为大家分享9个不带数学推导的数据分析思路

说到数据分析,啤酒和尿布的例子大家应该都听腻了。再具体、深入一些的内容,往往因为数学就令很多人望而却步了。给大家分享9个不带数学推导的数据分析思路,希望大家能喜欢~

1.分类

分类分析的目标是:给一批人(或者物)分成几个类别,或者预测他们属于每个类别的概率大小。

举个栗子:“京东的用户中,有哪些会在618中下单 ”这就是个典型的二分类问题:买or不买。

分类分析(根据历史信息)会产出一个模型,来预测一个新的人(或物)会属于哪个类别,或者属于某个类别的概率。结果会有两种形式:

形式1:京东的所有用户中分为两类,要么会买,要么不会买。

形式2:每个用户有一个“会买”,或者“不会买”的概率(显然这两个是等效的)。“会买”的概率越大,我们认为这个用户越有可能下单。

如果为形式2画一道线,比如0.5,大于0.5是买,小于0.5是不买,形式2就转变成形式1了。

2.回归

回归任务的目标是:给每个人(或物)根据一些属性变量来产出一个数字(来衡量他的好坏)。

举个栗子:每个用户在618会为京东下单多少钱的 

注意回归和分类的区别在:分类产出的结果是 固定的几个选项之一 ,而 回归的结果是连续的数字,可能的取值是无限多的 。

3.聚类

聚类任务的目标是:给定一批人(或物),在不指定目标的前提下,看看哪些人(或物)之间更接近。

注意聚类和上面的分类和回归的本质区别:分类和回归都会有一个给定的目标(是否下单,贷款是否违约,房屋价格等等),聚类是没有给定目标的。

举个栗子:给定一批用户的购买记录,有没有可能分成几种类型 (零食狂魔,电子爱好者,美妆达人……)

4.相似匹配

相似匹配任务的目标是:根据已知数据,判断哪些人(或物)跟特定的一个(一批)人(或物)更相似。

举个栗子:已知一批在去年双十一下单超过10000元的用户,哪些用户跟他们比较相似 

5.频繁集发现

频繁集发现的目标是:找出经常共同出现的人(或物)。这就是大名鼎鼎的“啤酒和尿布”的例子了。这个例子太容易扩展,就不再举栗子啦。

6.统计(属性、行为、状态)描述

统计描述任务的目标是最好理解的:具有哪些属性的人(或物)在什么状态下做什么什么事情。

举个栗子:5月份一个月内每个用户在京东7天内无条件退货的次数

统计描述常常用户欺诈检测,试想一个用户一个月退货100+次,这会是一种什么情况 

7.连接预测

连接预测的目标是:预测本应该有联系(暂时还没有)的人(或物)。

举个栗子:你可能认识xxx 你可能想看xxx 

8.数据压缩

数据压缩的目的是:减少数据集规模,增加信息密度。

举个栗子:豆瓣想分析用户关于国外电影的喜好,讲国内电影的评分数据都排除掉

大数据,也不是数据越多越好,数据多带来的信息多,但是噪声也会变多。

9.因果分析

顾名思义,因果分析的目标是:找出事物间相互影响的关系。

举个栗子:广告的效果提升的原因是广告内容好 还是投放到了更精准的用户 

这里最常见的手段就是A/B test啦

数据分析是非常强大的,不过当然还是要在具体的情景下,严格的选择假设,采用科学的分析方法才能产出有价值的结果。数据会说谎的经典案例就是“安慰剂效应”了。