1数据统计分析怎么做
数据统计分析做法参考如下：
工具／原料：戴尔XPS13-9350-3708、win10、EXCEl2019。
1、电脑打开excel，新建表格。根据需要输入数据，点击空白处使用公式进行数据统计。档顷
2、根据需要下拉得到相似算法的数据。
3、完成数据统计分析，全部行敏陆选中。插入图表，更直观分析统计数据。
数码统计分析的作用
1、描述性作用：通过对数据进行描述性分析，可以了解数据的基本特征和规律。例如，我们可以通过对一组数据的平均值、标准差、最大值、最小值等指标进行分析，来描述这组数据的分布情况和变化趋势。
2、探索性作用：通过对数据进行探索性分析，可以发现数据之间的关系和规律。例如，我们可以通过对两组数据之间的相关性进行分析，来探索它们之间的关系，从而发现它们之间的联系和影响。
3、预测性作拿带用：通过对数据进行预测性分析，可以预测未来的趋势和变化。例如，我们可以通过对某个市场的历史销售数据进行分析，来预测未来的销售趋势和市场需求。
2大数据能不能预测股市？
大数据对于很多的地方都是非常有用的，但是，是否也有大数据不能做到的？我觉得很多时候，大数据只能说作为一个参考的方向，并不能准确的作出判断，或者给出答案。首先大数据是一个有科学根据的一个参考物，因为有大量的数据，有大量的参考物，所以，这件事情结果跟大数据一致的概率变得会跟大数据所统计的相差不远，这就是我们的大数据拥有的功能。
我们的股市，说实话我以前的工作是金融方面的也接触过股市，对于股市的话，首先影响我们股市的一些因素有哪些？从宏观来说，像国家的一些政策调控，包括我们公司的一些政策变化，股东的一些变动，或者说我们现在在整个股市来说什么样的一个趋势。
我们如果从技术层面，就是可以通过我们的一些k线图，或者我们的一些kdj指标，很多的一些分析股票的一些指标来判断，当然这些指标的话并不是百分之百，都是金钱。而是说这些指标，其实也就是通过一些大量的，我们以前的历史数据，其实都是已经是历史性的，所以总结出来的这样一个图案，便于我们能进行分析。
这样一个指标的话，其实跟我们的大数据就非常的类似，我们说大数据到底能不能预测故事？这个真的不能具体的回答，因为预测这个事情也就是说对于未来的股市的一个判断，这其实是很难的，我们很多的时候看到的都只是表面上的，大数据来说，他可以给出一个方向，或者能够得出的结论跟未来行情的变化正确的概率是非常高的，但是我们不能百分之百肯定，他得出的结论是正确的，所以大数据他可以预测股市一个大致方向，但不不能保证他预测的是正确的，可以作为一个参考。
3【干货】数据化运营中的数据分析方法（2.1）-方差分析
推断分析---通过分析少量数据的特征，推断整体数据特征。方差分析
样本检验
趋势预测
1.方差分析----通过数据复盘衡量运营策略在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。
具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？
本质都是在对比不同分组数据间的数据变化，或是对比同一组数据在实施某些策略前后的数据变化，及其变化背后的原因。也就说，判断数据波动是否是某一因素（活动/策略）导致的，便是方差分析。
我们把分组叫作样本，把变化叫作差异，差异的大小程度叫作显著性。
对比不同分组数据间的数据变化，叫分析不同样本间的差异显著性；
对比同一组数据实施某些策略前后的数据变化，叫分析同一样本在策略前后的差异显著性。
而分析以上差异显著性是否明显的方法，就叫作方差分析。
应用：
某用户运营工作重点之一，就是搞清楚在优惠金额对用户的购买转化率是否能起到有效作用。
抽取了过去半年产品上投放的所有促销活动，并把活动中的优惠金额分成了以下三个组，最后按照不同区间分组去分别计算用户的购买率。
用户行为是随机的，不管有没有促销活动，用户的购买转化率本身就会发生一定的波动，可能某天某组的某个用户心情大好，或者发了年终奖了就会在产品上剁手。而这些随机因素都与优惠金额无关，所以我们不能说某组的转化率高，是这个区间的优惠金额效果好导致的。那么应该如何正确认识用户数量与购买率之间的关系呢？这就需要用到正态分布图了。
（1）正态分布图
绝大部分用户的购买率都集中在某个值附近，这个值我们叫作整体购买率的平均值。如果每个客群分组自身的购买率均值与这个整体购买率平均值不一致，就会出现以下两种情况。
第一种情况
蓝色分组的购买率平均值（蓝色线）比整体平均值（黑色线）要高，有可能是最右边那个很高的购买率把分组的均值抬升的，同时蓝色分组的数据分布很散（方差大），此时不能有十足把握说明该组用户的购买转化率很高。
