全面讲解数据分析的一些常见问题

　　业领域的数据科学家和侦探类似:去探索未知的事物。不过,当他们在这个旅程中冒险的时候，他们很容易落入陷阱。所以要明白,这些错误是如何造成的,以及如何避免。什么事情都可能犯错误和出现问题，发现问题要时去改正。今天课课家和大家一起探讨数据分析的一些常见问题和怎么去改正。

     数据分析和数据挖掘，是大数据应用的核心技术，也是大数据应用的关键所在。

　　数据分析重要，但是，很多时候却不知道该如何去做，面对大量的数据，却无从下手。概括起来，经常面临的困难有：

　　分析目的不明确

　　分析方法不清晰

　　分析过程不清晰

　　分析思路不完善

　　解读数据能力差

　　1、 不知道要分析什么?(分析目的)

　　不知道要分析什么，也就是分析目的不明确。

　　经常有学员告诉我，领导给了一大堆数据给我，要我分析一下，但我不知道要分析什么?除了基本的统计求和，我不知道要干吗。

　　明确分析目的，这是数据分析的起点，也是分析的终点。所有的分析工作都应该围绕业务问题开始，分析的结果最终也要落到业务问题。

　　如果目的不明确，后续的分析工作就无法开展了。

　　2、 下一步做什么?(分析过程)

　　数据分析不是一个单一的操作，而是一套复杂和完整的操作流程。

　　一般地，一个完整的数据分析包括了六个步骤，后一个步骤依赖前一个步骤，也是前一个过程的深入。

　　当有了分析目的之外，接下来就需要围绕业务问题来收集相关的数据，并对收集来的数据进行预处理(清洗、转化、提取、计算)，如果使用FineBI之类的BI工具来处理的话就是先抽取数据、ETL处理数据，然后在前端多维度分析，并对分析结果进行可视化，最后形成一个完整的分析报告，到此，一个数据分析的工作才算正式完成。

　　3、 不知道怎样去分析?(分析方法)

　　分析目的明确了，数据也有了，但面对大量的、复杂的数据，却无从下手，不知道怎样分析，这是由于分析者缺乏对分析方法的了解。

　　数据分析最核心的工作，就是对数据进行分析。围绕业务问题，采用什么样的分析方法，使用什么样的分析模型，选择什么样的分析工具，这是数据分析的核心。这是分析师的必备技能。

　　为了便于理解，我将数据分析分为三个层次，从低到高，由浅入深，分别是统计分析，基本分析，数据挖掘。

　　一般情况下，企业有80%的工作都只需要掌握统计分析方法就可以了，剩下20%的工作需要更深入的分析及挖掘。当然，更深层次的业务规律及业务模式，需要更高层次的数据分析来解决。比如，市场细分，客户特征提取，等等。

　　4、OLAP能不能代替DataMining？

　　所谓OLAP（OnlineAnalyticalProcess）意指由数据库所连结出来的在线分析处理程序。有些人会说：「我已经有OLAP的工具了，所以我不需要DataMining。」事实上两者间是截然不同的，主要差异在于DataMining用在产生假设，OLAP则用于查证假设。简单来说，OLAP是由使用者所主导，使用者先有一些假设，然后利用OLAP来查证假设是否成立；而DataMining则是用来帮助使用者产生假设。所以在使用OLAP或其它Query的工具时，使用者是自己在做探索（Exploration），但DataMining是用工具在帮助做探索。

　　举个例子来看，一市场分析师在为超市规划货品架柜摆设时，可能会先假设婴儿尿布和婴儿奶粉会是常被一起购买的产品，接着便可利用OLAP的工具去验证此假设是否为真，又成立的证据有多明显；但DataMining则不然，执行DataMining的人将庞大的结帐数据整理后，并不需要假设或期待可能的结果，透过Mining技术可找出存在于数据中的潜在规则，于是我们可能得到例如尿布和啤酒常被同时购买的意料外之发现，这是OLAP所做不到的。

　　DataMining常能挖掘出超越归纳范围的关系，但OLAP仅能利用人工查询及可视化的报表来确认某些关系，是以DataMining此种自动找出甚至不会被怀疑过的数据模型与关系的特性，事实上已超越了我们经验、教育、想象力的限制，OLAP可以和DataMining互补，但这项特性是DataMining无法被OLAP取代的。

　　5、 看不明白分析结果?(数据解读)

　　好不容易分析有结果了，统计有数据了，但是，这些数据及分析结果表示什么意思呢?与我们的业务有什么关系呢?这一步也不知道坑了多少学员。

　　对数据不敏感，解读数据的能力差，无法将分析结果与业务问题和业务策略关联起来，这是数据应用的最大障碍。

　　如何来解读数据，解读分析结果，这需要有一定的数据解读方法，也需要分析师要了解相应的业务逻辑。

　　6、 不知道分析是否全面?(分析思路)

　　我经常收到一些分析师的抱怨，他们说，基本的分析我都会了，但是，每次提交分析报告给领导以后，领导总是不太满意，说我分析不全面，漏此漏那的。分析不全面，这是由于缺乏分析思路导致的。

　　如果说，分析方法是从微观从细节来对数据进行分析，那么，分析思路，就是从宏观角度指导如何进行数据分析，比如从哪几个方面来进行完整的数据分析而不会遗漏。

　　要掌握分析思路，需要分析师懂业务、懂管理、懂营销。比如，如果要分析企业的外部环境，你必须要懂得PEST模型，即要从政策、经济、社会和技术四个方面来进行分析，否则就是不全面的;如果要做竞争分析，你需要懂得SWOT、波特五力，从这几个方面来分析竞争态势，才算完整和系统。

　　最简单，最实用的是5W2H模型，广泛用于企业营销活动、用户行为分析等专题分析中，即要求分析的从下面7个方面来进行分析，这样可以确保能够将用户购买行为分析完整、系统。

　　数据分析看起来很简单，但如果没有经过系统的培训，要胜任这项工作也是不容易的。毕竟，数据分析师作为企业主管的智囊，作为主管决策的支撑，其重要性及高要求是不言而喻。

　　这些都是数据科学家在做数据科学时常见的错误。如果你能想到的任何其他常见的数据科学错误,我们很乐意在下面的评论听到你的想法。如果还想学习或了解更多关于这方面的知识，随时可以登陆课课家，我们一直在这里等你哟~