一些個人的工作經驗，希望對后來人有幫助。首先總結下平時數據分析的一般步驟。

第一步：數據準備：（70%時間）獲取數據（爬蟲，數據倉庫）驗證數據數據清理（缺失值、孤立點、垃圾信息、規范化、重復記錄、特殊值、合并數據集）使用python進行文件讀取csv或者txt便于操作數據文件（I/O和文件串的處理，逗號分隔）抽樣（大數據時。關鍵是隨機）存儲和歸檔第二步：數據觀察（發現規律和隱藏的關聯）單一變量：點圖、抖動圖；直方圖、核密度估計；累計分布函數兩個變量：散點圖、LOESS平滑、殘差分析、對數圖、傾斜多個變量：假色圖、馬賽克圖、平行左邊圖第三步：數據建模推算和估算（均衡可行性和成本消耗）縮放參數模型（縮放維度優化問題）建立概率模型（二項、高斯、冪律、幾何、泊松分布與已知模型對比）第四步：數據挖掘選擇合適的機器學習算法（蒙特卡洛模擬，相似度計算，主成分分析）大數據考慮用Map/Reduce得出結論，繪制最后圖表

循環到第二步到第四步，進行數據分析，根據圖表得出結論完成文章。

結合實際業務來做數據分析

“無尺度網絡模型”的作者艾伯特-拉斯洛·巴拉巴西認為——人類93%的行為是可以預測的。數據作為人類活動的痕跡，就像金礦等待發掘。但是首先你得明確自己的業務需求，數據才可能為你所用。

1. 數據為王，業務是核心

了解整個產業鏈的結構制定好業務的發展規劃衡量的核心指標有哪些

有了數據必須和業務結合才有效果。首先你需要摸清楚所在產業鏈的整個結構，對行業的上游和下游的經營情況有大致的了解。然后根據業務當前的需要，指定發展計劃，從而歸類出需要整理的數據。最后一步詳細的列出數據核心指標（KPI），并且對幾個核心指標進行更細致的拆解，當然具體結合你的業務屬性來處理，找出那些對指標影響幅度較大的影響因子。前期資料的收集以及業務現況的全面掌握非常關鍵。

2. 思考指標現狀，發現多維規律

熟悉產品框架，全面定義每個指標的運營現狀對比同行業指標，挖掘隱藏的提升空間拆解關鍵指標，合理設置運營方法來觀察效果爭對核心用戶，單獨進行產品用研與需求挖掘

發現規律不一定需要很高深的編程方法，或者復雜的統計公式，更重要的是培養一種感覺和意識。不能用你的感覺去揣測用戶的感覺，因為每個人的教育背景、生活環境都不一樣。很多數據元素之間的關系沒有明顯的顯示，需要使用直覺與觀察（數據可視化技術來呈現）。

3. 規律驗證，經驗總結

發現了規律之后不能立刻上線，需要在測試機上對模型進行驗證。