欢迎大家阅读本篇文章，本篇文章讲的是说到数据分析，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。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~
1.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。
数据分析的目的越明确，分析越有价值。明确目的后，需要梳理思路，搭建分析框架，把分析目的分解成若干个不同的分析要点，然后针对每个分析要点确定分析方法和具体分析指标;最后，确保分析框架的体系化(体系化，即先分析什么，后分析什么，使得各个分析点之间具有逻辑联系)，使分析结果具有说服力。
那么，如何保证分析框架的体系化呢?
以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这样才能尽量确保数据分析维度的完整性，结果的有效性及正确性。
营销方面的理论模型有：4P、用户使用行为、STP理论、SWOT等。
管理方面的理论模型有：PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等。
这里主要说明：PEST、5W2H、逻辑树、4P、用户使用行为这五个比较经典实用的理论，了解如何在搭建数据分析框架时应用它们作指导。
(1)PEST：主要用于行业分析。
PEST，即政治(Political)、经济(Economic)、社会(Social)和技术(Technological)
P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。
E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。
eg：仅作举例，不代表只考虑这几点因素
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。
2.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的?
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 。
3.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……)
4.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10000元的用户，哪些用户跟他们比较相似?
5.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。这个例子太容易扩展，就不再举栗子啦。
6.统计(属性、行为、状态)描述
统计描述任务的目标是最好理解的：具有哪些属性的人(或物)在什么状态下做什么什么事情。
举个栗子：5月份一个月内每个用户在京东7天内无条件退货的次数
统计描述常常用户欺诈检测，试想一个用户一个月退货100+次，这会是一种什么情况?
7.连接预测
连接预测的目标是：预测本应该有联系(暂时还没有)的人(或物)。
举个栗子：你可能认识xxx?你可能想看xxx?
8.数据压缩
数据压缩的目的是：减少数据集规模，增加信息密度。
举个栗子：豆瓣想分析用户关于国外电影的喜好，讲国内电影的评分数据都排除掉
大数据，也不是数据越多越好，数据多带来的信息多，但是噪声也会变多。
9.因果分析
顾名思义，因果分析的目标是：找出事物间相互影响的关系。
举个栗子：广告的效果提升的原因是广告内容好?还是投放到了更精准的用户?
这里最常见的手段就是A/B test啦
数据分析是非常强大的，不过当然还是要在具体的情景下，严格的选择假设，采用科学的分析方法才能产出有价值的结果。数据会说谎的经典案例就是“安慰剂效应”了。以后会分享其他更具体的内容，欢迎大家留言吐槽，一起学习~编程学习网教育平台欢迎大家的咨询~
