如何数据分析(零基础如何入门数据分析？)
题图来自Unsplash，基于CC0协议
本文目录
正文
1、零基础如何入门数据分析？
零基础入门数据分析，建议先从Excel开始，因为Excel是数据分析最常用的工具，功能强大，入门容易。
从Excel开始Excel需要学习的有3点，Excel公式、数据透视表和Excel图表。
1、Excel公式
2、数据透视表
3、Excel图表
学习一些SQL基础接着建议学习MySQL，因为数据分析跟数据打交道，懂点sql知识还是很有必要的。
懂点统计学理论很有必要统计学是必须的，不懂统计学根本算不上数据分析师，具体内容有：统计学基础、参数估计、假设检验、方差分析、线性回归、时间序列、聚类分析、主成分分析及因子分析等。
SPSS分析工具除了Excel，推荐SPSS，使用广泛，容易上手。
因为统计学很有些分析方法通过Excel就可以搞定；有些不行，必须通过其他工具才能搞定，例如多元线性回归、聚类分析、主成分分析及因子分析，都需要用到SPSS。
在掌握了统计学的基础上，在学习SPSS是很容易的，因为SPSS只是一个工具而已。
编程学习（可选）另外，有精力的话，懂点编程也是必须的，因为用Excel做数据分析，少量数据（大约几十万甚至百万）没有问题，但是再大一点的数据通过程序来程序会更高效。
1、Python/R
Python和R都可以，R在数据分析方面更加强大，也更成熟，但是想往机器学习方向发展的话，Python还是主流语言，推荐学习Python。
2、Excel VBA
虽然Excel为我们提供了很多好用的公式和功能，但是还有很多工作无法用现有的公式和功能批量完成，比如Excel表格的批量拆分、数据批量分类等，而借助于VBA代码，可以很方便地处理这些问题。
回答完毕！
2、如何学习数据分析？
根据数据科学家一生的三个发展阶段，将这些计划做了分类。大家可以自己判断哪些计划适合自己并按照计划行动起来。如果你已经成功地完成了现有阶段的任务，就可以转向下一阶段。
初级水平
什么是初学者？——如果解析学和数据科学对你来说是全新的领域，你也不知该行业的发展模式，而你又想在这个行业大展拳脚一番，那么初学者就是你。以下这些应该在你的计划之内。
1. R语言也好，Python语言也好，学习一门新的编程语言
我曾见到有同学同时学习R语言和Python语言，最后落得两手空空。这种做法是很致命的。你一定要沉下心来专攻一门。鉴于这两种语言都是开放源代码工具，所以在公司里都有广泛运用。Python被公认为最简单的编程语言，而R语言一直都是最受青睐的统计工具。学习哪一门的决定权在你，因为两个同等出色。
推荐课程：推荐R语言和Python入门课程《Python入门：数据挖掘实战》、《R语言入门》
2. 学习统计学和数学
统计学的内容全都是关于假设和数列，然而没有统计学和数学的知识你很难深入到数据行业里，这是数据科学家的重中之重。
3.一次性完成一门网络开放课程（最难执行）
大规模网络开放课程可以免费获取和学习，可这对你来说也是最难实现的诺言。很多学生通常一次性注册选修很多课程，结果一门也没有圆满完成。所以，你一定要一次专注一门课，完成之后再选下一门。
推荐课程：推荐R语言和python进阶课程：《R语言实战》、《Python进阶：数据挖掘算法》
4.了解业界动态，善于探索和发现
你要了解业内动态。我们生活在一个变化的世界，一夜之间事物就可能发生重大变化，今日和流行的技术明日就很可能面临淘汰。你一定要多与一些富有经验的专业人士、业内专家交流，预见未来的自己。所以赶快参与到讨论和聚会中来吧，关注一些微博微信，加入一些群组，多阅读一些书籍。
中级水平
中级水平的数据科学家是什么样的？——如果你已经完成了前一阶段的内容，有过机器学习基础知识的实践经验，掌握了建立预测模型的知识，那你就达到了中级水平。完成这一阶段需要强大的决心和持久的练习。你准备好迎接这个挑战了吗？
1.理解并构建你的机器学习技能
