數(shù)據(jù)分析和處理的方法(數(shù)據(jù)分析方法)

1.數(shù)據(jù)分析方法有哪些

一、描述性統(tǒng)計(jì)

描述性統(tǒng)計(jì)是一類統(tǒng)計(jì)方法的匯總，揭示了數(shù)據(jù)分布特性。它主要包括數(shù)據(jù)的頻數(shù)分析、數(shù)據(jù)的集中趨勢(shì)分析、數(shù)據(jù)離散程度分析、數(shù)據(jù)的分布以及一些基本的統(tǒng)計(jì)圖形。

1、缺失值填充：常用方法有剔除法、均值法、決策樹(shù)法。

2、正態(tài)性檢驗(yàn)：很多統(tǒng)計(jì)方法都要求數(shù)值服從或近似服從正態(tài)分布，所以在做數(shù)據(jù)分析之前需要進(jìn)行正態(tài)性檢驗(yàn)。常用方法：非參數(shù)檢驗(yàn)的K-量檢驗(yàn)、P-P圖、Q-Q圖、W檢驗(yàn)、動(dòng)差法。

二、回歸分析

回歸分析是應(yīng)用極其廣泛的數(shù)據(jù)分析方法之一。它基于觀測(cè)數(shù)據(jù)建立變量間適當(dāng)?shù)囊蕾囮P(guān)系，以分析數(shù)據(jù)內(nèi)在規(guī)律。

1. 一元線性分析

只有一個(gè)自變量X與因變量Y有關(guān)，X與Y都必須是連續(xù)型變量，因變量Y或其殘差必須服從正態(tài)分布。

2. 多元線性回歸分析

使用條件：分析多個(gè)自變量X與因變量Y的關(guān)系，X與Y都必須是連續(xù)型變量，因變量Y或其殘差必須服從正態(tài)分布。

3.Logistic回歸分析

線性回歸模型要求因變量是連續(xù)的正態(tài)分布變量，且自變量和因變量呈線性關(guān)系，而Logistic回歸模型對(duì)因變量的分布沒(méi)有要求，一般用于因變量是離散時(shí)的情況。

4. 其他回歸方法：非線性回歸、有序回歸、Probit回歸、加權(quán)回歸等。

三、方差分析

使用條件：各樣本須是相互獨(dú)立的隨機(jī)樣本；各樣本來(lái)自正態(tài)分布總體；各總體方差相等。

1. 單因素方差分析：一項(xiàng)試驗(yàn)只有一個(gè)影響因素，或者存在多個(gè)影響因素時(shí)，只分析一個(gè)因素與響應(yīng)變量的關(guān)系。

2. 多因素有交互方差分析：一頊實(shí)驗(yàn)有多個(gè)影響因素，分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，同時(shí)考慮多個(gè)影響因素之間的關(guān)系

3. 多因素?zé)o交互方差分析：分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，但是影響因素之間沒(méi)有影響關(guān)系或忽略影響關(guān)系

4. 協(xié)方差分祈：傳統(tǒng)的方差分析存在明顯的弊端，無(wú)法控制分析中存在的某些隨機(jī)因素，降低了分析結(jié)果的準(zhǔn)確度。協(xié)方差分析主要是在排除了協(xié)變量的影響后再對(duì)修正后的主效應(yīng)進(jìn)行方差分析，是將線性回歸與方差分析結(jié)合起來(lái)的一種分析方法。

四、假設(shè)檢驗(yàn)

1. 參數(shù)檢驗(yàn)

參數(shù)檢驗(yàn)是在已知總體分布的條件下（一股要求總體服從正態(tài)分布）對(duì)一些主要的參數(shù)（如均值、百分?jǐn)?shù)、方差、相關(guān)系數(shù)等）進(jìn)行的檢驗(yàn) 。

2. 非參數(shù)檢驗(yàn)

