隨著網際網路、雲計算、人工智慧和虛擬現實技術的飛速發展，企業資料呈幾何增長，大資料時代已經到來，不會資料分析，就難以適應社會的發展和企業的變革，就會被大資料的洪荒巨浪所吞噬。

所以，我們要樹立數據思維，即要建立一種根據資料來思考的思維模式。這是一種量化的思維模式，透過用資料描述事實，用資料分析現狀，追根溯源，實現科學決策。

1

這麼做資料分析是無效的，

然而大部分人都在這麼做…

1、就數論數，羅列資料

這是最常見的一種無效的資料分析。例如，我們經常會看到一些資料分析，購買XX產品，男女比例是多少，銷售最高的時間是在某某時間段，XX產品銷量最好，XX產品銷量最差…

單純地羅列資料，而沒有實際的分析結論。知道男女比例情況又怎樣？性別是否影響了產品的購買率，是如何影響的？該產品銷量差，然後呢，是因為什麼差？

2、分析結論高大上，實現過程卻隻字不提

最常見的現象是，在分析報告裡寫道：我們要提高業績需要做到：

一、提高產品質量，最佳化產品結構；

二、提高服務質量，做到以人為本；

三、拓展廣告渠道，提高品牌影響力；

四、做好定價策略，提高市場佔有率；

…

這些分析結論好像放之四海而皆準吧，問題的關鍵是：如何實現呢？怎麼最佳化產品結構？哪些產品是需要提高產量、哪些產品是需要降低產量？需要拓展哪些渠道，能夠實現宣傳的最大化？如何定價，才能讓消費者買單…

要想回答上述問題，都是需要透過資料去逐一分析，沒有資料提供依據、做指導，所有的結論都是紙上談兵。

2

怎麼做資料分析才是有效的呢？

這裡，我們為大家總結了5種常用的資料分析的方法，供大家參考。

01-對比分析

對比分析是我們在日常生活中最常用到的資料分析方法，一般分為縱向對比和橫向對比。

縱向對比，是時間上的對比，如我們經常提到的同比或環比。橫向對比是指與其他同類之間的對比，如與競品之間的對比。

如果要比較類似的資料組（例如產品銷量之間的對比，實際與目標情況的對比），我們常用柱狀圖展示。

02-結構分析

結構分析也叫“佔比分析”、“比重分析”，計算某項經濟指標各項組成部分佔總體的比重，分析其內部構成的變化。佔比分析常用餅圖來展示。

例如，透過分析流動資金的各專案佔流動資金總額的比重，來確定流動資金的結構，然後將不同時期的資金結構進行對比，觀察結構變化。

03-趨勢分析

趨勢分析是看有關指標一段時期的資料變化情況，檢視發展趨勢。隨著時間連續變化的資料顯示常用折線圖展示。

在做趨勢分析時，要考慮：

所以，趨勢分析，並不能單純看資料是上升了還是下降了，還要分析背後的因素，具體問題具體分析。

04-假設與驗證

當我們還不能夠證明某件事情的時候，可以先大膽假設，然後再小心求證，驗證一下假設是否成立。

例如在趨勢分析中，我們不能夠判斷究竟是什麼原因導致的9月份的銷量急劇下滑。我們可以先假設是由於學生開學，導致大量學生入學無法到遊樂園玩耍導致了銷量的急劇下滑。那我們可以延長時間，看一下去年、前年是否也有這樣的規律。

05-維度分析

如果想要從多個角度、多個層面進行分析，那就是多維分析。細分的維度包括時間、地區、產品類別、部門、員工、客戶等等。多維度組合分析，可以靈活應對不時面臨的各種分析需求。

例如，某企業想要分析產品銷售情況，可以分析某時間段整個區域的銷量走勢情況、可以分析某時間段各個門店的銷售情況、可以分析某門店各個產品的銷售情況…透過這些維度的組合與設定，可以得出不同的分析結論。

3

做資料分析應該用什麼工具呢？

資料時代已經來臨，使用智慧BI工具代替手工統計分析資料已經成為一種趨勢。

分析雲能夠幫助企業提高資料分析的效率、減少分析成本，有效挖掘資料的價值，助力企業科學決策。

要做好資料分析必須的有清晰的思路，之後進行詳細的整理分類記錄。準備工作做好了就要靠電腦做具體的分析，首先建立表格吧需要的資料輸入好，你只需要簡單的操作電腦就會完成。你需要對電腦表格操作有一定的基礎，

