关于问题大数据时代如何进行数据分析？一共有 2 位热心网友为你解答:
【1】、来自网友【DataFocus】的最佳回答：
数据分析主要有哪些思维？学习的路线是怎么样的？
为了提供一个简单的方向指引，让数据分析思维的学习过程更加有趣，我做了一幅数据分析思维九段路线图，你可以把学习的过程当作一种游戏，享受段位升级的乐趣。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
在段位升级的过程中，如果你理解起来感觉比较吃力，那么应该沉下心来，认真地先把基础打好，积累更多的数据分析经验。
DataFocus 企业大数据 BI 分析系统，让数据分析像搜索一样简单
1. 初段：目标思维
做数据分析，首先要一定明确目标，以终为始。
只有明确目标，才不会迷失方向，就像导航软件，如果没有设置目的地，那么它是没法告诉你路线图的。
目标思维主要体现在以下 3 个方面：
（1）正确地定义问题
比如说，小明听了煎饼大妈月入 3 万的故事，心里就想：为什么煎饼大妈月入 3 万？
这个问题的定义，应该是关注「月入 3 万」，而不是「煎饼大妈」。
也就是说，小明想的应该是「如何实现月入 3 万」，而不是「如何变成煎饼大妈」。
（2）合理地分解问题
比如说，煎饼大妈如何实现月收入 3 万？
这是一个比较大的问题，可以进行细分，因为收入等于订单数乘以客单价，所以把这个问题细分为两个小问题：
a. 如何实现一个月卖 5000 个煎饼？
b. 如何实现平均每个煎饼卖 6 块钱？
（3）抓住关键的问题
在不同的发展阶段，关键问题是不一样的。
比如说，对煎饼大妈来讲，刚开始做的时候，关键问题是：如何选择人流量大的好地段？
当选好地段之后，关键问题就变成：如何提高路人来购买的概率？如何提高客单价？如何提高重复购买率？
总之，数据分析的目标，就好比枪上的瞄准器，如果没有瞄准器，枪照样可以打，但是有了瞄准器，枪才可以打的更准。
2. 二段：对比思维
有人说：
没有对比，就没有伤害。
在数据分析中，没有对比，就没有结论。
比如说，小明某次期末考试的成绩不好，英语只得了 30 分，小明的妈妈对他说：“你上次考试英语考了 70 分，这次怎么就考得这么差？你看你的同班同学，这次都考 80 分以上。”
常见的对比思维有以下 5 种：
（1）跟目标对比
（2）跟上个月比
（3）跟去年同比
（4）分渠道对比
（5）跟同类对比
数据分析的过程，就是在明确目标之后，通过对比等思维，找到问题的原因，得出分析的结论，提出可行的建议，从而起到帮助决策和指导行动的作用。
3. 三段：细分思维
有人说：
不自由，毋宁死。
在数据分析中，细分是数据分析的灵魂，无细分，毋宁死。
比如说，小明某次考试的总成绩不好，细分一看，发现其他科目的成绩都不错，只有英语成绩特别差，只得了 30 分，从而拉低了整体的成绩。
常见的细分方法有以下 5 种：
（1）按时间细分
（2）按空间细分
（3）按过程细分
（4）按公式细分
（5）按模型细分
在运用细分思维解决问题的过程中，要做到有的放矢，围绕数据分析的目标，找到合适的方法，不要像无头苍蝇一样到处乱撞。
当发现数据异常时，尝试从不同的维度进行细分，这样既能锻炼你的数据分析思维，又能加深你对业务的理解。
DataFocus 企业大数据 BI 分析系统，让数据分析像搜索一样简单
4. 四段：溯源思维
做数据分析的时候，要多问几个为什么，追根溯源，在数据源寻找可能隐藏的逻辑关系和解决方案。
比如说，小明把自己每天的行动数据，都用 Excel 详细记录下来，其中包括每一时段的情绪数据。小明做复盘总结的时候，发现有一天情绪数据特别低，然后连续问了几个为什么：