非參數(shù)檢驗(yàn)則不考慮總體分布是否已知，常常也不是針對(duì)總體參數(shù)，而是針對(duì)總體的某些一般性假設(shè)（如總體分布的位罝是否相同，總體分布是否正態(tài)）進(jìn)行檢驗(yàn)。

適用情況：順序類型的數(shù)據(jù)資料，這類數(shù)據(jù)的分布形態(tài)一般是未知的。

1）雖然是連續(xù)數(shù)據(jù)，但總體分布形態(tài)未知或者非正態(tài)；

2）總體分布雖然正態(tài)，數(shù)據(jù)也是連續(xù)類型，但樣本容量極小，如10以下；

主要方法包括：卡方檢驗(yàn)、秩和檢驗(yàn)、二項(xiàng)檢驗(yàn)、游程檢驗(yàn)、K-量檢驗(yàn)等。

2.數(shù)據(jù)分析的方法有哪些

分析大數(shù)據(jù)，R語(yǔ)言和Linux系統(tǒng)比較有幫助，運(yùn)用到的方法原理可以翻翻大學(xué)的統(tǒng)計(jì)學(xué)，不需要完全理解，重在應(yīng)用。

分析簡(jiǎn)單數(shù)據(jù)，Excel就可以了。Excel本意就是智能，功能很強(qiáng)，容易上手。我沒(méi)有見(jiàn)過(guò)有人說(shuō)自己精通Excel的，最多是熟悉Excel。Excel的函數(shù)可以幫助你處理大部分?jǐn)?shù)據(jù)。

數(shù)據(jù)分析是指用適當(dāng)?shù)慕y(tǒng)計(jì)分析方法對(duì)收集來(lái)的大量數(shù)據(jù)進(jìn)行分析，提取有用信息和形成結(jié)論而對(duì)數(shù)據(jù)加以詳細(xì)研究和概括總結(jié)的過(guò)程。這一過(guò)程也是質(zhì)量管理體系的支持過(guò)程。在實(shí)用中，數(shù)據(jù)分析可幫助人們作出判斷，以便采取適當(dāng)行動(dòng)。

數(shù)據(jù)分析的數(shù)學(xué)基礎(chǔ)在20世紀(jì)早期就已確立，但直到計(jì)算機(jī)的出現(xiàn)才使得實(shí)際操作成為可能，并使得數(shù)據(jù)分析得以推廣。數(shù)據(jù)分析是數(shù)學(xué)與計(jì)算機(jī)科學(xué)相結(jié)合的產(chǎn)物。

“啤酒與尿布”的故事產(chǎn)生于20世紀(jì)90年代的美國(guó)沃爾瑪超市中，沃爾瑪?shù)某泄芾砣藛T分析銷(xiāo)售數(shù)據(jù)時(shí)發(fā)現(xiàn)了一個(gè)令人難于理解的現(xiàn)象：在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無(wú)關(guān)系的商品會(huì)經(jīng)常出現(xiàn)在同一個(gè)購(gòu)物籃中，這種獨(dú)特的銷(xiāo)售現(xiàn)象引起了管理人員的注意，經(jīng)過(guò)后續(xù)調(diào)查發(fā)現(xiàn)，這種現(xiàn)象出現(xiàn)在年輕的父親身上。

在美國(guó)有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購(gòu)買(mǎi)尿布。父親在購(gòu)買(mǎi)尿布的同時(shí)，往往會(huì)順便為自己購(gòu)買(mǎi)啤酒，這樣就會(huì)出現(xiàn)啤酒與尿布這兩件看上去不相干的商品經(jīng)常會(huì)出現(xiàn)在同一個(gè)購(gòu)物籃的現(xiàn)象。如果這個(gè)年輕的父親在賣(mài)場(chǎng)只能買(mǎi)到兩件商品之一，則他很有可能會(huì)放棄購(gòu)物而到另一家商店， 直到可以一次同時(shí)買(mǎi)到啤酒與尿布為止。沃爾瑪發(fā)現(xiàn)了這一獨(dú)特的現(xiàn)象，開(kāi)始在賣(mài)場(chǎng)嘗試將啤酒與尿布擺放在相同的區(qū)域，讓年輕的父親可以同時(shí)找到這兩件商品，并很快地完成購(gòu)物；而沃爾瑪超市也可以讓這些客戶一次購(gòu)買(mǎi)兩件商品、而不是一件，從而獲得了很好的商品銷(xiāo)售收入，這就是“啤酒與尿布” 故事的由來(lái)。

