本文大概梳理了统计数据分析的三种方法论，即描述性数据分析、数理统计分析和数据挖掘分析。enjoy~

我们说数据分析要有目的进行分析，实际上我们在平常的工作中，没有学过数据分析也能靠直觉推断出一些数据产生的原因。那么为什么还要进行数据分析的学习呢？也就是说，数据分析，到底在学什么？

其实我认为如果是在初创团队中，确实无需使用太专业的数据分析方法，因为往往数据不足。但是，如果你掌握了数据分析的方法，就能够在产品的初期设计合理的埋点，要知道现在很多产品在早期是没有这个意识的，于是等产品成熟了再去做这件事是极其痛苦的。所以也才催生了类如诸葛IO这样的“无埋点”数据分析的产品。“无埋点”只能收集到很浅层次的数据，如点击数据，IP/PV等，业务层面就无法统计。而且存在着不稳定性，从技术上讲就是说如果用户使用了一些奇奇怪怪的浏览器（例如低版本的IE）的话，很可能无埋点的代码就无法运行，造成原始数据的偏差。说了这么多，回到话题，学习数据分析，我们能够：

1. 培养数据意识，提升产品规划能力。
2. 培养数据敏感性，提高洞察力。
3. 能够数据中发现不容易通过直觉发现的足丝马迹，发现潜在的可能。
4. 掌握一门通用的硬技能，辅助需求挖掘、业务分析。
5. 等等

接下来我们进入正题：数据分析的方法论。

一般来说数据分析可以从两个学科出发，一个是数理统计学，另一个是营销理论。本文将主要从数理统计学着手介绍，因为营销理论（就是我们常见的5w2h，PEST分析等等方法论）的掌握，更多是思维框架的掌握，而真正能够通晓营销理论的，需要大量的经验积累。而数理统计学是工具，可以手到擒来，马上就用的。

上篇文章讲到，数据分析大致可以分为描述性分析、诊断性分析、预测性分析，同样的数据分析的方法论也大致分为：描述性数据分析、数理统计分析、数据挖掘分析。

本篇文章将就此展开谈谈这三种数据分析方法论（方法论没有好坏高低之分，只有合适的。根据业务场景来选择合适的分析方法。一定要以目标为导向，并不是手法越高级就越好。能用简单分析的就不需要使用大数据挖掘。）

一、描述性数据分析方法

描述性数据分析可以用一言蔽之”一句话描述数据“。我们平时说的，这个月的平均访问量是多少，环比增长了多少。用户平均付费是多少，中位数是多少，众位数是多少，四分位数是多少都属于描述性统计分析。描述数据的集中趋势还可以用方差、标准差。用一个指标，一句话概括数据特点。描述数据之间的简单关系可以用相关性分析，如转化率和用户停留时间的正相关的（距离，以实际为准。一般也是这样。）这边大家都比较熟悉，不过多介绍。

二、数理统计分析方法

数理统计涉及较多的数学知识，但是其实常用的也就是概率论和微积分，本科的知识稍微复习一下还是容易掌握的。微积分只需要用到一元积分，用于计算概率分布。统计学中有许许多多的内容，在数据分析中，并不是所有都需要掌握。因为我们不是在做实验室里科学实验的数据分析。