机器学习是数据科学和技术的未来。所有的大型企业都不惜重金雇用掌握这个技能的人才。毫无疑问，近日来这项技术的需求越来越大，现在正是你充分利用这一局面的大好时机。今年，你应该努力在机器学习上精益求精，深入掌握回归、聚类和分类与回归树（CART）技能。
推荐课程：《机器学习与R语言实践》，斯坦福大学公开课《机器学习》
2. 专注集成算法和Boosting算法
一旦你对机器学习充满自信，那就继续去学习其他模型。通过Boosting和集成算法，你的模型准确率与其他算法相比会突飞猛进。
3. 探索Spark、NoSQL和其他大数据工具
今年你的学习之旅始于大数据。考虑到大数据专业人员的需求激增，你一定要学习Spark，这个工具最近非常火爆。大数据的未来就在Spark，它广泛用于处理和操纵数据。除此之外，你还可以拓展到NoSQL和Hadoop领域来。
推荐课程：从Spark迈出学习第一步。推荐观看课程《大数据实战工具Spark》
4.给社区成员做分享
还有什么比分享知识更美妙呢！从今年开始，你可以把自己的知识分享给正在数据科学的路上不断探索的人们。你可以加入活跃的数据科学论坛，给他们答疑解惑，你也可以在附近的行业圈里发起聚会。
推荐任务：关注大数据公众号和论坛等等。
高级水平
对于进入这个阶段的人我就不需要来给出标准了，你们所了解的数据科学，很多人甚至连尝试的勇气都没有。身处这一阶段，你们的生活惬意而又自如。可有时还想去迎接挑战，以下是一些计划。
1. 建立深度学习模式
你们要为有志于成为数据科学家的人们树立榜样。你要下决心在今年建立深度学习的模式。全球的人都在用这一模式进行预测，它是机器学习的高级阶段，其准确率明显高于普通的机器学习模型。
推荐课程：完成深度学习辅导课程任务。
2.回馈
我相信知识的意义不是被束之高阁，而是与人分享。分享越多，收获越大。据说，如果你了解一个新概念并解释给你的两个朋友，你对这个概念的记忆很可能会更久。所以今年，你必须制定计划，运用自己的知识和经验帮助数据分析学领域的人。这也会为更多的在这个领域的人指明方向。
推荐任务：在社区分享你的知识。
3. 探索强化学习
强化学习是机器学习中最有效而又鲜有发现的领域。今年，你可以下定决心研究下这个领域。虽然很有挑战性，但是一定值得你去尝试。无人汽车、无人侦察机就是强化学习的硕果。一旦开始学习这些，你就自然而言地进入到了人工智能领域。
3、大数据时代如何进行数据分析？
谢谢邀请！
数据分析是呈现数据价值的重要手段，如何进行数据分析也是大数据落地应用的关键环节之一，对于数据分析来说，一方面要循序渐进，另一方面也要与相关技术进行紧密结合。
对于企业来说，进行数据分析可以按照以下步骤进行：
第一：完善数据采集机制。数据采集是数据分析的基础，对于广大传统企业来说，要想利用大数据，首先要建立大数据应用生态链。大数据生态链的基础则是物联网和传统信息系统，所以要进行数据分析，首要任务是建立完善的数据采集机制。
第二：数据分析按需、按阶段建设。在大数据时代，很多企业对于大数据赋能传统企业迫不及待，迫切希望数据分析等大数据建设任务能“一步到位”，希望大数据能快速产生经济效益，实际上这种想法是存在一定问题的。数据分析要想赋能传统行业，需要按需、按阶段建设。比如对于一个连基本报表都没有的传统企业，应该从报表应用开始，然后再进一步采用BI系统，这是一个循序渐进的过程，这个过程也是培养企业大数据思维的过程。
第三：数据分析要与相关技术紧密结合。数据分析并不是一个新概念，传统的数据分析是统计学的重要研究内容之一，但是在大数据时代，数据分析产生了明显的变化，这个明显的变化就在于从小数据分析到大数据分析。目前，通过机器学习的方式完成数据分析是一个流行的做法，这就要求从业人员紧跟技术发展的脚步，更新自身的知识结构。
最后，随着大数据的发展，数据价值化程度越来越高，对于从业者来说，数据分析的专业化要求也越来越高。目前，数据分析分为应用型分析和研发型分析两个方向，不管对于哪种分析方式来说，都需要从业者具备一定的专业度。这个专业度不仅体现在技术领域，也体现在行业领域，所以数据分析人员既是技术专家又是行业专家。
作者简介：中国科学院大学计算机专业研究生导师，从事IT行业多年，研究方向包括动态软件体系结构、大数据、人工智能相关领域，有多年的一线研发经验。