當(dāng)然“啤酒與尿布”的故事必須具有技術(shù)方面的支持。1993年美國(guó)學(xué)者Agrawal提出通過(guò)分析購(gòu)物籃中的商品集合，從而找出商品之間關(guān)聯(lián)關(guān)系的關(guān)聯(lián)算法，并根據(jù)商品之間的關(guān)系，找出客戶的購(gòu)買(mǎi)行為。艾格拉沃從數(shù)學(xué)及計(jì)算機(jī)算法角度提 出了商品關(guān)聯(lián)關(guān)系的計(jì)算方法——Aprior算法。沃爾瑪從上個(gè)世紀(jì) 90 年代嘗試將 Aprior 算 法引入到 POS機(jī)數(shù)據(jù)分析中，并獲得了成功，于是產(chǎn)生了“啤酒與尿布”的故事。

3.數(shù)據(jù)分析方法5種,數(shù)據(jù)分析有什么方法

借助工具，未至科技魔方是一款大數(shù)據(jù)模型平臺(tái)，是一款基于服務(wù)總線與分布式云計(jì)算兩大技術(shù)架構(gòu)的一款數(shù)據(jù)分析、挖掘的工具平臺(tái)，其采用分布式文件系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)，支持海量數(shù)據(jù)的處理。

采用多種的數(shù)據(jù)采集技術(shù)，支持結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù)的采集。通過(guò)圖形化的模型搭建工具，支持流程化的模型配置。

通過(guò)第三方插件技術(shù)，很容易將其他工具及服務(wù)集成到平臺(tái)中去。數(shù)據(jù)分析研判平臺(tái)就是海量信息的采集，數(shù)據(jù)模型的搭建，數(shù)據(jù)的挖掘、分析最后形成知識(shí)服務(wù)于實(shí)戰(zhàn)、服務(wù)于決策的過(guò)程，平臺(tái)主要包括數(shù)據(jù)采集部分，模型配置部分，模型執(zhí)行部分及成果展示部分等。

4.常用的數(shù)據(jù)分析方法有哪些

一、掌握基礎(chǔ)、更新知識(shí)。

基本技術(shù)怎么強(qiáng)調(diào)都不過(guò)分。這里的術(shù)更多是（計(jì)算機(jī)、統(tǒng)計(jì)知識(shí)）， 多年做數(shù)據(jù)分析、數(shù)據(jù)挖掘的經(jīng)歷來(lái)看、以及業(yè)界朋友的交流來(lái)看，這點(diǎn)大家深有感觸的。

數(shù)據(jù)庫(kù)查詢—SQL 數(shù)據(jù)分析師在計(jì)算機(jī)的層面的技能要求較低，主要是會(huì)SQL，因?yàn)檫@里解決一個(gè)數(shù)據(jù)提取的問(wèn)題。有機(jī)會(huì)可以去逛逛一些專業(yè)的數(shù)據(jù)論壇，學(xué)習(xí)一些SQL技巧、新的函數(shù)，對(duì)你工作效率的提高是很有幫助的。

統(tǒng)計(jì)知識(shí)與數(shù)據(jù)挖掘 你要掌握基礎(chǔ)的、成熟的數(shù)據(jù)建模方法、數(shù)據(jù)挖掘方法。例如：多元統(tǒng)計(jì)：回歸分析、因子分析、離散等，數(shù)據(jù)挖掘中的：決策樹(shù)、聚類、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡(luò)等。

