记得学习怎样选择数据分析方法
在现实学习生活中，大家都背过各种知识点吧？知识点是传递信息的基本单位，知识点对提高学习导航具有重要的作用。你知道哪些知识点是真正对我们有帮助的吗？下面是帮大家整理的怎样选择数据分析方法，仅供参考，大家一起来看看吧。
您是否看着数据感到迷茫，无所适从。认真读完这篇文章，或许你将有所收获。下面为大家介绍怎样选择数据分析方法，欢迎阅读。
一、质量改进统计方法选择的基本导向
从工业***的传统过程考察，大量的统计方法和技术伴随机器工业和科学实验的进步发展起来。像美国贝尔实验室的工程师休哈特提出的统计质量控制方法、道奇和罗米格首创的计数标准型抽样检验方法、费歇尔的正交实验设计、皮尔逊的相关分析和费希尔的回归分析等，都是在工农业生产和科学实验的数据基础上发展起来的，也有一些方法来源于医学和生物统计学的研究和物理化学实验的数据分析活动中，比如卡方检验、蒙特卡洛随机模拟等。这些方法不是来自单纯的演绎逻辑意义上的推导过程，而是从工农业生产和科学实验的实践中发展起来的，虽然受制于获取数据和手工计算能力的约束，但方***的创新还是极大地推动了质量统计技术的进步和实际应用的发展。
目前，在质量改进活动中使用统计方法已经相当普及，许多改进项目甚至开始***设计统计模型方法及相应的检验工具，统计学作为质量改进的基础方***得到了广泛的发展和应用。促进这些方法走向实践的主要原因是什么？
（一）数据导向。
所谓数据导向，即“有什么数据，选择什么方法”，从质量过程生成的统计数据出发，选择和设计相应的统计方法，有时也根据这些数据设计一些QC课题或者其他质量改进项目。这种导向的特点是有什么数据，就做什么改进，而不是从质量现状或质量改进的关键技术、关键环节、成本、安全及交货期等出发。例如，国内某著名***品企业采用先进的***制品生产、消毒、存储和包装设备，每日自动产生大量的过程统计数据和质量检验数据，加上营销部门提供的销售数据和电子商务网站形成的客户订购、投诉和评价数据，构成了复杂的数据系统，实际上已经成为企业大数据系统的雏形。但是，该企业始终没有设计出适应企业自身需求的数据分析系统，也无法使这些数据在系统的质量改进和控制中起到积极的作用，浪费了大量的数据资源和改进管理的机会。
（二）模型导向。
模型导向是指为实证某个新设计或新发现的统计模型而进行的质量改进过程，这些统计模型的成功应用有些可以获得良好的改进效果，有些则无法适应真正的改进目标。从改革开放30多年中质量管理技术的进步过程来看，我们一直在追赶发达国家的管理手段和技术方法，从20世纪80年代的全面质量管理、90年代的质量标准化管理到2000年代后的六西格玛管理和卓越绩效管理，似乎都体现了方***上的盲目性，只顾追赶别人的脚步，不知道是否适合自身的发展。
从微观角度审视，一些企业的质量管理技术人员，在质量方法的选择上追求模型的“高大上”，简单参考和引进国外的先进数学模型，用眼花缭乱的数学公式代替了扎扎实实的现场调查和改进过程，把质量管理活动变成了新统计模型的实验室。
（三）工具导向。
统计软件是质量统计的重要工具，从SPC的应用过程可以看到，休哈特博士设计的均值极差控制***就是典型的工具导向的一个应用。由于当时的计算能力和工具不足，因此在作业现场计算方差比较困难，所以休哈特博士采用了计算更为简易的极差来替代方差，用以表征质量过程的波动性。
专业的统计软件是质量改进方法的重要推动力量，一些世界知名厂商也陆续推出面向质量管理的专用模块和程序，这些软件包括SAS、SPSS、STATISTICA
、Minitab、Matlab等。进入新世纪以来，大数据逐渐成为统计软件工具必须面对的重要对象，数据挖掘（Data Mining）和商业智能（Business Intelligence）等方法成为统计软件的主流方法，同时这些方法也被大量应用到质量管理活动中。于是，以统计软件工具为导向的一大批质量管理成果开始出现在各种场合，比如六西格玛黑带项目、可靠性项目、多变量统计过程控制（MSPC）、实验设计（Design of Experiment）等。
与模型导向一样，工具导向的质量改进也是被动的，无法真正面向质量生产的过程，即便是成功的数据分析也只能是统计模型和软件的新例证，而不能成为质量改进的新成果。
（四）案例导向。