第二种情况
绿色分组购买率平均值（绿色线）比整体平均值（黑色线）高，但是绿色分组的数据非常集中，都集中在分组的平均值（绿色线）附近，此时我们可以认为该组的转化率平均值与整体有明显区别。
“组内方差”，即描述每个分组内部数据分布的离散情况。
对于上面蓝色和绿色分组的“组内方差”，显然蓝色的组内方差更大，绿色的组内方差更小。
所以，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组购买率与整体不一致，是该组对应优惠金额的影响造成的。
（2）方差分析之定性、定量分析
将上表中三个组的转化率放进了这个图中，尝试通过分析工具在转化率数据中得到结论。
定性分析
这三组的购买率数据的分布都很相似，即虽然各组的均值不尽相同，但各组的数据分布的都比较散（方差大），总有很大或很小的购买率来提升或降低了组内的平均值，所以不能仅从各组的购买率均值本身来断言该组的购买率与众不同。
因此，可以看到，这三组数据并无区别，用户的购买率与优惠金额之间没有明显的关系，当然这是一个定性的分析过程。
定量分析
F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线
当 F > F crit，这几组之间的差异超过判断基准了，认为不同优惠金额的分组间的购买率是不一样的，优惠金额这个因素会对购买率产生影响，也就是说通过运营优惠金额这个抓手，是可以提升用户购买转化率的；
反之，当 F < F crit，则认为不同优惠金额的分组间的购买率是一样的，优惠金额这个因素不会对购买率产生影响，也就是说需要继续寻找其他与购买转化率有关的抓手。
A、B、C 三组的方差分析结果。如图所示 F (1.5555556) < F crit (3.8852938)，所以从定量分析角度，我们也能判定优惠金额不会对购买率产生影响。
方差分析也叫 Analysis of Variance，简称 ANOVA，也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。
方差分析标准路径
第一步，判断样本是否满足“方差分析”的前提条件
（1）第一个条件：每个分组中的每个值都必须来自同一个总体样本
比如，同一家店铺中男性顾客和女性顾客（即样本），都来自这个店铺的成交客户（即总体），所以是同一个总体，可以用方差分析来分析不同性别客单价的差异；但如果想分析这个店铺中口红品类的用户购买率和其他店铺口红品类的用户购买率的差异，就不能用方差分析，因为这两个用户群体不是来自同一个总体。
判断样本是不是都来自同一个总体，其实就是看这些样本是不是同一个功能的用户、是不是同一种类型的用户、是不是同一个业务流程的用户。
以下就是来自同一总体的用户：
高留存的注册用户和低留存的注册用户；
DAU 里面的新增用户和唤醒用户；
从同一个入口进来的成功购买用户和流失用户。
以下这些就不是来自同一总体的用户，不能用方差分析来分析他们之间是否有差异：
产品的注册用户和游客，因为不是同一类型用户；
沉默用户和活跃用户，因为不是同一类型用户；
使用过功能 A 和未使用功能 A 的用户，因为不是同一功能的用户；
从活动落地页进来然后完成购买的用户，和从首页 Banner 进来完成购买的用户，因为不是同一业务流程的用户。
（2）第二个条件：方差分析只能分析满足正态分布的指标
在产品运营中大部分指标都是正态分布。
几乎所有转化率都满足正态分布：购买率、点击率、转化率、活跃率、留存率、复购率等。
几乎所有的业务量都满足正态分布：客单价、每日新增用户数、渠道引流的流量等。
几乎所有的用户画像指标都满足正态分布：年龄、城市、登录次数、使用时长等。
但是，以下这些就不是正态分布的指标，不能用方差分析。
注册用户中男性和女性的数量，它们并不会集中在某个区间，所以不能用方差分析去分析不同客群的男性数量和女性数量的差异；但男女的比例是正态分布的指标，根据产品客群不同始终集中在某个占比区间。？？
不同客群的累计消费金额，不是正态分布指标，因为累计类指标只会增长，并不会集中在某个区间；但是每日消费金额是正态分布的指标，因为每日的消费金额虽然有波动，但产品的客群是稳定的，消费金额也是集中在某个区间。
（3）第三个条件：分析的样本必须是随机抽样
每个用户的购买率就是随机抽样来的。最简单的随机抽样就是均匀抽样，例如 10 万用户，我就按照顺序，每隔 5000 人抽一个出来，就能随机抽样出来 20 人。
第二步，计算 F 检验值和 F crit 临界值
若 F > F crit，则各个分组的指标值有显著差异；
