本文大概梳理了统计数据分析的三种方法论，即描述性数据分析、数理统计分析和数据挖掘分析。enjoy~

我们说数据分析要有目的进行分析，实际上我们在平常的工作中，没有学过数据分析也能靠直觉推断出一些数据产生的原因。那么为什么还要进行数据分析的学习呢？也就是说，数据分析，到底在学什么？

其实我认为如果是在初创团队中，确实无需使用太专业的数据分析方法，因为往往数据不足。但是，如果你掌握了数据分析的方法，就能够在产品的初期设计合理的埋点，要知道现在很多产品在早期是没有这个意识的，于是等产品成熟了再去做这件事是极其痛苦的。所以也才催生了类如诸葛IO这样的“无埋点”数据分析的产品。“无埋点”只能收集到很浅层次的数据，如点击数据，IP/PV等，业务层面就无法统计。而且存在着不稳定性，从技术上讲就是说如果用户使用了一些奇奇怪怪的浏览器（例如低版本的IE）的话，很可能无埋点的代码就无法运行，造成原始数据的偏差。说了这么多，回到话题，学习数据分析，我们能够：

1. 培养数据意识，提升产品规划能力。
2. 培养数据敏感性，提高洞察力。
3. 能够数据中发现不容易通过直觉发现的足丝马迹，发现潜在的可能。
4. 掌握一门通用的硬技能，辅助需求挖掘、业务分析。
5. 等等

接下来我们进入正题：数据分析的方法论。

一般来说数据分析可以从两个学科出发，一个是数理统计学，另一个是营销理论。本文将主要从数理统计学着手介绍，因为营销理论（就是我们常见的5w2h，PEST分析等等方法论）的掌握，更多是思维框架的掌握，而真正能够通晓营销理论的，需要大量的经验积累。而数理统计学是工具，可以手到擒来，马上就用的。

上篇文章讲到，数据分析大致可以分为描述性分析、诊断性分析、预测性分析，同样的数据分析的方法论也大致分为：描述性数据分析、数理统计分析、数据挖掘分析。

本篇文章将就此展开谈谈这三种数据分析方法论（方法论没有好坏高低之分，只有合适的。根据业务场景来选择合适的分析方法。一定要以目标为导向，并不是手法越高级就越好。能用简单分析的就不需要使用大数据挖掘。）

一、描述性数据分析方法

描述性数据分析可以用一言蔽之”一句话描述数据“。我们平时说的，这个月的平均访问量是多少，环比增长了多少。用户平均付费是多少，中位数是多少，众位数是多少，四分位数是多少都属于描述性统计分析。描述数据的集中趋势还可以用方差、标准差。用一个指标，一句话概括数据特点。描述数据之间的简单关系可以用相关性分析，如转化率和用户停留时间的正相关的（距离，以实际为准。一般也是这样。）这边大家都比较熟悉，不过多介绍。

二、数理统计分析方法

数理统计涉及较多的数学知识，但是其实常用的也就是概率论和微积分，本科的知识稍微复习一下还是容易掌握的。微积分只需要用到一元积分，用于计算概率分布。统计学中有许许多多的内容，在数据分析中，并不是所有都需要掌握。因为我们不是在做实验室里科学实验的数据分析。

1. 方差分析

方差分析，又称为F检验。作用是研究因素对于数值型变量的影响。例如想要知道某次改版对于转化率是否有显著影响，可能从宏观上看增长的数值不大，看不大出来影响有多大，这时候就可以用方差分析做对于改版这个因素的单因素方差分析。

2. 回归分析

回归分析比较好理解，简单的说就是寻找到一个函数来拟合自变量和因变量的关系。例如想要做一次活动，假设优惠的价格x，销售额为y。这两者之间可能存在y=x+1（纯举例）这样的函数关系式。回归分析就是要找出这样的函数关系，来指导活动的运营，提升ROI。

3. 因子分析

因子分析即从大量的变量中寻找共性因子的统计方法，因子表现为一种表征，通常是多个变量的集合。因子分析可以简化数据，所以是一种降维的方式。常用的因子分析方法有重心法、最小平方法、最大似然法等。