（1）为什么这一天情绪数据特别低？
因为那一天小明上当受骗了。
（2）为什么会上当受骗？
因为骗子用生命安全来吓小明。
（3）为什么骗子能吓到小明？
因为小明担心自己的生命安全。
（4）为什么小明会担心生命安全？
因为求生是人类的本能反应。
（5）为什么人会有求生的本能？
因为人的大脑分为：年代久远的本能脑、相对古老的情绪脑和非常年轻的理智脑。
理智脑对大脑的控制能力很弱，大部分决策往往源于本能和情绪，而非理智。
到这一步，小明找到了自己上当受骗的根本原因，在于自己当时没有控制好自己的大脑，所以失去理智。
针对这个问题，小明运用「控制两分法」，并在脑海中反复进行演练，然后在实践中进行校正，实现与情绪的和平共处，从而更加理智地面对纷繁复杂的世界。
如果你经常运用溯源思维，就能提升数据的敏感度，并加深对业务的理解。
5. 五段：相关思维
相关思维，就是寻找变量之间相互关联的程度。
比如说，有一家超市的数据分析师发现，跟尿布一起购买最多的商品竟然是啤酒，啤酒和尿布有什么关联呢？
采访小明的爸爸，他说自己下班后，给小明的妹妹买尿布的同时，也会购买自己喜欢喝的啤酒。
如果一个变量改变的时候，另一个变量也朝着相同的方向发生变化，那么我们就说这两个变量之间存在正相关性。
运用相关思维，通常包括以下 3 个步骤：
（1）收集相关数据
（2）绘制散点图形
（3）计算相关系数
需要注意的是，相关不等于因果。即使两个变量之间相关，也不代表其中一个变量的改变，是由另一个变量的变化引起的。
比如说，国家的诺贝尔奖数量，与巧克力消费量之间呈现正相关关系，但这并不是说，多吃巧克力有助于获得更多的诺贝尔奖。
一种合理的解释是，诺贝尔奖的数量与巧克力的消费量，很可能都是由其他变量导致的，例如国民的受教育程度和富裕程度。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
6. 六段：假设思维
胡适先生说过：
大胆假设，小心求证。
这句话非常适合用在数据分析领域。
大胆假设，就是要打破既有观念的束缚，挣破旧有思想的牢笼，大胆创新，对未解决的问题提出新的假设。
小心求证，就是基于上面的假设，用一种严谨务实的态度，寻找真相，不能有半点马虎。
比如说，有一天小明去买水果，跟卖水果的阿姨说：
“阿姨，你这桔子甜不甜？”
阿姨：“甜啊，不信你试试。”
小明：“好，那我试一个。”
小明剥开一个桔子，尝了一口说：
“嗯，不错，确实挺甜的，给我称两斤。”
运用假设思维，通常包括以下 3 个步骤：
（1）提出假设
（2）统计检验
（3）做出判断
大胆假设并非绝对可靠，但是通过小心求证，我们可以更好地认识世界上的许多现象，从而得出更有价值的分析结论。
DataFocus 企业大数据 BI 分析系统，让数据分析像搜索一样简单
7. 七段：逆向思维
到了七段，你已经具备比较丰富的数据分析经验，此时如果想要进一步有所突破，就得打破常规，具有逆向思维的能力。
比如说，有一天小明去买西红柿：“阿姨，你这西红柿多少钱一斤？”
阿姨：“两块五。”
小明挑了 3 个放到秤盘：“阿姨，帮我称一下。”
阿姨：“一斤半，3 块 7 毛。”
小明去掉其中最大的西红柿：“做汤不用那么多。”
阿姨：“一斤二两，3 块。”
小明拿起刚刚去掉的那个最大的西红柿，付了 7 毛钱，扭头就走了。
你看，本来是阿姨想占小明的便宜，虚报重量。但是，小明利用逆向思维，反而让阿姨吃了哑巴亏。
常见的逆向思维有以下 5 种：
（1）结构逆向
（2）功能逆向
（3）状态逆向
（4）原理逆向
（5）方法逆向
理解这些逆向的方法，有助于你打开数据分析的思路，不断提升自己的可迁移能力，尤其是底层的思维能力，做到以不变应万变。