若 F < F crit，则各个分组的指标值无显著差异；
第三步，如果有差异，需要评估差异大小
当 F > F crit，则各个分组的指标值有差异，但是差异有多大呢？用一个新的指标来表示：
R2=SSA/SST，其中 R2 表示差异大小，SSA 是组间误差平方和，SST 是总误差平方和。
可把 R2 看成相关系数，所以可以用相关系数的判断标准来给出差异的大小：
当 R2>0.5，认为各个分组间的差异非常显著；
当 R2 在 [0.1,0.5] 之间时，认为各个分组间的差异一般显著；
当 R2<0.1 时，认为各个分组间的差异微弱显著。
应用：
1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？
升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？
1）判断样本是否满足“方差分析”的前提条件
使用时长来自同一群用户，就是产品的使用用户，是同一总体；并且使用时长满足正态分布，所以要分析升级前和升级后有无效果，就是分析升级前的使用时长和升级后的使用时长是否有差异，也就是可以用方差分析来判断。
2）计算 F 检验值和 F crit 临界值
F 检验值是 5.97，F crit 临界值是 4.1959，所以 F > F crit，所以这两组数据有差异，也就是说升级后使用时长的提升是有效的。
3）评估差异大小
结果是 0.1757，属于一般显著。
结论：此次产品升级对使用时长是有效果的，平均使用时长提升了 8 秒，但提升效果一般。
2.最近做了一次活动，活动后的 DAU 有所提升，可以说活动有效果吗？
为了提升 DAU，做了一个促活的活动，把活动前后的 DAU 抽样 15 天的数据对比，发现活动后 DAU 均值是 55567，比活动前的 DAU 均值 54198 有所提升，可以说活动有效果吗？
我们不能单纯地看 DAU 均值提升就认为有效果，也有可能是正常的波动，所以我们需要准确对比这两个分组间的差异。
1）判断样本是否满足“方差分析”的前提条件
因为两组的 DAU 都来自产品的 DAU，所以认为是来自同一总体，同时 DAU 满足正态分布，所以可以用方差分析来进行分析。
2）计算 F 检验值和 F crit 临界值
因为 F(0.022) < F crit(4.1959)，所以这两组数据无差异，也就是说这两组 DAU 没有任何区别，均值的变化是正常波动，促活活动并没有带来效果，所以不需要进行第三步，不需要评估差异大小。
上面的案例都是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，因为只评估一种策略在不同客群、或不同渠道、或不同场景中的效果。下面我们看看一个更复杂的场景——多因素方差分析。
3.如何分析注册率是拉新活动带来的？还是渠道本身特性带来的？
渠道运营，涉及的渠道很多，同时在每个渠道上也会投放大量的运营活动，目的都是尽可能地将渠道的流量引导到产品上完成注册，才能进行后续更为深入的运营。
（1）渠道
刚开始我们对接渠道，由于资源有限，运营活动还是全渠道投放。想分析针对单一一个运营活动，各个渠道间的用户注册率是否有差别。
F(1.96) < F crit(3.55)，所以各个渠道的注册率没有差异。
面对这样的问题，你自然会说可能是拉新活动的没有做出差异化的原因，所以你把拉新活动精细化，拆为权益类活动、品牌类活动和通用类活动。通过这三类细分活动再次投放到各个渠道上，再次评估各个渠道的注册转化率。
（2）活动
于是，除了渠道，还有活动来影响注册率。此时有两个因素来影响注册率，分别是渠道因素（有三组）和活动类型因素（有三组），所以我们用无重复双因素方差分析来做，
这里是两个因素，所以要从行和列分别去分析：
行的 F(8.46) > F crit(6.94)，所以注册率在不同行（不同活动）上差异显著，并且 R2 为 0.796，属于非常显著；
列的 F(0.16) < F crit(6.94)，所以注册率在不同列（不同渠道）上无差异。
所以，当我们给各个渠道投放多种类型的活动时，我们发现注册率和活动类型强关联。
（3）客群
把活动细分为三类只是精细化运营的开始，接下来你自然会想把这三类活动投放给每个渠道的不同客群，再看看对注册率的影响。
于是，除了渠道和活动，还增加了渠道中的客群（这里仅按照性别这个维度来分析）。此时每种类型的活动又针对男性客群和女性客群分别进行了投放，我们把这种情况叫作有重复因素。
有重复因素，即每个因素（活动类型）中都有两个重复值（男性和女性）。
