，可以持续观察这部分用户的后续价值。
3. 拆分查询数据
根据各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单类型数据，进行用户分群。
4.提炼业务洞察
在不同渠道进行投放时，要根据 KPI 的变化，推测业务含义。比如谷歌渠道的效果不好，可能因为谷歌大部分的流量在海外，可能会造成转化率低。而金山网络联盟有很多展示位置，要持续监测不同位置的效果，做出最后判断。
5.产出商业决策
最后根据数据洞察，指导渠道的投放决策制。比如停止谷歌渠道的投放，继续跟进金山网络联盟进行评估，而落地页要根据数据指标持续地进行优化。
二、常见的数据分析方法（一）内外因素分解法内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。
社交招聘类网站，一般分为求职者端和企业端，向企业端收费方式之一是购买职位的广告位。业务端人员发现‘发布职位’数量在过去的 6 个月里有缓慢下降的趋势。
对于这类某一数据下降的问题，从产品经理的角度来说，可以如何拆解？
根据内外因素分解法分析如下：
1.内部可控因素
产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化；
2.外部可控因素
市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化；
3.内部不可控因素
产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）；
4.外部不可控因素
互联网招聘行业趋势、整体经济形势、季节性变化；
（二）DOSSDOSS 是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。
某在线教育平台，提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，产品经理应该如何辅助分析？按 DOSS 的思路分解如下：
1.具体问题
预测是否有可能帮助某一群组客户购买课程。
2.整体
首先根据这类人群的免费课程的使用情况进行数据分析，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
3.单一回答
针对该群用户进行建模，监控该模型对于最终转化的影响。
4.规模化
之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，将课程推荐模型加入到产品设计中。
三、数据分析的应用手段根据基本分析思路，常见的有 7 种数据分析的手段。（一）画像分群画像分群是聚合符合某中特定行为的用户，进行特定的优化和分析。
比如在考虑注册转化率的时候，需要区分移动端和 Web 端，以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上，有针对性地进行优化。（二）趋势维度
建立趋势图表可以迅速了解市场， 用户或产品特征的基本表现，便于进行迅速迭代；还可以把指标根据不同维度进行切分，定位优化点，有助于决策的实时性；（三）漏斗洞察通过漏斗分析可以从先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据；
所有互联网产品、数据分析都离不开漏斗，无论是注册转化漏斗，还是电商下单的漏斗，需要关注的有两点。第一是关注哪一步流失最多，第二是关注流失的人都有哪些行为。
关注注册流程的每一个步骤，可以有效定位高损耗节点。
（四）行为轨迹
行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据，无法全面理解用户如何使用你的产品。了解用户的行为轨迹，有助于运营团队关注具体的用户体验，发现具体问题，根据用户使用习惯设计产品，投放内容；（五）留存分析留存是了解行为或行为组与回访之间的关联，留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一；
除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等。（六）A/B 测试A/B 测试是对比不同产品设计/算法对结果的影响。
产品在上线过程中经常会使用 A/B 测试来测试产品效果，市场可以通过 A/B 测试来完成不同创意的测试。
要进行 A/B 测试有两个必备因素：
1.有足够的时间进行测试；
2.数据量和数据密度较高；
因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往公司数据规模较大时使用会更加精准，更快得到统计的结果。
（七）优化建模当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数据挖掘的手段进行建模，预测该商业结果的产生；
例如：作为一家 SaaS 企业，当我们需要预测判断客户的付费意愿时，可以通过用户的行为数据，公司信息，用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重，得知用户满足哪些行为之后，付费的可能性会更高。
以上这几种数据分析的方法论，仅仅掌握单纯的理论是不行的。产品经理们需要将这些方法论应用到日常的数据分析工作中，融会贯通。同时学会使用优秀的数据分析工具，可以事半功倍，更好的利用数据，实现整体增长。

7. 初创产品，数据统计分析工具怎么选saas还是私有化关键预算有限

预算有限还是有小部分的，目前大部分初创团队用的都是saas的，不是他们不想用私有化，主要还是因为成本对于他们来讲太高！其实建议还是用私有化的，每个初创产品都认为自己有个最棒的idea，认为产品会有很大的发展，目前市场上的大部分saas数据统计产品都掌握在巨头大佬手中，所以，你懂的。。。看你数据要起来，分分钟复制个跟你一模一样的预算有限的话可以去了解下C4J，私有化的，主打低成本