但是還是應(yīng)該關(guān)注一些博客、論壇中大家對(duì)于最新方法的介紹，或者是對(duì)老方法的新運(yùn)用，不斷更新自己知識(shí)，才能跟上時(shí)代，也許你工作中根本不會(huì)用到，但是未來(lái)呢？行業(yè)知識(shí) 如果數(shù)據(jù)不結(jié)合具體的行業(yè)、業(yè)務(wù)知識(shí)，數(shù)據(jù)就是一堆數(shù)字，不代表任何東西。是冷冰冰，是不會(huì)產(chǎn)生任何價(jià)值的，數(shù)據(jù)驅(qū)動(dòng)營(yíng)銷(xiāo)、提高科學(xué)決策一切都是空的。

一名數(shù)據(jù)分析師，一定要對(duì)所在行業(yè)知識(shí)、業(yè)務(wù)知識(shí)有深入的了解。例如：看到某個(gè)數(shù)據(jù)，你首先必須要知道，這個(gè)數(shù)據(jù)的統(tǒng)計(jì)口徑是什么？是如何取出來(lái)的？這個(gè)數(shù)據(jù)在這個(gè)行業(yè)， 在相應(yīng)的業(yè)務(wù)是在哪個(gè)環(huán)節(jié)是產(chǎn)生的？數(shù)值的代表業(yè)務(wù)發(fā)生了什么（背景是什么）？對(duì)于A部門(mén)來(lái)說(shuō)，本月新會(huì)員有10萬(wàn)，10萬(wàn)好還是不好呢？先問(wèn)問(wèn)上面的這個(gè)問(wèn)題：對(duì)于A部門(mén)，1、新會(huì)員的統(tǒng)計(jì)口徑是什么。

第一次在使用A部門(mén)的產(chǎn)品的會(huì)員？還是在站在公司角度上說(shuō)，第一次在公司發(fā)展業(yè)務(wù)接觸的會(huì)員？2、是如何統(tǒng)計(jì)出來(lái)的。A：時(shí)間；是通過(guò)創(chuàng)建時(shí)間，還是業(yè)務(wù)完成時(shí)間。

B：業(yè)務(wù)場(chǎng)景。是只要與業(yè)務(wù)發(fā)接觸，例如下了單，還是要業(yè)務(wù)完成后，到成功支付。

3、這個(gè)數(shù)據(jù)是在哪個(gè)環(huán)節(jié)統(tǒng)計(jì)出來(lái)。在注冊(cè)環(huán)節(jié)，在下單環(huán)節(jié)，在成功支付環(huán)節(jié)。

4、這個(gè)數(shù)據(jù)代表著什么。10萬(wàn)高嗎？與歷史相同比較？是否做了營(yíng)銷(xiāo)活動(dòng)？這個(gè)行業(yè)處理行業(yè)生命同期哪個(gè)階段？在前面二點(diǎn)，更多要求你能按業(yè)務(wù)邏輯，來(lái)進(jìn)行數(shù)據(jù)的提?。ǜ嗍菍?xiě)SQL代碼從數(shù)據(jù)庫(kù)取出數(shù)據(jù)）。

后面二點(diǎn)，更重要是對(duì)業(yè)務(wù)了解，更行業(yè)知識(shí)了解，你才能進(jìn)行相應(yīng)的數(shù)據(jù)解讀，才能讓數(shù)據(jù)產(chǎn)生真正的價(jià)值，不是嗎？對(duì)于新進(jìn)入數(shù)據(jù)行業(yè)或者剛進(jìn)入數(shù)據(jù)行業(yè)的朋友來(lái)說(shuō)：行業(yè)知識(shí)都重要，也許你看到很多的數(shù)據(jù)行業(yè)的同仁，在微博或者寫(xiě)文章說(shuō)，數(shù)據(jù)分析思想、行業(yè)知識(shí)、業(yè)務(wù)知識(shí)很重要。我非常同意。