欢迎关注作者，欢迎咨询计算机相关问题。
4、如何用excel制作数据分析？
严格意义上来讲，5000条数据称不上大数据，用excel是非常简单快捷的工具。给您提供简单的思路供参考。
1、确定分析思路。我们需要分析一个什么样的结果，简单介绍一下5W2H分析法，即何因（why），何事（what），何人（who），何时（when），何地（where），如何做（how），何价（how much），结合新生的数据情况，确认好要分析的目标。当然也有其他的分析方法，如PEST分析法，逻辑树分析法等。
2、数据处理。包括数据清洗和加工。比如日期格式，缺失值等。及时查漏补缺，确保数据的质量。这里要掌握一些基本的函数用法，比如：sum，average，dateif，vlookup等。
3、数据分析：主要用到的工具是数据透视表，他是一种交互式的报表，利用它，我们可以方便的调整分类汇总的方式，灵活的以多种不同方式展现数据特征。主要用的功能：数据排序，筛选，分类汇总等数据处理功能。
问题1、5000人中来自上海的学生有多少？
问题2、男生，女生的占比有多少？
问题3、重名人数有多少？
4、数据的展现。基本的图表有饼图，条形图，柱形图，折线图，散点图等，不同的图形用来暂时的重点也不一痒，占比建议用饼图，趋势建议用折线图等。
更多详细的步骤，可以参考天善智能学院李奇老师的
用Excel对话数据-零基础Excel商业智能分析
课程地址：https://edu.hellobi.com/course/118
更多的学习数据分析的视频课程，可以登录天善学院，https://www.hellobi.com/
5、做数据分析如何保障数据的准确性？
从业多年，在数据准确性上摔过不少跟斗，总结了一些切实有效的方法，能够帮你尽可能的规避错误，确保数据的准确性，分享给大家
对数据上游的管理虽然看上去，数据分析师是掌握数据资源的人，但从数据的生产流程来看，数据分析师其实位于数据的下游，数据需要至少先经过采集环节、清洗环节、存储环节才能被数据分析师拿到，甚至有的体量特别大的数据，他的调取和处理环节也不能被数据分析师控制。所以，想要最终做出的数据不出错，那就要先确保我们的数据上游是准确的。
虽然数据上游一般是由其他业务或技术人员负责，但数据分析师也可以通过提需求或生产过程参与的方式，对数据上游进行管理：
采集环节，负责采集环节的业务或技术人员往往会把注意力聚焦在采集实现方式上，而忽略了采集来的数据本身对应的业务含义，数据分析师需要在这个环节上跟他们反复说明根据业务含义反推出来的采集细节，确保大家在理解和实际执行上没有偏差，最好在设置一些采集质量的控制点，帮助业务或技术人员做好采集工作。例如，APP的数据采集经常需要前端技术同学进行打点采集，这时数据分析师应该和技术同学一起讨论打点方案的各个细节，比如“启动”这个点对应的业务含义是想计算每天的活跃用户数量，那么启动点的采集就应该既包含点击APP图标启动又包含后台呼启，其中后台呼启与上一次退入后台的时间间隔应该至少大于30秒，否则可能被认为是用户的正常操作而非完成一次使用后的退出，30秒也是根据业务实际情况人为讨论设定的。清洗环节，分析师应该在确认采集环节的细节后跟数仓工程师沟通数据清洗的规则，比如某个字段可能会含有某些方面的脏数据，需要通过何种规则被清洗掉。例如，打点采集上来的行为数据可能会因为用户手机网络环境问题或其他前端原因而导致上报的行为时间戳错误，那么清洗的时候就应该利用获取到的数据上报时间戳去填充或直接去掉这条记录。储存环节，数据分析师应该根据具体业务的实际需求，向数仓工程师提出相关的结果表建表需求，和与之配套的调度需求，同时也可以利用上一节梳理过的数据分析指标体系参与到数仓结构规划的讨论中。例如，公司管理层需要每天关注的核心数据指标最好统一放在一张结果表里储存（为了提升BI的计算效率），管理层每天要在早上10点看到，那么对应的数据分析师应该在早上8点看到（以便提前发现问题并留出修正时间），结合数据采集和数仓拉取时间那么保险起见应该在7点完成底层表调度。