8. 八段：演绎思维
演绎思维的方向是由一般到个别，主要形式是「三段论」，由大前提、小前提、结论三部分组成。
比如说，小明不仅知道：金属都能导电；而且知道：铜是一种金属；所以小明可以得出结论：铜能导电。
运用演绎思维，应该遵循 5 项基本原则：
（1）不要出现第四个概念
（2）中项要能向外延伸
（3）大项和小项都不能扩大
（4）前提都为否，结论不必然
（5）前提有一否，结论必为否
掌握以上基本原则，能帮你建立更加严谨的数据分析思维。
9. 九段：归纳思维
归纳思维的方向与演绎正好相反，归纳的过程是从个别到一般。
比如说，小明先知道：金、银、铜、铁等金属分别能导电，然后归纳出一个结论：所有金属都能导电。
这个过程，是先接触到个别事物，然后再进行归纳总结。
常见的归纳方法有以下 5 种：
（1）求同法
（2）求异法
（3）共用法
（4）共变法
（5）剩余法
这些方法是我们获取新知识的重要途径，不过需要注意的是，很多案例和故事都说明，有限的观察并不等于真理。
为了避免以偏概全，我们还要加强归纳思维的训练，积累更多实战的经验，这样归纳总结出来的结论，才能经得起时间的考验，才会更有现实意义。
通过归纳总结，得出有价值的分析结论，这既是数据分析的终点，也是数据分析的起点，形成一个正向的循环系统。
最后的话
正确的思维能力，是做好数据分析的必备条件，这也是很多人相对比较欠缺的一种能力。
要想成为一个有洞察力的人，就要多学习、多思考、多总结、多实践，通过刻意练习，举一反三，把数据分析的思维，应用到日常的工作和生活中去，逐渐提升自己的数据分析思维能力。
DataFocus 企业大数据 BI 分析系统，让数据分析像搜索一样简单
【2】、来自网友【数通畅联】的最佳回答：
在如今的大数据时代，数据对于任何一个面向客户的企业来说都是必不可少的，例如在淘宝或短视频平台进行用户的偏好推荐等都是依靠大数据支撑。在企业中，企业的运营和决策也是离不开大数据的分析。一个好的企业对于数据的分析，根据数据的流动推演出未来的方案的实施是必不可少的。
我认为在数据分析过程中主要是分为六步，
识别信息需求、收集数据、分析数据、数据分析的过程中进行改进、初步得出数据的分析结果、多次验证数据分析、降低误差
。
1. 识别信息需求：在收集大数据的过程中首先就是要明确哪些是企业需要进行收集的数据，哪些是有用的，哪些是无用的，对于数据进行甄别和筛选是数据分析的基础也是最重要的一步。
2. 收集数据：在明确了信息的需求后就要进行数据的收集，可以根据指定用户的多次阅览，或对公司下客户的产品使用情况进行数据采集和整理，这种数据越多越好，越详细越好，只有更加的细致才会在分析的过程中减少误差。
3. 分析数据：在采集完数据后，需要找到公司内相关的专业人士，对实际进行分析和交流，明确数据反映出来的实际情况和未来的数据走向。
4. 数据分析的过程中进行改进：在分析的过程中，并不会一次性得出结论，需要在多次的会议中收集每个人的相关意见，进行归纳整理，并根据意见对分析结果进行调整和改进。
5. 初步得出数据的分析结果：在分析结束后，对于本次得出的结果并不会用于完全的使用，还需要对初步得出的结果数据进行实践操作，根据实际反映的情况对数据分析的结论进行调整和优化。
6. 多次验证数据分析、降低误差：初步分析结果出来后，并进行多次验证后，最终将完整并准确的数据结论进行整理，并根据结果反馈给用户。
在大数据时代，进行数据分析有助于实时准确地监控、追踪竞争对手动态，是企业获取竞争情报的利器；有助于及时获取竞争对手的公开信息以便研究同行业的发展与市场需求，有助于为企业决策部门和管理层提供便捷、多途径的企业战略决策工具。
