第一步：数据准备：(70%时间)
- 获取数据(爬虫，数据仓库)
- 验证数据
- 数据清理(缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集)
- 使用python进行文件读取csv或者txt便于操作数据文件(I/O和文件串的处理，逗号分隔)
- 抽样(大数据时。关键是随机)
- 存储和归档
第二步：数据观察(发现规律和隐藏的关联)
- 单一变量：点图、抖动图;直方图、核密度估计;累计分布函数
- 两个变量：散点图、LOESS平滑、残差分析、对数图、倾斜
- 多个变量：假色图、马赛克图、平行左边图
第三步：数据建模
- 推算和估算(均衡可行性和成本消耗)
- 缩放参数模型(缩放维度优化问题)
- 建立概率模型(二项、高斯、幂律、几何、泊松分布与已知模型对比)
第四步：数据挖掘
- 选择合适的机器学习算法(蒙特卡洛模拟，相似度计算，主成分分析)
- 大数据考虑用Map/Reduce
- 得出结论，绘制最后图表
循环到第二步到第四步，进行数据分析，根据图表得出结论完成文章。
业务分析版
“无尺度网络模型”的作者艾伯特-拉斯洛·巴拉巴西认为——人类93%的行为是可以预测的。数据作为人类活动的痕迹，就像金矿等待发掘。但是首先你得明确自己的业务需求，数据才可能为你所用。
1. 数据为王，业务是核心
- 了解整个产业链的结构
- 制定好业务的发展规划
- 衡量的核心指标有哪些
有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标(KPI)，并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。
2. 思考指标现状，发现多维规律
- 熟悉产品框架，全面定义每个指标的运营现状
- 对比同行业指标，挖掘隐藏的提升空间
- 拆解关键指标，合理设置运营方法来观察效果
- 争对核心用户，单独进行产品用研与需求挖掘
发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察(数据可视化技术来呈现)。
3. 规律验证，经验总结
发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。
本文作者：Han Hsiao
来源：51CTO