因?yàn)樽鳛閿?shù)據(jù)分析師，在發(fā)表任何觀點(diǎn)的時(shí)候，都不要忘記你居于的背景是什么？但大家一定不要忘記了一些基本的技術(shù)，不要把基礎(chǔ)去忘記了，如果一名數(shù)據(jù)分析師不會(huì)寫(xiě)SQL，那麻煩就大了。哈哈。

你只有把數(shù)據(jù)先取對(duì)了，才能正確的分析，否則一切都是錯(cuò)誤了，甚至?xí)?dǎo)致致命的結(jié)論。

新同學(xué)，還是好好花時(shí)間把基礎(chǔ)技能學(xué)好。因?yàn)榛A(chǔ)技能你可以在短期內(nèi)快速提高，但是在行業(yè)、業(yè)務(wù)知識(shí)的是一點(diǎn)一滴的積累起來(lái)的，有時(shí)候是急不來(lái)的，這更需要花時(shí)間慢慢去沉淀下來(lái)。

不要過(guò)于追求很高級(jí)、高深的統(tǒng)計(jì)方法，我提倡有空還是要多去學(xué)習(xí)基本的統(tǒng)計(jì)學(xué)知識(shí)，從而提高工作效率，達(dá)到事半功倍。以我經(jīng)驗(yàn)來(lái)說(shuō)，我負(fù)責(zé)任告訴新進(jìn)的同學(xué)，永遠(yuǎn)不要忘記基本知識(shí)、基本技能的學(xué)習(xí)。

二、要有三心。1、細(xì)心。

2、耐心。3、靜心。

數(shù)據(jù)分析師其實(shí)是一個(gè)細(xì)活，特別是在前文提到的例子中的前面二點(diǎn)。而且在數(shù)據(jù)分析過(guò)程中，是一個(gè)不斷循環(huán)迭代的過(guò)程，所以一定在耐心，不怕麻煩，能靜下心來(lái)不斷去修改自己的分析思路。

三、形成自己結(jié)構(gòu)化的思維。數(shù)據(jù)分析師一定要嚴(yán)謹(jǐn)。

而嚴(yán)謹(jǐn)一定要很強(qiáng)的結(jié)構(gòu)化思維，如何提高結(jié)構(gòu)化思維，也許只需要工作隊(duì)中不斷的實(shí)踐。但是我推薦你用mindmanagement，首先把你的整個(gè)思路整理出來(lái)，然后根據(jù)分析不斷深入、得到的信息不斷增加的情況下去完善你的結(jié)構(gòu)，慢慢你會(huì)形成一套自己的思想。

當(dāng)然有空的時(shí)候去看看《麥肯錫思維》、結(jié)構(gòu)化邏輯思維訓(xùn)練的書(shū)也不錯(cuò)。在我以為多看看你身邊更資深同事的報(bào)告，多問(wèn)問(wèn)他們是怎么去考慮這個(gè)問(wèn)題的，別人的思想是怎么樣的？他是怎么構(gòu)建整個(gè)分析體系的。

四、業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)。當(dāng)你掌握好前面的基本知識(shí)和一些技巧性東西的時(shí)候，你應(yīng)該在業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)的學(xué)習(xí)與積累上了。

這個(gè)放在最后，不是不重要，而且非常重要，如果前面三點(diǎn)是決定你能否進(jìn)入這個(gè)行業(yè)，那么這則是你進(jìn)入這個(gè)行業(yè)后，能否成功的最根本的因素。 數(shù)據(jù)與具體行業(yè)知識(shí)的關(guān)系，比作池塘中魚(yú)與水的關(guān)系一點(diǎn)都不過(guò)分，數(shù)據(jù)（魚(yú)）離開(kāi)了行業(yè)、業(yè)務(wù)背景（水）是死的，是不可能是“活”。

而沒(méi)有“魚(yú)”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。如何提高業(yè)務(wù)知識(shí)，特別是沒(méi)有相關(guān)背景的同學(xué)。