调取环节，我建议数据分析师能够梳理出一个常用的数仓表文档，便于平时日常的数据调取，而如果用到相对陌生的表则应该先与数仓工程师沟通确认表的字段含义、数据源头等再进行调取使用。处理环节，遇到体量比较大的数据需要借助工程师进行处理时，应该先明确好数据处理的要求和步骤，最好落实成一个执行文档再交给工程师让他按此进行处理，处理结束后要对数据结果进行核验。设立数据“安检站”“大包小包过机安检”只要你坐过北京的地铁，相信这句话一定耳熟能详，为了确保所有旅客不把易燃易爆等危险品带入地铁内危及他人安全，地铁在每个进站口设置安检站对所有过往人员物品进行检查。虽然避免数据错误的最主要方法就是检查，但全流程无休止的数据检查显然是费时费力且效率低的，我们其实也可以在数据流入流出的关键节点设立“安检站”，只在这个时候进行数据检查。
一般我会在这些地方设立“安检站”：
数据调取完成，如果原材料出错，后面一切都错，所以你需要把住数据流入的第一道关。数据处理完成，你需要利用数据处理后的结果进行分析判断，如果处理结果出错，你可能会因此错失关键线索而在问题里打转，会浪费远比你检查一下数据而多的多的时间。数据报告撰写完成，这是数据流出前的最后一道关，当然要仔细检查一遍，出了这个“安检站”，数据错误就会暴露在外无法再挽回了。几种行之有效的检查方法：
直接核对，拿处理前和处理后的某条数据对比，虽然简单粗暴，但对于一些关键数据的确认很有必要。勾稽关系验证，利用数据与数据之间的逻辑或计算关系，来验证数据的准确性。比如，A+B=C或者A>B>C。参照对比，跟历史或同类数据对比，看看数据是否存在比较大幅的差异，如果出现差异又没有对应的背景原因的话，那很有可能数据错了。比如，平时的月新增用户是30万人，但最新一个月变成200万，且这一个月并没有追加大成本做推广，那么很有可能是数据错误。穿行测试，偷师审计中经常使用的一个方法，审计上的穿行测试（walk through testing）是指追踪交易在财务报告信息系统中的处理过程，而我们这里的穿行测试是通过一个实例数据去检查数据中的各个环节是否符合逻辑，比如用几个少量的购买用户ID去用户活跃数据、用户广告浏览和点击数据、用户购买数据等中去找他们实际的数据记录看看与逻辑是否吻合。这个方法一般用在数据调取完成后的检查。业务事实判断，一个很郁闷却经常发生的事情——数据分析师检查了几轮都没发现的错误，却会被老板轻易发现。老板其实并不比分析师掌握更多的数据，他们只是对业务更熟悉，他们会根据业务的实际情况对具体数据有一个预判，比如某个商品昨天的销量，数据分析师看到的只是个数字，而老板看到的却是这个产品经历了怎样的设计和讨论、前期做过多少次头脑风暴或市场调查、与之匹配的推广投入是多少、同类型竞品大概能卖出多少等等，这些事实让那个简单的数字变得丰富，而数字但凡出现一点点错误都会与那些历历在目的实时场景不符。我们可以学习老板们的这一点，也找寻一些业务事实或者直接询问业务人员业务情况来辅助我们对数据准确性做判断。确保数据准确的几个日常习惯除了上述成体系的错误规避手段外，几个日常的好习惯也可以让我们尽可能的离错误远一点：
养成数据监测习惯。每天要把重要的数据指标全部过一遍，最好能结合业务变化进行数据监测，这个过程可以通过写每天的数据日报完成。很多重大的数据调度问题我都是靠数据监测发现的。先于其他人看到数据。每天尽量早点到办公室，在其他同事尤其是老板还没打开每天的BI报表之前，先看到数据，如果发现问题能够及时纠正或至少能先行通报数据错误。别太相信自己的记忆。人脑不是电脑，一定有记不清记不准的情况，所以如果能有足够的时间查询一下数据，就别自己靠记忆去回答数据问题。尽量为自己争取多一点时间。很多错误往往是我们准备时间不够，慌乱中压力大容易错，又缺少必要的实际检查，所以尽量为自己争取多一点数据准备的时间是很有必要的。永远带着电脑。既然不能依靠人脑，那就只能依靠电脑，在任何可能会发生数据查询的时间和空间内最好都带着你的电脑。如果发现数据错误，一定要及时承认并在第一时间修正，如果想掩饰一个错误，那么就可能会引发更多的错误。以上，是确保数据准确的大致经验总结，几句最关键的话再重复唠叨一下：