8. saas行业，怎样用数据驱动增长呢会用到哪些数据分析工具呢

数据驱动增长，即用数据驱动精细化运营，用数据分析saas平台在运营过程中的各种问题，发现问题解决问题。具体可以看看growingio博客，工具可以注册账号试用下，多维分析，还是蛮精细的

9. 从入门到精通 互联网数据分析书籍清单

从入门到精通：互联网数据分析书籍清单
任何一个技能的学习，都有从浅到深的过程，数据分析也不例外。一个完整的数据分析知识体系类似金字塔结构：最顶层是对数据价值的认知、业务理解，中间是数据分析方法论，而最底层则是数据分析的解决方案或者具体的操作方法。我把数据分析的推荐书籍划分成三个段位，便于大家渐进式学习。
数据分析入门版
入门版适合数据分析的入门者、对数据分析没有整体概念的人，常见于应届毕业生、经验尚浅的转行者。

入门版推荐书籍
《深入浅出数据分析》：O’Relly出版的HeadFirst（深入浅出）系列书籍之一，书中有大量的图片和有趣的案例组合。本书浅显易懂形象生动，可以使入门者对分析的概念有个全面的认知。
《谁说菜鸟不会数据分析》：本书详细介绍了数据分析的基本方法和过程，并且以Excel表格为例进行了案例阐述。同时本书还介绍了数据分析在职场的意义，可以帮助职场小白快速上手。
《赤裸裸的统计学》：作者年轻时是个追求学习的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。
同样类似的书籍还有《统计数字会撒谎》，这本书知名度要高点，通过揭露“虚假数字信息”来帮助大家理解背后的统计学原理。
数据分析进阶版
进阶版具有一定的行业针对性，要求分析者具备一定的数据分析常识和业务理解；适合网站分析师，商业分析师以及数据产品经理等人群。

进阶版推荐书籍
《精通web analytics 2.0》：Analytics将点击流网站分析工具与定性数据、测试与试验以及竞争情报工具相结合，从而推演出详尽的网站战略以及操作层方案。此书虽老，但其中很多思想和流量分析的案例仍然很有借鉴意义，现在国内只能买到二手的旧书。
与此类似的有《网站分析实战》，是国内一本讲网站分析的书，没有上面经典，但胜在新出，很多案例和理念都有及时的更新。
《深入浅出统计学》：与上面的《深入浅出数据分析》同属于Headfirst系列书籍，运用充满互动性的真实世界情节，帮助读者快速了解统计方面的理论知识。
《数据化管理》：黄成明着，讲解在企业中应用数据的例子，读完受益匪浅，里面举的很多例子都很接地气。虽说偏向于零售业管理，但大道归一，可适用于很多行业，当时依据里面的理念规划了美团外卖面向BD的数据产品。
《MySQL必知必会》：这本也是我当年学习SQL的入门书，薄册子一本，看起来很快。SQL是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮这个技能点。
《互联网增长的第一本数据分析手册》：我们公司的出的一本数据分析手册，全书以增长为主题。这本手册介绍了互联网创业企业增长方法论、互联网数据分析的常见方法（趋势、转化、留存、实时、分群、细查、热图）、细分行业（如SaaS、互联网金融、电商等）的应用。
数据分析高阶版
更高阶的数据分析相对来说专业性就强了，如涉及到企业内部数据治理，数据结合的业务分析，数据可视化等。当然，还有数据挖掘算法之类的更深入的东西，这块没有研究就不瞎推荐了。

高阶版推荐书籍
《决战大数据》：阿里巴巴前数据副总裁车品觉老师所着，讲解了阿里巴巴在企业内部治理数据过程中的心得，所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”，字字珠玑，可堪借鉴。
《精益数据分析》：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。
《The Wall Street Journal Guide to Information Graphics》，华尔街日报负责商业分析的人做的可视化指南，精华且实用，我之前写过读书笔记《华尔街日报是这样做数据可视化的》，可供大家参考。
《数据仓库经典教程》：网上有人整理出来的资料，优点是简单明了，不像正常的数据仓库教材厚厚一本。
当然，数据分析是一门很深的学问，我也只是窥得冰山一角。要想做好数据分析必须具备多方面的技能：需要看清数据的价值并且懂业务，需要熟知数据分析的方法论，同时也要熟练掌握数据分析软件的操作。在学习上面数据分析推荐书籍的同时，不断在实践中加深自己的理解，用数据来驱动业务和客户增长。

10. 数据统计分析工具有哪些

这一类的软件比较多，专业点的用SPSS，这一个比较简单。再就是excel了，也可以做回归，方差检验。还有就是更专业的了SAS、EVIEWS、MALTABL了