案例导向的质量改进过程，来自商学院工商管理硕士（MBA）案例教学实践中，来自企业、院校和研究所的MBA似乎更喜欢来自成功案例方法的质量改进过程。但商业模式和管理经验并不总是可重复和可再现的，质量改进也是如此，商业案例只是对成功管理活动的总结和提炼，而不是输出管理规则和盈利模式。因此，基于成功的商学院案例或者六西格玛成功案例实施的质量改进方法进程中，有很大一部分是无法完成改进目标和任务的。
（五）任务导向。
所谓的任务导向是目前很多企业采用的一种中规中矩的质量统计方法，就是根据企业生产计划和调度要求，提出某项生产或管理任务，从完成任务的目的考虑，采用常规的统计方法或者技术来完成任务，甘特***的使用就是任务导向的一个典型例子。
企业在进行绩效考核的时候，一般多采用多变量线性模型进行综合评价，用来合成多项指标的考核分值，这类统计方法已经成为主流的绩效评价方法，从卓越绩效模式的评价到中小企业的员工绩效考核，大多采用此法，这就是任务导向的方法选择。这些方法是无法进行真正的质量改进的，只是一种较优的质量统计方法选择。
（六）问题导向。
质量统计方法的基本功能是描述、解释和探索，是基于过程或结果的统计数据而进行的有目的的质量改进活动，用以解决企业经营管理过程中出现的各种问题。因此，问题导向的质量统计方法主要是指以质量管理活动中出现的问题为核心改进目标，从问题的现状调查、研判、因果关系判别以及对策、实验和检验等基本目标出发，量身定制或者重新创建新的数据管理或质量改进统计方法，做到因地制宜、对症下药，达到追本溯源、药到病除的效果，这才是真正的应用统计价值所在，也是质量统计方法追求的科学、合理和高效的真正动力。
现实中，一些QC项目和六西格玛项目，就是为了做项目而刻意寻找项目，而不是面向企业生产经营和管理实践活动本身，他们根据比较好的一些质量特性，逆向设计统计方法，模拟和推断出可能的数据改进方法和计算模型，从而达到项目要求或评奖要求，实际上放弃了统计方法对于质量改进的真正贡献，也放弃了科学改进的真正目的，违背了质量改进的最初目的和终极价值。
二、问题导向的质量改进统计方法选择
问题导向的质量改进过程中，要一切从问题的现状出发，拟定合理目标，设计跟进数据集，选择合适的统计方法，带着问题逐步深入才能得到满意的改进效果。
问题导向的质量改进一般应遵循三个基本原则，一是厘定问题，单一目标；二是自顶向下，逐步求精；三是优选方法，单入单出。在这个原则下，质量改进的过程可以分为以下步骤：
（一）提出问题。
和一般的改进过程一样，面向问题的改进过程主要是对于质量问题的定义和选择，这些问题不是上级决定的，也不是财务目标中挑出来的，而应该来自质量经营和管理的实践中出现的质量问题和可能造成不良的机会。因此质量改进的动因本身就具有补偿性质量的能力，如果不出现问题，质量管理的重点则应放在质量保证能力建设和预防性质量的提升方面。
（二）描述问题并抽象成统计模型。
精确定义质量生产和使用过程中出现的问题，并力***把这个问题抽象成为统计模型。比如对于推土机首次故障时间的确认，就可以根据统计建模的经验和方法，考虑通过构建指数模型来计算一批推土机销售以后首次故障时间的期望均值，并以此通过假设检验来设定首次故障时间，并最终实现质量的全面提升。
（三）获得过程和结果的数据。
统计模型方法依赖大量数据和检验，因此模型方法所需要的数据必须和问题产生的过程保持一致，也就是说，必须回到问题发生的现场去收集整理数据并获得数据口径、背景和计算方法的要求。这些数据可以客观地描述、解释和探索质量过程中的细节，可以由此回溯和推断问题出现的可能性、因果性以及相关性，真正地做到“让数据说话”、“让模型作证”和“让结果指向”。
（四）分析建模和验证。
根据得到的数据和所选的统计方法创建统计模型，对问题进行深入的分析和解剖，得到解决问题的基本方向和思路，并设计出解决问题的路径和方法，对这些方法进行实地实验和验证，力求得出解决问题的全局性对策。
（五）方法选择的导向性。
有些问题的出现和解决，似乎有定数，比如因果***就经常被用来解决质量改进中的可能性关联问题。有些研究者更愿意采用复杂的数理统计模型来完成该改进任务，但我们的建议是选择最适合的方法，而不是最先进或者最豪华的方法。面向问题是质量改进的第一动力，因此统计方法的选择只有依照这个原则来进行，才有可能真正起到质量改进的作用，也从而实现质量提升的最终目标。