信任是数据分析师立足的根本，一点点的数据错误就可能将积累了几年的信任迅速毁掉。永远别忘记检查，无论时间多紧迫，无论任务难度多小，无论数据提供给谁数据分析是个“勤”行，一定要尽可能深入业务和技术的各个层面，一定要跑在别人看数据的前面。6、如何写好一份数据分析报告？
一份完整的数据分析报告，通常包括 7 个模块，但这些模块并非一成不变，不同的领导、不同的客户、不同的数据，都有可能会影响到数据分析报告最终呈现出来的结果，不同模块所花费的时间和精力也不一样。
根据数据分析报告的情景，有些模块是可以省略的，比如说，附录并不是必须的。
下面我们逐一介绍数据分析报告的 7 个模块。
1. 标题封面
一个好的标题，能让读者在看到报告的一瞬间就产生阅读的欲望，也能让读者迅速理解报告的主旨。
标题一般要符合 SPA 原则：
（1）简单明确 Simple
（2）利益相关 Profit
（3）准确客观 Accurate
有时候，可以在标题中加入部分关键性的结论词语，以增加吸引力。
比如说，春节期间内推奖励翻番。
但是，强烈建议大家不要做「标题党」，如果文不对题，那么就是在浪费读者的时间，次数多了以后，你将会失去读者的信任。
在数据分析报告的标题封面页，可以注明报告的制作者、所在单位或部门、完成日期等信息。
2. 目录导航
目录主要是将报告的各模块呈现给读者，方便读者快速了解和查找报告的内容，起到一种导航的作用，让读者在看报告的过程中不迷路。
当报告的篇幅比较长时，可以对目录进行细分。
比如说，按照 4P 和 4R 营销理论，我们可以把分析正文细分为 8 个部分：
相应的目录导航如下：
一、背景说明
二、思路方法
三、结论建议
四、分析正文
1、产品分析
2、价格分析
3、渠道分析
4、促销分析
5、顾客关联
6、市场反应
7、关系营销
8、利益回报
五、附录
3. 背景说明
背景说明页，一般用于阐述项目需求、分析目的、市场情况、前提假设、概念定义、适用范围、数据来源等，以便让读者知道项目的前因后果，了解分析报告的严谨性和数据来源的可靠性。
为了让背景说明更具有吸引力，可以采用讲故事的 SCQA 模式：
（1）描述情景 Situation
（2）引发冲突 Complication
（3）提出问题 Question
（4）给予解答 Answer
比如说，去年销售额增长 20%，然而，利润却下降了 5%，如何提高利润率？请看下面的结论建议。
4. 思路方法
思路方法页，是为了便于读者理解报告的逻辑线索，可以包括分析的理论和框架、研究方法、算法模型等等。
比如说，在「腾讯00后研究报告中」，包含社会化理论、研究分析框架和研究方法等：
5. 结论建议
结论建议页，经常放在分析正文的前面，尤其是当报告给高层领导看时，因为这样可以大幅度节省高层领导的时间，毕竟，高层领导的时间是最宝贵的资源。
如果你能更加快速地传递有效的信息，那么就是在创造价值。
数据分析报告的价值，在于给决策者提供参考和依据，而决策者需要的不仅仅是找出问题，更重要的是解决问题。
所以，结论建议一定要简明扼要、抓住重点，得出的结论一定要严谨慎重、有理有据，给出的建议一定要合情合理、能落地执行，应该注意 3 个要点：
（1）搞清楚要建议的对象；
（2）符合业务的实际情况；
（3）不要回避不好的结论。
6. 分析正文
分析正文通常是数据分析报告中篇幅最长的模块，包括用来支持结论建议的论据和论证，一般符合金字塔原理，采用「总 - 分 - (总)」的结构。
在《结构化写作》这本书中，介绍了构建金字塔结构的 4 个原则：
（1）论：结论先行，强调的是一次表达一定要有清晰明确的结论，一次表达只支持一个核心观点或中心思想，并且要放在开头的位置；
（2）证：以上统下，强调上下层级之间的论证关系，上一层结论是对下一层信息的概括和总结，下一层信息则是对上一层结论的解释和说明；
（3）类：归类分组，强调分类的重要性，把具有相似性或相互关联的信息要按照一定的标准进行分类，归为同一个逻辑范畴；
（4）比：逻辑递进，强调同一层次、同一组信息之间要进行比较，同一逻辑范畴的信息必须按照一定的逻辑顺序进行排列。
