人人都应该掌握的9种数据分析思维

人人都应该掌握的9种

数据分析思维

说到数据分析，啤酒和尿布的例子大家应该都听腻了。再具体、深入一些的内容，往往因为数学就令很多人望而却步了。

今天给大家分享9个不带数学推导的数据分析思路，希望大家能喜欢~

思维01 分类

分类分析的目标是：

给一批人（或者物）分成几个类别，或者预测他们属于每个类别的概率大小。

举个栗子：“京东的用户中，有哪些会在618中下单？”

这就是个典型的二分类问题：买or不买。

分类分析（根据历史信息）会产出一个模型，来预测一个新的人（或物）会属于哪个类别，或者属于某个类别的概率。结果会有两种形式：

形式1：京东的所有用户中分为两类，要么会买，要么不会买。

形式2：每个用户有一个“会买”，或者“不会买”的概率（显然这两个是等效的）。“会买”的概率越大，我们认为这个用户越有可能下单。

如果为形式2画一道线，比如0.5，大于0.5是买，小于0.5是不买，形式2就转变成形式1了。

思维02 回归

回归任务的目标是：

给每个人（或物）根据一些属性变量来产出一个数字（来衡量他的好坏）。

举个栗子：每个用户在618会为京东下单多少钱？

注意回归和分类的区别在：分类产出的结果是固定的几个选项之一，而回归的结果是连续的数字，可能的取值是无限多的。

思维03 聚类

聚类任务的目标是：

给定一批人（或物），在不指定目标的前提下，看看哪些人（或物）之间更接近。

注意聚类和上面的分类和回归的本质区别：分类和回归都会有一个给定的目标（是否下单，贷款是否违约，房屋价格等等），聚类是没有给定目标的。

举个栗子：给定一批用户的购买记录，有没有可能分成几种类型？（零食狂魔，电子爱好者，美妆达人……）

思维04 相似匹配

相似匹配任务的目标是：

根据已知数据，判断哪些人（或物）跟特定的一个（一批）人（或物）更相似。

举个栗子：已知一批在去年双十一下单超过10,000元的用户，哪些用户跟他们比较相似？

思维05 频繁集发现

频繁集发现的目标是：

找出经常共同出现的人（或物）。

这就是大名鼎鼎的“啤酒和尿布”的例子了：

在上世纪90年代，美国沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，”啤酒”与”尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中。

在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。

这个例子太容易扩展，就不再举其他栗子啦。

思维06 统计描述

统计描述任务的目标是最好理解的：