三、统计数据的来源和统计方法的适应性
（一）数据来源。
传统的企业统计数据来源于三个方面，即企业统计台账、生产记录和检验记录，这些数据是工业生产过程的人工记录，需要对质量生产过程进行人工干预才可以获得，有些数据因此产生了较大的误差和偏移，以至于很多统计方法无法接近真实过程。
目前，我国已进入工业化后期，国际先进的制造技术和设备被大量引进，其中包括具备强大数据生产能力的数控设备、网控设备和电子自动检测装置等，这些先进的电子设备可以大量测定、检验和记录数据，生成连续性、大规模和高精度的同步数据集，此即企业大数据的雏形。在一些先进的制造企业，技术人员已经可以直接从设备上导出大量的数据用以完成SPC、MSA、DOE等经典统计模型的拟合和研判，可以实现真正的大数据同步质量分析、检验和预警目标。
因此，当前企业主要的数据来源有四个方面，一是企业管理数据，包括企业管理统计台账、绩效考据数据、经营管理数据、投资和财务数据、营销数据等；二是企业生产过程数据，包括来自电子设备和网络设备中自动记录和筛选的数据；三是质量检验和验收的数据；四是来自供应链和客户调查的数据。这些数据大部分是连续生产的，主要是定量数据，也包含一些定性数据，这些数据构成企业经营管理活动的新资源。
（二）统计方法选择的基本原则。
问题导向的统计方法选择一般以数据为基础，有的方法要求的数据量比较少，因而容易在实践中使用，比如SPC、DOE等，而有的统计方法则要求更多的数据量和数据质量，比如时间序列和可靠性统计分析方法等。因此，选择统计方法时，应考虑所需要的数据在多个方面的特征和要求。
一是数据的易得性，要能够很容易和低成本地采集数据，对于网控设备来说，还应考虑网络联通问题；二是数据的统计口径、测量设备和测定方法要保持一致，这样的数据才具备基本的分析基础和分析能力；三是大数据的连续性采集能力，一些现场数据的采集必须满足连续性的要求，才可以辅助实施和分析，采用管理学意义上的价值，比如统计过程控制和抽样检验的数据等；四是保持数据采集的可重复性、可复现性和可控制性，大量统计数据的误差只有通过较为严格的方差分析和参数检验、分布模拟可能付诸建模分析和质量改进，因此要保证数据的采集技术不会带来较大的误差影响。
拓展：市场营销数据分析方法
1、未被满足的需求分析
商业可以简单的理解为满足客户需求的全部。未被满足的需求分析指的是揭示你的产品、服务、客户满意度以及收入方面是否还有未被满足的需求。对于未被满足的需求分析，有效的工具包括产品评价，定性调查，小组讨论和访谈。你也可以使用类似于Google Trends这样的工具来帮助识别客户都在搜索什么。
提示：现在向你的客户提问是一个非常经济实惠而又快速的办法。例如创建一个论坛，***小组讨论，亦或是邀请客户关注你的Facebook页面并加入到一个反馈小组里面。
2、市场规模分析
如果对自己的市场规模和潜力不够了解，我们很容易对商业决策的可行性妄下结论。市场规模分析指的是评估你的产品以及服务市场规模有多大，是否有足够的增长潜力。衡量指标包括产量（售出多少）、产值、频率（一个产品或服务的出售频率）。有效数据包括***府公布的数据，行业协会数据，竞争对手财务数据以及客户调查。
提示：仅因为某个市场大并不意味着它是有利可***的——特别地，如果大多数客户想要的某个产品或者服务市场上已经有了，那么他们不太可能会接受另一个产品或服务了。
3、需求预测
了解需求对于保持企业的竞争力是至关重要的。需求预测属于预测分析领域，旨在预估消费者可能会购买的产品数量或服务。不同于简单猜测，它是基于过去市场上的历史数据或当前数据作出的估计。此时，分析技术（如时间序列分析）就显得非常有用了。
提示：用于需求预测的数据必须是干净并且准确的。如果不是这样的话，得到的结果将不准确，并且有可能导致你误入歧途。
4、市场趋势分析
每个企业都需要知道它自己的一个市场前进方向。市场趋势分析指的是确定市场是否在增长，停滞还是衰落，以及市场变化的快慢。了解市场的规模大小很重要，但了解的市场正趋势上涨还是下跌同样也很重要。为了监测市场动向，你可以做一些商业推演或情景分析以此判断市场未来的一个大概样子。客户调查或小组讨论有一定的帮助作用。
提示：始终警惕外部环境，如立法的修改，社会期望。
5、非客户分析
