说到数据分析，啤酒和尿布的例子咱们应该都听腻了。再详细、深化一些的内容，往往因为数学就令很多人望而却步了。下面就为大家分享9个不带数学推导的数据分析思路，希望能帮助大家。

1. 分类

分类分析：给一批人（或许物）分为几个类别，对他们属于每个类别的概率进行预测。

举例：“京东的用户中，有哪些会在618中下单？”这便是个典型的二分类问题：买or不买。

分类分析（依据历史信息）会产出一个模型，来猜测一个新的人（或物）会归于哪个类别，或许归于某个类别的概率。一般会有两种方式：

方式1：京东的一切用户中分为两类，要么会买，要么不会买。

方式2：每个用户有一个“会买”，或许“不会买”的概率（明显这两个是等效的）。“会买”的概率越大，咱们以为这个用户越有或许下单。

如果为方式2画一道线， 比方0.5，大于0.5是买，小于0.5是不买，方式2就转变成方式1了。

2. 回归

回归任务：给每个人（或物）依据一些特点变量来产出一个数字（来衡量他的好坏）。

举例：每个用户在618会为京东下单多少钱的？

回归和分类的区别在：分类产出的成果是固定的几个选项之一，而回归的成果是连续的数字，可能的取值是无限量的。

3. 聚类

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

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，借款是否违约，房子价格等等），聚类是没有给定目标的。

举例：给定一批用户的购买记录，或许可以分成几种类型？（零食狂魔，电子爱好者，美妆达人……）

4. 相似匹配

相似匹配：依据已知数据，判别哪些人（或物）跟特定的一个（一批）人（或物）更类似。

举例：已知一批在上一年双十一下单超过10000元的用户，哪些用户跟他们比较类似？

5. 频繁集发现

频繁集发现：找出经常一起出现的人（或物）。这便是大名鼎鼎的“啤酒和尿布”的例子了。这个例子太容易扩展，就不再举例子啦。

6. 统计（特点、行为、状态）描述

统计描述是最好理解的：具有哪些特点的人（或物）在什么状态下做什么什么事情。

举例：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

统计描述可用于用户欺诈检测，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）。

举例：你或许认识xxx？你或许想看xxx？

8. 数据压缩

数据压缩的目标是：减少数据集规模，增加信息密度。

举例：豆瓣想分析用户关于国外电影的喜爱，讲国内电影的评分数据都排除。

大数据，也不是数据越多越好，数据多带来的信息多，随之而来的噪声也会变多。

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。

举例：广告的作用提升的原因是广告内容好？仍是投放到了更精准的用户？

这里最常见的手段便是A/B test啦

数据分析是十分强大的，当然也是需要在详细的情形下，严格的选择假设，选用科学的分析方法才能产出有价值的成果。