很簡(jiǎn)單，我總結(jié)了幾點(diǎn)：1、多向業(yè)務(wù)部門(mén)的同事請(qǐng)教，多溝通。多向他們請(qǐng)教，數(shù)據(jù)分析師與業(yè)務(wù)部門(mén)沒(méi)有利益沖突，而更向是共生體，所以如果你態(tài)度好，相信業(yè)務(wù)部門(mén)的同事也很愿意把他們知道的告訴你。

2、永遠(yuǎn)不要忘記了google大神，定制一些行業(yè)的關(guān)鍵字，每天都先看看定制的郵件。3、每天有空去瀏。

5.數(shù)據(jù)分析都有哪些方法

常用數(shù)據(jù)分析方法：聚類分析、因子分析、相關(guān)分析、對(duì)應(yīng)分析、回歸分析、方差分析； 問(wèn)卷調(diào)查常用數(shù)據(jù)分析方法：描述性統(tǒng)計(jì)分析、探索性因素分析、Cronbach'a信度系數(shù)分析、結(jié)構(gòu)方程模型分析（structural equations modeling） 。

數(shù)據(jù)分析常用的圖表方法：柏拉圖（排列圖）、直方圖（Histogram）、散點(diǎn)圖（scatter diagram）、魚(yú)骨圖（Ishikawa）、FMEA、點(diǎn)圖、柱狀圖、雷達(dá)圖、趨勢(shì)圖。 數(shù)據(jù)分析統(tǒng)計(jì)工具：SPSS、minitab、JMP。

6.數(shù)據(jù)挖掘的數(shù)據(jù)分析方法有哪些

利用數(shù)據(jù)挖掘進(jìn)行數(shù)據(jù)分析常用的方法主要有分類、回歸分析、聚類、關(guān)聯(lián)規(guī)則、特征、變化和偏差分析、Web頁(yè)挖掘等， 它們分別從不同的角度對(duì)數(shù)據(jù)進(jìn)行挖掘。

①分類。分類是找出數(shù)據(jù)庫(kù)中一組數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類，其目的是通過(guò)分類模型，將數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到某個(gè)給定的類別。它可以應(yīng)用到客戶的分類、客戶的屬性和特征分析、客戶滿意度分析、客戶的購(gòu)買(mǎi)趨勢(shì)預(yù)測(cè)等，如一個(gè)汽車(chē)零售商將客戶按照對(duì)汽車(chē)的喜好劃分成不同的類，這樣營(yíng)銷(xiāo)人員就可以將新型汽車(chē)的廣告手冊(cè)直接郵寄到有這種喜好的客戶手中，從而大大增加了商業(yè)機(jī)會(huì)。

②回歸分析?；貧w分析方法反映的是事務(wù)數(shù)據(jù)庫(kù)中屬性值在時(shí)間上的特征，產(chǎn)生一個(gè)將數(shù)據(jù)項(xiàng)映射到一個(gè)實(shí)值預(yù)測(cè)變量的函數(shù)，發(fā)現(xiàn)變量或?qū)傩蚤g的依賴關(guān)系，其主要研究問(wèn)題包括數(shù)據(jù)序列的趨勢(shì)特征、數(shù)據(jù)序列的預(yù)測(cè)以及數(shù)據(jù)間的相關(guān)關(guān)系等。它可以應(yīng)用到市場(chǎng)營(yíng)銷(xiāo)的各個(gè)方面，如客戶尋求、保持和預(yù)防客戶流失活動(dòng)、產(chǎn)品生命周期分析、銷(xiāo)售趨勢(shì)預(yù)測(cè)及有針對(duì)性的促銷(xiāo)活動(dòng)等。

③聚類。聚類分析是把一組數(shù)據(jù)按照相似性和差異性分為幾個(gè)類別，其目的是使得屬于同一類別的數(shù)據(jù)間的相似性盡可能大，不同類別中的數(shù)據(jù)間的相似性盡可能小。它可以應(yīng)用到客戶群體的分類、客戶背景分析、客戶購(gòu)買(mǎi)趨勢(shì)預(yù)測(cè)、市場(chǎng)的細(xì)分等。

