最近数据分析真的很火，很多人想学，在大数据这个概念的催生下，数据分析俨然成为了职场的必备技能之一，而很多教育培训机构或者个人也非常会抓住商机，在普遍焦虑的情况下，推出了非常多的数据分析课程，从互联网数据分析、电商数据分析到零售数据分析，从数据抓取、数据分析、数据挖掘到数据可视化，可谓百花齐放。
但是作为数据分析师，内功还是非常重要的，而内功之一，就是统计学知识，这点是非常重要的。任正非很重视统计学。他说：计算机科学不仅仅是技术，还应该以统计学为基础。大数据需要统计学，信息科学需要统计学，生命科学也需要统计学。国家要搞人工智能，更要重视统计学。统计学不是一个纯粹的学科，而是每一个学科都要以统计学为基础。
下面2几个例子吧：
某互联网公司希望激活数量可观的沉默用户，设计了3个方案，将所有沉默用户随机分布在规模相同的三个群中，将3套方案实施在这3个群体中，观察3个群体中每天成功唤醒的用户数量，下图是3个方案实施8天后的数据：
那么作为数据分析师，要如何依据上面的数据衡量每个唤醒方案的效果，选出最优方案呢？这个问题结合业务的分析，还是可以实现的。但是这里主要结合基本的统计学知识来做基本的分析。
我们先假设这3个方案的用户激活数的均值是相等的。我们需要通过统计学的方法来验证这个假设是否正确，如果满足这个条件，则接受这个假设，说明这3个方案的效果是相同的，如果不满足一定的条件，就拒绝这个假设，说明这个3个方案激活效果是不一样的，那么才有接下来的深层分析。
这里我们对这3个方案的数据做了单因素方差分析，得到的结果如下图：
在这里主要看红框中的结果，MS值得是均方和，F指的是F检验统计量的值，P-value值得是出现当前结果的概率，说明的是，在原假设成立的前提下，3个方案均值分别的1024、1073、1043的概率仅为0.045，低于显著性概率0.05，如此小概率的事件在一次实验中发生是不可能的，因此要拒绝原假设，也就说这3个方案所激活的沉默用户的均值是不相同的。
那到底是哪个方案最优呢？在证明了3个方案的效果均值不同之后，最简单的方案就是看均值，均值最高的就是最优的方案，因此可以选择方案2。
但是，我们都会知道，均值反应的是数据的集中趋势，数据还有波动性，如果方案2的均值最大，但是对应的方差很大，那依据均值来判断就不是那么可靠了。
如果要精确对比出哪个方案最优，还需要对这3个方案两两组合做T检验，目的是对比两个样本是否来自均值相等的总体，也就是告诉你两个样本的均值差别是不是显著的。
通过T检验，我们得到了如下结果：
我们通过上图发现，方案1和方案2之间呈现出了显著性，可以判断方案2是优于方案1的，至于方案1和方案3，暂时没有足够的证据判断他们的优劣。在这里呢，可以继续用均值来做比较就会准确很多了。
第二个案例：
某互联网公司开发了一个识别商家是否是恶性商户的模型M1。在使用模型之前，人工监察团队说，目前平台上的恶性商户比率为0.2%。利用M1模型监测后，发现在之前人工判定的恶性商户中，有模型判定为恶性上海的人数占比为90%，在人工判定的健康商户中，有M1判定为恶性上海的人数占比为8%，通过这些分析会感觉多商户有8%的误杀，还有10%的漏判，那么这个模型的结果到底是不是可靠的呢？
在这里我们利用贝叶斯模型来做分析，通过贝叶斯模型计算，我们的都恶性商户的比例为2.2%，也就是说，根据M1的判别结果，某个商户实际为恶性商户的概率为2.2%，是不进行模型判别的11倍。
虽然2.2%的概率并不算高，但在实际情况中，被M1模型判别为恶性上海，说明这家商户做出恶性行为的概率是一般商户的11倍，非常有必要用进一步的手段检查。
通过以上分析，主要还是想说明一点，统计学知识在数据分析中，起着非常重要的作用，是数据分析师需要掌握的内功心法。
Excel是使用最为广泛、最为便捷的办公软件，而且它的数据分析和挖掘功能功能十分强大，能够快速完成所有的数据清洗的过程，能够快速建立分析模型，并且快速运行得出结果，是做数据分析必备的工具。
下面是即将在我的小密圈里分享的120个Excel商业数据分析实战案例目录，欢迎看我个人资料联系我：
网友评论