1樓：深海
通用型的資料分析可以參考:CRISP-DM (cross-industry standard process for data mining), 即為"跨行業資料探勘過程標準".
上圖的外圈象徵資料探勘自身的迴圈本質――在乙個解決方案發布之後乙個資料探勘的過程才可以繼續。在這個過程中得到的知識可以觸發新的，經常是更聚焦的商業問題。後續的過程可以從前乙個過程得到益處。
業務理解（Business Understanding）
最初的階段集中在理解專案目標和從業務的角度理解需求，同時將這個知識轉化為資料探勘問題的定義和完成目標的初步計畫。
資料理解（Data Understanding）
資料理解階段從初始的資料收集開始，通過一些活動的處理，目的是熟悉資料，識別資料的質量問題，首次發現資料的內部屬性，或是探測引起興趣的子集去形成隱含資訊的假設。
資料準備（Data Preparation）
資料準備階段包括從未處理資料中構造最終資料集的所有活動。這些資料將是模型工具的輸入值。這個階段的任務有個能執行多次，沒有任何規定的順序。
任務包括表、記錄和屬性的選擇，以及為模型工具轉換和清洗資料。
建模（Modeling）
在這個階段，可以選擇和應用不同的模型技術，模型引數被調整到最佳的數值。一般，有些技術可以解決一類相同的資料探勘問題。有些技術在資料形成上有特殊要求，因此需要經常跳回到資料準備階段。
評估（Evaluation）
到專案的這個階段，你已經從資料分析的角度建立了乙個高質量顯示的模型。在開始最後部署模型之前，重要的事情是徹底地評估模型，檢查構造模型的步驟，確保模型可以完成業務目標。這個階段的關鍵目的是確定是否有重要業務問題沒有被充分的考慮。
在這個階段結束後，乙個資料探勘結果使用的決定必須達成。
部署（Deployment）
通常，模型的建立不是專案的結束。模型的作用是從資料中找到知識，獲得的知識需要便於使用者使用的方式重新組織和展現。根據需求，這個階段可以產生簡單的報告，或是實現乙個比較複雜的、可重複的資料探勘過程。
在很多案例中，這個階段是由客戶而不是資料分析人員承擔部署的工作。
以上過程可以根據實際的情況刪減和簡化，建模部分可能是程式模型，也可以是分析模型
2樓：
1.發現需要解決的問題
2.判斷問題是否可以用量化分析方法解決
3.找到自變數與因變數
4.用合理的方法收集可靠的資料
5.對收集的一手或二手資料，進行必要的清洗6.用合適的方法對資料進行分析判斷
7.由分析結果給出需要解決問題的答案
資料分析有哪些難處？
從業資料相關的領域已逾5年，主要從事技術方面的工作，但也想從自身的角度來回應一下這個問題，也許身處邊緣地帶更能客觀理性地看待其中的 難處 首先，技能和工具。作為資料分析師，必然要熟悉各種工具的使用 SQL，分布式資料處理，資料視覺化等等。要跨過技能難關，無捷徑，要在實際工作中不斷積累經驗。第二，業務...
大資料分析中，有哪些常見的大資料分析模型？
牛博 模型其實就是一數學函式對映，從應用層角度來看，會有一些通俗的名字,簡單羅列一下 一 使用者模型 二 事件模型 三 漏斗模型 四 熱圖分析模型 五 自定義留存分析模型 六 粘性分析 七 全行為路徑分析 八 使用者分群模型 九 Session 分析 十 間隔分析 十一 分布分析 十二 營銷廣告投放...
你最常用的資料分析方法有哪些？
我是萬能小滑塊 osm理論作為核心指導 乙個核心指標 main measure 由此拆分成多個次級指標 submeasure 指標之間相互對比看差異，指標不同時間對比看趨勢，有異常現象的就著重指出並給予相應的優化策略 strategy 愛資料 小桔 資料分析過程的主要由識別資訊需求 收集資料 分析資...