传统地，我们被告知我们需要了解我们的客户，以便于我们知道他们是怎样的一些人并找出更多跟他们相似的人。道理虽这样，但另一方面可能更重要——非客户分析。非客户分析指的是了解那些目前还不是你的客户对你的产品，服务或品牌的看法。通过识别出那些不买你产品的人，以此来扩大市场。访谈，问卷调查，焦点小组可以提供帮助。
提示：通过社交媒体的力量，我们可以轻松的获取那些不是你的客户的意见反馈。
6、竞争对手分析
任何业务都是在竞争环境中成长的。竞争对手分析对市场营销和战略规划非常重要，它指的是识别你的竞争者是谁，他们的市场定位是怎样的，他们的业务跟自己的业务有什么关系。通过了解自己的优势和劣势，你利用对方的弱点来寻找机会。收集竞争对手数据的方法有很多种，例如商业期刊和报纸，年度报告，产品说明书和营销活动。你甚至可以让你的一个员工、朋友或者家庭成员从你的竞争对手那里购买他们的产品或者服务进行比较。
提示：竞争对手分析的最有用的技巧是去做这件事情！可悲的是，大多数企业没有这样做。
7、定价分析
定价分析指的是在产品发布之前找出你的客户愿意为你的产品支付多少钱。它涉及细分市场价格灵敏度分析，尤其在高度竞争的市场非常有用。定价分析需要数据挖掘，预测模型和算法的开发。同时，它还涉及多个并行的商业实验，以此来测量价格变动所带来的变化。
提示：如果你希望通过定价分析来提升收入，请确保给那些为你的产品支付了更多钱的客户提供了更高的价值。
8、销售渠道分析
有数以百计的渠道和市场可以用来推广你的产品和服务。销售渠道分析可以帮助你评估现有销售渠道的有效性。你可能会通过不同的渠道来达到您的不同细分市场，但我们有必要知道哪些渠道是有效的，哪些渠道可以到达事半功倍的效果。对于每个现有的市场营销渠道以及那些潜在的尚未使用的渠道，你最好设置一些转化率目标，以便于了解各个渠道的推广效果。
提示：销售渠道分析显然是线上比线下更适合。***渠道具有数字化的特征，并且经常是构建在市场和销售平台之上的。
9、品牌分析
品牌分析旨在确定你跟竞争对手相比你的品牌实力如何。品牌不是简单的商品标识和包装，它还包含了客户对你的产品的感受以及它们对客户的寓意。真正的了解客户如何看待自己的品牌很重要，因为这会影响到你的决策和战略方向。你需要从各种渠道来获取客户以及那些潜在客户的数据来进行数据分析，如客服服务记录，销售记录，网络论坛，博客，评论网站和社交媒体等。
提示：互联网为人们如何看待你的品牌以及你的业务提供了是一个丰富的信息源。人们乐于去分享他们的想法和感受，所以我们应该努力挖掘这样一个丰富的信息金矿。
数据分析对市场营销的益处
为什么要在市场营销中使用数据分析？ 因为它可以给你的市场营销工作带来很多的帮助。
假设你发起了一个电子邮件营销活动，你怎么知道你的邮件列表上有多少人打开了邮件？ 在电子邮件营销活动中，有些人可能已经决定不再和你做生意了———你如何追踪这些取消订阅的用户？数据分析为电子邮件营销平台提供了解决这些问题的答案。
数据分析也可以帮助营销人员做出更好的决策。你知道哪种广告方法的投资回报率最高吗？ 通过对不同渠道的数据监测分析，你可以辨别出更有效的推广方式和渠道。你可能会发现，把钱投到CPC广告（点击付费广告）中并不能产生你所希望的投资回报。然而，也许电子邮件营销活动比你意识到的要成功得多。
如何在市场营销中成功地使用数据分析
虽然数据分析可以改善营销活动的效果，但前提是你必须遵循一些最佳实践方法。
首先，你应该设定明确的目标。数据是海量的，你不可能分析所有的数据，你也不应该分析所有的数据，毕竟不是每个数据都会对你产生益处。你需要且应该分析的是那些对你有益的数据。而这些都要求你明确自己想要完成的事情（如接触不活跃的客户，提高客户的参与度，决定销售到成交的比率等等），并找到合适的数据。
另一个最佳实践方法是保持数据“干净”。有时，信息可能有误。例如，如果一个电话号码的两位数被调换，你就不会找到合适的人。确保你的数据是无误的，这将帮助你更好地进行用户行为分析，从而更好地指导产品运营。
最后，使用合适的工具进行工作。市场上有许多数据分析解决方案，例如，开源私有化部署的Cobub Razor，它可以帮助你采集用户行为数据，并且提供可视化的报表，许多市场营销人员都认为它是有用的。尽管市场上的数据分析产品这么多，但最终你的团队需要找到适合其需求的数据分析工具，从而产生最佳的结果。
转载请注明出处记得学习 » 怎样选择数据分析方法