|
来源：Python 技术「ID: pythonall」 数据分析和机器学习是目前的热门，相关书籍教程汗牛充栋，大多数都在讲环境创建、数据处理、工具应用，以及各种理论和算法，虽然实践起来难度不大，但学习之后还是云里雾里，不知道怎么应用。今天我们从另外的角度上了解下数据分析的基本步骤，并结合一个分析案里，体验一次数据分析的过程，不用写代码噢。 数据分析过程数据分析是对数据和业务信息反复处理的过程，具有螺旋上升的特点，每个阶段，可以分解为如下几个过程：
数据分析就是不断的这这几个过程阶段反复，由于有的验证过程麻烦，分析过程可能持续很久 分解和评估阶段，可以借助数据分析工具、编程来提高处理效率 在评估阶段，可以用图形化工具对数据进行展示，以便方便的看出数据关联和规律 下面我们结合一个实例，对各个过程阶段进行进一步了解 任务来了我们接到一个任务，任务来自一个化妆品公司，最近他们遇到一些麻烦，想提高保湿霜产品的销量，但所有尝试都没效果，最近他们调整了广告策略，还不确定这个调的效果如何，期望我们能帮他：
收到任务，开干 第一步 确定问题、收集数据别急，虽然有了任务，且给了目标，但是开始前，需要进一步确定问题，并为解决这问题收集必要的数据，否则可能会经历一场没有目的地的旅行。 首先要确定调整策略是否有效，那么我们需要一些调整前和调整后的销量数据，下面是得到的数据：
另外需要进一步了解业务，以及用户对这件事情的认识，以便收集更多的信息，并且明确可量化指标，可量化 是个重要的概念，客户会说要提高销量，但是应该提高多少呢？还会说看看什么方式行不行，那么什么才叫行或不行呢？这些都是需要在确定问题的部分弄清楚的。实际中，不可能将所有问题都明确化，需要采取循序渐进的策略，逐步靠近目标
通过对业务方的调研，得到了如下信息：
第二步 整理和分解数据收集了数据，并且明确了目标（主要是可量化）之后，就可以对数据进行分析整理了，如有必要还需要对问题进行拆分，比如要提高销售额这样含糊不清的问题，应该拆分成哪些小的步骤，让这些问题可管理、可解决，下面是分解后的：
接下来，我们需要将数据和客户的目标相结合，从中得到一些推论和表述 因为客户所说的可能并非事实，另外单从数据可能无法还原业务过程 现在通过客户表述，以及从数据上得到的结果，可以得得到一些推论
从客户的观点中可以得到：
从收集到的数据中可以得到：
通过对数据的比较和分类，我们对手头上的数据有了更好的认识，并进一步了解了客户的业务时如何展开的 第三步 分析评估分析评估和数据分解一样，关键就是比较，将客户观点和数据块放在一起比较。 分析过程是个发挥主管能动性的过程，需要将自己的假设融入到分析结果中，所以可以说分析结果是分析师的信用基础，即好的结果有助于提升分析师的信用，反之亦然。 无论在建构复杂的模型还是简单的模型，数据分析就是你的一切：你的信念、你的判断、你的信用 加入了你的思路和分析，将从你和客户那里得到好处： 来自自己的好处：
说到底，就是不只是展示数据本身，而是了解了业务结合自己分析的思考结果，是自己对这个这件事情的一个认知 来自客户的好处：
相反，如果只是展示了数据本身，没有自己的思考和判断，相当于是在说：
如果是这样，那你将失去客户的信任，甚至做出过头的结论，最后使用户蒙受损失 最后，给客户提出建议的形式和方法至关重要：
第四步 得到决策经过分析思考之后，就可以完成最终的分析报告了，注意报告的形式，和包含的内容，虽然是个简单的报告，但麻雀虽小五脏俱全：
分析报告如下：
验证决策如果分析报告严谨可信，将会被采用，并付诸行动，但并不意味着分析工作结束了因为
而造成我们认知局限性的原因有多种：
如果不对结论进行验证的证明，就相当于给出了一个无法证明的结论，参考价值将大大缩减 我们知道，现代的科学理论都有建立在 严格的科学逻辑证明 基础上的，才使得我们能在科学理论上，创建出美好的现代化世界， 我们的数据分析是科学的，所以需要是可证明的。 总结今天的文章虽然描述的是数据分析，但是却没有用到常用的数据分析工具，也没有使用高深的数据分析数据公式，不过这是数据分析的基础和开端，明白了数据分析的意义和过程，才能更好的使用各种工具，让我们在数据分析过程中事半功倍，否则将会迷失在众多工具和理论中，不知所终。 文章中的示例主要来自于我学习数据分析过程中的《Head First 深入浅出数据分析》一书，如有兴趣可以参考，值得阅读。 参考
|
|
|