7. 附录封底
附录中可以包含关键代码、元数据、参考文献等，以便让分析过程更加透明化，保证分析结果的可追溯性。
封底页还可以展示版权等信息，也可以配上一张美观的图片，写一些感谢之类的话。
根据需要，这部分内容也可以省略。
小结本篇总结了数据分析报告的 7 个模块，分别是标题封面、目录导航、背景说明、思路方法、结论建议、分析正文和附录封底，根据业务的实际情况，其中有些模块是可选的。
数据分析报告的好坏，能够反映出数据分析师水平的高低。无论分析方法多么先进，如果不能将分析结果有效地组织和展现出来，就无法体现数据分析的价值。
因此，每一个数据分析师都应该高度重视数据分析报告。在实际工作中，可以结合业务的实际情况，学习优秀的数据分析报告，并且学以致用，多加锻炼，从而不断提升制作数据分析报告的能力，做出更多更好地数据分析报告。
文章作者：林骥
7、如何提高企业的数据分析能力？
伴随企业信息化的发展，企业的核心竞争价值成为企业发展多年沉淀的业务数据。通过对企业的数据进行分析逐步形成企业的核心竞争力，我认为可以从以下几个方面来提升企业的数据分析能力：
一 建立坚实的数据根基
数据分析首先需要保证分析结果的准确性，所以建议企业先对数据的质量进行统一管理，结合主数据平台建立企业的数据管理标准，将内部不规范、不全面、有错误的数据进行清洗、转换、集成，用户按照不同的权限进行各自业务数据质量以及主数据的把控，保证数据的唯一性、准确性、一致性、及时性。
二 内部数据收集分析
基于数据标准统一、质量监管后，将企业内部核心的业务数据进行整合、分析，搭建企业的数据分析平台，参考行业分析模型，结合企业自身管控需求，为企业量身定制满足企业当前管理需求及未来发展需要的分析模型，精确反映出企业的管理问题，助力企业精细化管理、以数字驱动企业决策，提升企业的核心竞争力。
三 外部数据引入分析
基于企业内部数据分析达到一定成果后，内部数据梳理清楚，呈现数据价值之后，企业可以通过爬虫、购买等手段引入外部数据，基于大数据工具、方法，实现本企业与行业标杆企业的对标分析，了解行业的动态趋势与差距，对比行业历史发展数据情况，结合不同的分析预测算法进行企业趋势预估、风险预警规避。
综上总结：企业数据分析的构建可以从根基做起，先进行内部数据治理，标准规范，后挖掘内部数据价值，规范企业管理，逐步过渡引入外部数据，实现趋势预估与预判，从而不断的提高企业的数据分析能力、风险管控能力，通过大数据建设来推进业务升级优化、经营管理水平提升。
8、如何练就数据分析的思维？
大数据分析技术的发展，人们对数据与数据分析的重视程度提高，但无论是大数据分析还是数据治理，具有运用与分析数据的思维更重要，即数据分析思维。它是根据数据来思考分析事物的一种思维模式，具备数据分析思维的人可以正确的运用数据去分析处理一些事物，讲究逻辑关系，用数字说话，而不是靠传统的经验去判断。很多人都想拥有数据分析思维，这种能力不是与生俱来的，需要我们加强学习。
1. 与数据打交道，数据分析思维一定离不开数据，要加强数据的研究，例如有哪些业务数据、数据的产生源头、走向、流程等，多研究与分析数据，提升对数据的感知。
2. 逻辑归纳能力，多阅读一些文章，将里面复杂的问题分解成一个个单一的点，进行总结、归纳与排序，明确先后发生的关系，支撑必备的条件等，使之具备条理和逻辑性。
3. 反向推理演绎，要具备演绎能力，将要发生事物过程在头脑中虚拟演绎，通过问题的结果反向推演事情的经过，寻找问题点；或假设事物的起因，而推测即将发生的结果。
4. 指标与维度分析：思考罗列出需要分析的问题的指标，列出指标项，进行主题的细分，之后拟定分析的维度，当然这些过程都可以使用数据分析工具辅助完成。
数据分析思维不是一天两天就能够炼成的，首先需要具备客观的、逻辑化的思维，之后不断用数据去证明，将问题从出现、到解决、得出结论、总结的不断往复的长期性过程。
9、大家是如何进行数据分析的？
其他人如何分析的我不知道，只记得一朋友打麻将时特精，很少会输，每次都将牌局分析得头头是道，哪些牌已出过记得一清二楚。