作者：乔山办公网日期：
返回目录：excel表格制作
数据是平台运营商的重要资产，可能提供API接口允许第三方有限度地使用，但是显然是为了增强自身的业务，与此目的抵触的行为都会受到约束。
收集数据主要是通过e5a48de588b6e799bee5baa6e79fa5e98193361计算机和网络。凡是经过计算机处理的数据都很容易收集，比如浏览器里的搜索、点击、网上购物、……其他数据（比如气温、海水盐度、地震波）可以通过传感器转化成数字信号输入计算机。
收集到的数据一般要先经过整理，常用的软件：Tableau和Impure是功能比较全面的，Refine和Wrangler是比较纯粹的数据整理工具，Weka用于数据挖掘。
Hadoop是一个能够对大量数据进行分布式处理的软件框架。用于统计分析的R语言有个扩展R + Hadoop，可以在Hadoop集群上运行R代码。更具体的自己搜索吧。
可视化输出的工具很多。建议参考wikipedia的“数据可视化”条目。
Tableau、Impure都有可视化功能。R语言也可以绘图。
还有很多可以用来在网页上实现可视化输出的框架或者控件。
大致基于四种技术：Flash(Flex)或者JS(HTML5)或者Java或者ASP.NET(Silverlight)
Flash的有Degrafa、BirdEye、Axiis、Open Flash Chart
JS的有Ajax.org、Sencha Ext JS、Filament、jQchart、Flot、Sparklines、gRaphael、TufteGraph、Exhibit、PlotKit、ExplorerCanvas、MilkChart、Google Chart API、Protovis
Java的有Choosel、google-visualization-java、GWT Chronoscope、JFreeChart
ASP.NET的有Telerik Charts、Visifire、Dundas Chart
目前我比较喜欢d3(Data-Driven Documents)，图形种类丰富，有交互能力，你可以去d3js.org看看，有很多种图形的demo。
1、访问调查：访问调查又称派员调查，它是调查者与被调查者通过面对面地交谈从而得到所需资料的调查方法。
2、邮寄调查：邮寄调查是通过邮寄或其他方式将调查问卷送至被调查者，由被调查者填写，然后将问卷寄回或投放到指定收集点的一种调查方法。
3、电话调查：电话调查是调查人员利用电话通受访者进行语言交流，从而获得信息的一种调查方式。电话调查优点是时效快、费用低；不足是调查问题的数量不能过多。
扩展资料：
收集数据的步骤：
1、确定数据分析的目标
没有目标的数据分析才真的是无从下手。有了明确的目标导向后，数据收集的范围和着手点就比较明确了。现实工作当中，一般都是遇到了问题，需要去解决问题的时候，想出来的解决方案就可以成为数据分析的目标。
2、分析需要收集哪些数据
明确了数据分析的目标之后，就需要确定采集哪些数据来分析。目标可以告诉我们范围，比如取消订单的操作场景下会涉及到哪些页面；进一步的要确认这些页面上有哪些表单数据、操作按钮、页面跳转是需要记录操作事件的。
考虑每个数据收集点的成本
数据埋点是有成本的，最直观的就是在性能上会带来比较大的影响，现在也有一些无埋点的采集技术，本人没有做过相应研究，这里只以需要埋点采集的来说明。
参考资料来源：e68a84e8a2ad7a64331百度百科-统计数据
近年来，随着技术的进步、互联网速度提升、移动互联网更新换代、硬件技术不断发展、数据采集技术、存储技术、处理技术得到长足的发展，使我们不断加深了对数据分析的需求。但数据分析本身并不是目标，目标是使业务能够做出更好的决策。如何做好数据分析，简单来说，只需5步。
第一步：明确分析的目标和框架
对一个分析项目，数据分析师应该明确业务目标是什么，初步选定哪些变量作为研究对象，从而为收集数据、分析数据提供清晰的目标，避免无意义的数据分析。同时对项目进行简单的评估，即时调整项目，构建出分析的思路与整体的框架。
第二步：数据收集
有目的的收集数据，是确保数据分析过程有效的基础。作为数据分析师，需要对收集数据的内容、渠道、方法进行规划。
1) 将识别的需求转化为具体的需求，明确研究的变量需要哪些数据。
2) 明确数据的来源渠道，数据的渠道主要有三种，一种是从公司系统数据库直接导出，另一种是通过网络爬虫软件（如火车头、集搜客GooSeeker）从网上抓取数据，也可以直接通过问卷的形式来收集数据。
第三步：数据处理
数据分析的中最重要的一步是提高数据质量，最好的数据值分析如果有垃圾数据将会产生错误结果和误导。因此，对收集到的数据进行加工、整理，以便开展数据分析，是数据分析前必不可少的阶段。这个过程是数据分析整个过程中最占据时间的，数据处理包括数据清洗、数据转化等处理方法。
第四步：数据分析
数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析，从中发现因果关系、内部联系和业务规律，通过数据建立模型，进而为商业提供决策参考。
到了这一阶段，e68a84e8a2ade799bee5baa6333为了驾驭数据、展开数据分析，需要涉及到工具与分析软件的使用。
要熟悉数据分析的方法，首先需要良好的统计基础，了解像方差、抽样、回归、聚类分析、判别分析、因子分析等数据分析方法的原理以及使用，才能灵活的根据业务目标以及已有数据来选择分析的方法。
其次掌握几种常用的数据分析软件，如较基础的Excel、SPSS,或SAS、R等较高级的分析软件，保证分析工作的高效进行。
第五步：撰写分析报告
一份好的数据分析报告很重要，因为分析报告的输出是是你整个分析过程的成果，是评定一个产品、一个运营事件的定性结论，很可能是产品决策的参考依据，好的分析报告应该有以下一些要点：
1) 要有一个好的框架，层次明了，让读者一目了然。
2) 每个分析都有结论，而且结论一定要明确。
3) 分析结论一定要基于紧密严禁的数据分析推导过程，不要有猜测性的结论。
4) 数据分析报告尽量图表化。
5) 好的分析报告一定要有解决方案和建议方案。
1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计 学家所公认的各种统计方法e799bee5baa6e58685e5aeb9364（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如 果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数据处理： 自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析： 假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、 卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、 因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数据挖掘： 分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的 数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除 此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这 些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使 用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通 的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数 据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于 统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。