样本是每个行中的男性客群和女性客群；
列是渠道；
交互是男性客群或女性客群，是否与渠道一起共同对注册率产生了影响。
从结果中我们可以看到：
样本的 F(10.57) > F crit (4.25) ，所以不同性别的客群和注册率差异显著，再考察样本的 R2 为 0.64，为很强的显著关系；
列的 F(0.47) < F crit (4.25)，所以不同渠道的客群和注册率差异不显著；
交互的 F (0.49) > F crit (3.63)，所以不同性别的客群与渠道共同对注册率差异不显著。
此时我们可以下结论：不同渠道本身对注册率影响不大，可以排除渠道自身特征的影响；但是不同性别客群的拉新活动对注册率的影响非常大，后续可以针对渠道中的不同性别投入更多的拉新资源以提升注册率。
提醒：在本文的讲解过程中，对方差分析的原理和要求做了很多业务上的适应性的假设。而实际业务的情况非常复杂，在使用方差分析前应查阅统计学的资料后，确认业务情况符合方差分析的几个条件才能使用。如果硬套方差分析的方法来分析只会产生严重误导和偏差。
总结
方差分析适用场景：
第一类：同一客群在实施某个策略前后的指标对比，以评估策略效果。
第二类：两个或多个客群对比同一指标，以评估不同客群在这个指标上的差异，以评估不同客群的指标运营效果。
4在哪里可以看到分析师预测
在常用分析软件的F10，和上市公司公布公告的网站橘核、报纸都可以看到。分析师一般很少预测分红，主要是预测上市公司的利润，圆旁掘营收，每股收益等等。少数研报会有对分红的预测，这些要仔细看看相关上市公司的研究报告了，没有专门把分红预测数据提取和公布出来的网站和软件启宴。5如何用excel做数据预测
以上图所示数据为例来简单加以说明。1、选择源数据区，点“插入”——图表，在图标类型列表框中选择xy散点图，如下图所示
直接点完成即可。
2、选中图表中的曲线，右击，选择添加趋势线。
在对话框中有线性、对数、多项式、乘幂、指数、移动平均共6种，其中前5项可做数据预测分析。
先选择线性，之后再“选项”中勾选显示公式和显示r平方
单击确定，出现下图
r平方值在0至1之间，越接近1，说明曲线契合度越高。因此可多试试其他趋势线，选择r平方值最大的作为最终趋势线。（在上图中选中线性趋势线，即图中的黑粗线，右击，在下拉菜单中选择“趋势线格式”可更改趋势线类别，更改时需注意要勾选显示公式和r平方值）
3、本例最佳趋势线为乘幂，如下图
然后，根据图中所给出的公式利用excel的计算功能，将公式输入单元格后，通过改变x值即可得到预测出的y值。
6数据分析
是指对市场调研预测过程中收集到的各种数据资料进行适当的处理，使其显示一定的涵义，进而反映不同数据之间以及新数据与原数据之间的联系，并通过分析得出某些结论。
7数据分析就业方向和前景
数据分析就业方向和前景介绍如下：
前景很广阔。数据分析师前景是非常广阔的，因为数据分析师，可以在在IT、银行、零售、医药业、制造业和交通传输等领域就业，职业寿命长，受其他外部业务影响相对较小，而且薪资待遇是非常高的，平均月薪可在1万到15000左右，所以前景很广阔。
如果要成为数据分析师，是需要考证的，可以去认可的培训机构进行报名，然后学习相关的课程，课程结束以后参加考试，考试通过以后就可以拿到数据分析师资格证。
现如今智能科技的发展得越来越快，对于人才的要求也越来越高，数据分析师是结合和技术与业务的复合型人才，相信无论什么行业，无论哪个企业都迫切需要这样的人才。即使是在未来人工智能的时代，数据分析师也是必不可少的。数据的采集和分析可以被人工智能代替，但最后做出决策的还是企业的数据分析师。
数据分析师需要掌握一些数据处理的工具，需要具备商业知识架构，需要会把商业知识和数据结合起来，同时需要养成良好的分析思维习惯，也包括一些软性技能，这样才能利用数据的价值，帮助企业解决问题，推动企业的发展。
据麦肯锡公司的研究预测，2020年可以利用大数据分析来做出有效决策的经理和分析师的人才缺口高达到150万，尤其是在我国，目前企业对于数据分析师的需求量大，但是数据分析师市场还不饱和，很多人都还在观望状态，选择这时候入行无疑是最好的时机。
另外再从数据分析师的薪资待遇方面来看，根据目前的市场情况来看数据分析师的薪资待遇，要比平级的岗位高许多，尤其是在诸多的一线二线城市中。即使之后数据分析师市场饱和，那么我们已经在这一行业积累了许多经验，完全可以向着管理者方向发展，薪资待遇自然不会差。
8spss如何预测未来的数据
可以使用回归分析，或者二元Logit回归分析，得到预测值，然后进行预测数据。
网页SPSSAU里面都有。