三、数据挖掘分析方法

数据挖掘源于统计机器学习，还有人工智能的方法。之前写过的人工智能相关的文章中有提到，AI=数据+算法=模型。数据挖掘也就是利用算法从数据中寻找规律。因为我们并不能总是能用常见的函数去拟合所有的规律，而太复杂的规律通过人工根本就是无法进行计算的。那么机器学习就可以做到。机器学习的原理其实就是定义一个损失函数，可以把损失函数简单理解为错误率。然后枚举所有的情况，找到错误率最低的模型。用在数据挖掘中，我们可以用到的机器学习算法一般有：

1. 聚类分析

俗话说，物以类聚。聚类分析是一种探索性的分析方法，由机器无监督地将样本数据进行分类，再观察其特征，从而帮助发现潜在的共性。聚类分析的方式也有很多，用不同方式进行的聚类分析结果也不尽相同。

2. 分类

分类应该是机器学习、人工智能中应用最广泛的了。例如NLP中的情感分析、文章分类，CV中的医疗影像诊断，物品识别等等。又扯远了，回到数据分析，常用于数据挖掘的分类算法有：

（1）决策树

决策树直观上的理解就是从样本建立分支规则。举个简单的例子，同事A有时候迟到有时候不迟到，你观察到如果下雨了。A就迟到。如果没有下雨，A就不迟到。主管只有在周一和周三在，如果主管在A就要挨骂了。那么用决策树来预测A是否会挨骂（以上例子纯属YY）就是：

能够构造这样的决策数据的常用算法有C4.5、CART、CHAID、ID3等。

决策时擅长处理离散数据，并可以直观出其中的关键变量。决策树生成的规则也容易被人所理解。接下去要讲的神经网络就不是人可以理解的了。

（2）人工神经网络

人工神经网络是个黑箱模型，神经网络是类似于大脑神经突触连接的形式，仅仅是类似，不能把它理解得过于玄乎，本质上和脑神经的运作方式是相差很大的。人工神经网络包括输入层、输出层、隐藏层。其中隐藏层就是就是对输入层的输入进行各种加权互联，最终得出最逼近训练集的结果。理论上可以逼近任何非线性的关系。能够充分考虑到数据的各种特征。

（3）贝叶斯分类器

是否还记得贝叶斯公式

只要知道P（Y）、P（X）、P（X|Y）就能知道P（Y|X）的值了。前3个值可以通过历史数据得到先验概率，在先验概率的基础上就能对新的事件（数据）进行后验概率的计算。

（4）支持向量机

SVM，是机器学习的重大成果。SVM将非线性的数据将数据映射到一个高维空间，在新的维度上，搜索一个线性最佳超平面，两类数据总是能够被超平面分开。

（5）随机森林

随机森林有着较高的准确率，鲁棒性也好。随机森林运用bootstrap方法从原始样本中抽取样本，对每个样本进行决策树建模，然后将决策树组合，对每个决策树分类出来的结果进行一种投票统计，最终得出分类结果。这个方式很形象的被叫做随机森林。

3. 关联规则

举个例子就能明白什么是关联规则了。大家都知道的“啤酒与尿布”的例子，关联规则算法能够找出多次重复、同时出现的关系。

4. 回归分析

描述性分析中也有回归分析，这边回归和描述性分析中回归的区别主要是，这里指的是多元线性回归和逻辑斯蒂回归。典型的回归问题是运费计算的问题， 快递运费受地区、重量、物品类型、运送方式等多种因素的影响，这时候可以使用多元线性回归来分析他们之间的关系。

本次的分享就到这里，本文大概梳理了统计数据分析的方法论，接下去的系列文章将会逐个对各种方式进行介绍。

相关阅读

数据分析（1）：三观的建立

#专栏作家#

跹尘，人人都是产品经理专栏作家。人工智能产品经理，独立音乐人，擅长需求分析、原型设计和项目管理。喜欢阅读、思考、创作。网易云音乐主页：跹尘。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Pexels，基于 CC0 协议