④關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是描述數(shù)據(jù)庫(kù)中數(shù)據(jù)項(xiàng)之間所存在的關(guān)系的規(guī)則，即根據(jù)一個(gè)事務(wù)中某些項(xiàng)的出現(xiàn)可導(dǎo)出另一些項(xiàng)在同一事務(wù)中也出現(xiàn)，即隱藏在數(shù)據(jù)間的關(guān)聯(lián)或相互關(guān)系。在客戶關(guān)系管理中，通過(guò)對(duì)企業(yè)的客戶數(shù)據(jù)庫(kù)里的大量數(shù)據(jù)進(jìn)行挖掘，可以從大量的記錄中發(fā)現(xiàn)有趣的關(guān)聯(lián)關(guān)系，找出影響市場(chǎng)營(yíng)銷(xiāo)效果的關(guān)鍵因素，為產(chǎn)品定位、定價(jià)與定制客戶群，客戶尋求、細(xì)分與保持，市場(chǎng)營(yíng)銷(xiāo)與推銷(xiāo)，營(yíng)銷(xiāo)風(fēng)險(xiǎn)評(píng)估和詐騙預(yù)測(cè)等決策支持提供參考依據(jù)。

⑤特征。特征分析是從數(shù)據(jù)庫(kù)中的一組數(shù)據(jù)中提取出關(guān)于這些數(shù)據(jù)的特征式，這些特征式表達(dá)了該數(shù)據(jù)集的總體特征。如營(yíng)銷(xiāo)人員通過(guò)對(duì)客戶流失因素的特征提取，可以得到導(dǎo)致客戶流失的一系列原因和主要特征，利用這些特征可以有效地預(yù)防客戶的流失。

⑥變化和偏差分析。偏差包括很大一類潛在有趣的知識(shí)，如分類中的反常實(shí)例，模式的例外，觀察結(jié)果對(duì)期望的偏差等，其目的是尋找觀察結(jié)果與參照量之間有意義的差別。在企業(yè)危機(jī)管理及其預(yù)警中，管理者更感興趣的是那些意外規(guī)則。意外規(guī)則的挖掘可以應(yīng)用到各種異常信息的發(fā)現(xiàn)、分析、識(shí)別、評(píng)價(jià)和預(yù)警等方面。

⑦Web頁(yè)挖掘。隨著Internet的迅速發(fā)展及Web 的全球普及， 使得Web上的信息量無(wú)比豐富，通過(guò)對(duì)Web的挖掘，可以利用Web 的海量數(shù)據(jù)進(jìn)行分析，收集政治、經(jīng)濟(jì)、政策、科技、金融、各種市場(chǎng)、競(jìng)爭(zhēng)對(duì)手、供求信息、客戶等有關(guān)的信息，集中精力分析和處理那些對(duì)企業(yè)有重大或潛在重大影響的外部環(huán)境信息和內(nèi)部經(jīng)營(yíng)信息，并根據(jù)分析結(jié)果找出企業(yè)管理過(guò)程中出現(xiàn)的各種問(wèn)題和可能引起危機(jī)的先兆，對(duì)這些信息進(jìn)行分析和處理，以便識(shí)別、分析、評(píng)價(jià)和管理危機(jī)。

7.數(shù)據(jù)處理的基本方法有哪些

數(shù)據(jù)處理主要有四種分類方式：

①根據(jù)處理設(shè)備的結(jié)構(gòu)方式區(qū)分，有聯(lián)機(jī)處理方式和脫機(jī)處理方式。

②根據(jù)數(shù)據(jù)處理時(shí)間的分配方式區(qū)分，有批處理方式、分時(shí)處理方式和實(shí)時(shí)處理方式。

③根據(jù)數(shù)據(jù)處理空間的分布方式區(qū)分，有集中式處理方式和分布處理方式。

④根據(jù)計(jì)算機(jī)中央處理器的工作方式區(qū)分，有單道作業(yè)處理方式、多道作業(yè)處理方式和交互式處理方式。