資料分析分為兩部分，資料和分析，資料的話最基本的是透過Excel和PPT展示，有時需要SPSS，PS等軟體，而分析才是大學問。

作為分析師，報告質量是老闆衡量你能力的標準。分析出來的報告不只是分析，還要有自己獨到的結論和觀點。同時報告質量又受報告整體的樣式，報告的排版等所影響。資料視覺化，資料觀賞性，這都是加分項。推薦你可以參考一些資料機構或諮詢機構，國家統計局，中國信通院，艾媒諮詢，這些都可以看看，權威報告可以幫助你理清分析思路，結合行業趨勢和時事熱點進行分析。

大資料分析方法

工具/原料

資料庫基本知識

程式設計能力

統計理論與相關知識

方法/步驟1:

大資料分析的五個基本方面

PredictiveAnalyticCapabilities（預測性分析能力）

資料探勘可以讓分析員更好的理解資料，而預測性分析可以讓分析員根據視覺化分析和資料探勘的結果做出一些預測性的判斷。

DataQualityandMasterDataManagement（資料質量和資料管理）

資料質量和資料管理是一些管理方面的最佳實踐。透過標準化的流程和工具對資料進行處理可以保證一個預先定義好的高質量的分析結果。 AnalyticVisualizations（視覺化分析）

不管是對資料分析專家還是普通使用者，資料視覺化是資料分析工具最基本的要求。視覺化可以直觀的展示資料，讓資料自己說話，讓觀眾聽到結果。 SemanticEngines（語義引擎）

我們知道由於非結構化資料的多樣性帶來了資料分析的新的挑戰，我們需要一系列的工具去解析，提取，分析資料。語義引擎需要被設計成能夠從“文件”中智慧提取資訊。

DataMiningAlgorithms（資料探勘演算法）

視覺化是給人看的，資料探勘就是給機器看的。叢集、分割、孤立點分析還有其他的演算法讓我們深入資料內部，挖掘價值。這些演算法不僅要處理大資料的量，也要處理大資料的速度。

假如大資料真的是下一個重要的技術革新的話，我們最好把精力關注在大資料能給我們帶來的好處，而不僅僅是挑戰。

方法/步驟2:

大資料處理

大資料處理資料時代理唸的三大轉變：要全體不要抽樣，要效率不要絕對精確，

要相關不要因果。具體的大資料處理方法其實有很多，但是根據長時間的實踐，

方法/步驟3:

採集

大資料的採集是指利用多個數據庫來接收發自客戶端的資料，並且使用者可以透過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關係型資料庫MySQL和Oracle等來儲存每一筆事務資料，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於資料的採集。

在大資料的採集過程中，其主要特點和挑戰是併發數高，因為同時有可能會有成千上萬的使用者來進行訪問和操作，比如火車票售票網站和淘寶，它們併發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。

方法/步驟4:

統計/分析

統計與分析主要利用分散式資料庫，或者分散式計算叢集來對儲存於其內的海量資料進行普通的分析和分類彙總等，以滿足大多數常見的分析需求，在這方面，

一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基MySQL

的列式儲存Infobright等，而一些批處理，或者基於半結構化資料的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的資料量大，其對系統資源，特別是I/O會有極大的佔用。

方法/步驟5:

匯入/預處理

雖然採集端本身會有很多資料庫，但是如果要對這些海量資料進行有效的分析，

還是應該將這些來自前端的資料匯入到一個集中的大型分散式資料庫，或者分散式儲存叢集，並且可以在匯入基礎上做一些簡單的清洗和預處理工作。也有一些使用者會在匯入時使用來自Twitter的Storm來對資料進行流式計算，來滿足部分業務的實時計算需求。匯入與預處理過程的特點和挑戰主要是匯入的資料量大，

每秒鐘的匯入量經常會達到百兆，甚至千兆級別。

方法/步驟6:

挖掘

與前面統計和分析過程不同的是，資料探勘一般沒有什麼預先設定好的主題，

主要是在現有資料上面進行基於各種演算法的計算，從而起到預測的效果，從而實現一些高級別資料分析的需求。比較典型演算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的Naive Bayes，主要使用的工具有HadoopMahout

等。該過程的特點和挑戰主要是用於挖掘的演算法很複雜，並且計算涉及的資料量和計算量都很大，還有，常用資料探勘演算法都以單執行緒為主。

資料分析現在越來越多的人用資料分析來解決一些問題，因為數

據的堆積，他可能看到很多事情背後的本質，所以說人們對

資料的需求也越來越大，很多現在大資料公司就是靠販賣資料來生活的，而這些資料的質量雖然說層次不齊

，但是對每一個人來說都是非常重要的，記得日本有一個很大的書店，叫做鳥屋鳥屋書店的話，他平均每

年賣了很多書，也積攢了很多會員制，這樣的話他就可以知道什麼樣型別的人願意讀什麼書，很多一些電

影公司混著一些超市，甚至一些其他的正證政府政要的話都會找到鳥烏來，讓他們的資料，然後之後加以分