工作中如何分析数据——利用数据发现问题和机会。
1，数据分析原则:
(1)数据分析为了验证假设问题，提供必要的数据验证；
②数据分析为了发现更多的问题，找出原因；
③数据分析不能坐。
2.步骤:
①调查研究:收集、分析、挖掘数据。
②图表分析:将分析和挖掘的结果制成图表。
3.常用方法:
数据挖掘常用的数据分析方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、网页挖掘等。他们从不同的角度挖掘数据。
①分类。分类是找出数据库中一组数据对象的共同特征，并按照分类方式将其划分到不同的类中。其目的是通过分类模型将数据库中的数据项映射到给定的类别。可应用于客户分类、客户属性和特征分析、客户满意度分析、客户购买趋势预测等。例如，一家汽车零售商根据客户对汽车的偏好将客户分为不同的类别，这样营销人员就可以直接将新车的广告宣传册邮寄给有这种偏好的客户，从而大大增加了商机。
②回归分析。回归分析方法反映事务数据库中属性值的时间特性，生成将数据项映射到实值预测变量的函数，并找到变量或属性之间的依赖关系。其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据之间的相关性。可应用于市场营销的各个方面，如客户寻求、维护和防止客户流失、产品生命周期分析、销售趋势预测和有针对性的促销活动等。
③聚类。聚类分析是将一组数据按照相似性和差异性分成若干个类别，其目的是使属于同一类别的数据之间的相似性尽可能大，不同类别的数据之间的相似性尽可能小。可应用于客户群分类、客户背景分析、客户购买趋势预测、市场细分等。聚类分析可以用来研究CPDA数据分析的过程。
④关联规则。关联规则是描述数据库中数据项之间关系的规则，即根据某个事务中某些项的出现，其他项也出现在同一事务中，即隐藏在数据之间的关联或相互关系。在客户关系管理中，通过挖掘企业客户数据库中的大量数据，可以从大量记录中发现有趣的关系，找出影响营销效果的关键因素，为产品定位、客户群的定价和定制、客户寻求、细分和维护、营销和推广、营销风险评估和欺诈预测等决策支持提供参考。
⑤特点。特征分析是从数据库中提取关于一组数据的特征表达式，这些表达式表达了数据集的总体特征。例如，通过提取客户流失因素的特征，营销人员可以得到导致客户流失的一系列原因和主要特征，而这些特征可以有效地防止客户流失。
⑥变异和偏差分析。偏差包括一大类潜在有趣的知识，如分类中的异常例子、模式的异常、观察结果与预期的偏差等。其目的是发现观察结果和参考量之间有意义的差异。在企业危机管理及其预警中，管理者更感兴趣的是那些意想不到的规律。意外规则的挖掘可以应用于各种异常信息的发现、分析、识别、评估和预警。
⑦验证假设与结果的关系。数据分析的结果是否合理、符合逻辑，是否与假设的原因一致，为什么结果与假设不一致，这些都是最终报告听者可能会问的问题，也是数据分析得出的问题的症结所在。