一简介

数据认知分析，实际是对数据的整体结构和分布特征进行分析，是对整个数据外在的认识，也是数据分析的第一步。对于数据认知的分析，一般会考虑分散性、位置特性、变量的相关性等，一般会考虑平均数、方差、极差、峰度和偏度等基础统计量。数据认知的过程实际是快速从数据中抽取信息的过程。

二 常见认知分析

2.1 数据的波动

单个变量数据的波动一般通过方差和标准差来衡量，方差即序列中各个变量与算数平均数作差的平方和的均值，标准差是方差的正二次方根值，通常方差或者标准差越大，说明当前的数据序列波动大。 如果是多个数据序列的波动情况，可以使用协方差进行衡量，衡量的方式为两个变量的均值的差做乘积，然后进行求和，再除以序列的个数。协方差的计算公式参考为:COV(X,Y)=E(XY)-E(X)E(Y) 方差计算公式： 标准差计算公式：

2.2数据的相关性

相关性分析可以快速理解不同变量之间的变动方向和统一程度数据的相关性可以通过散点图简单了解，也可以通过相关系数来表示，也可以通过判定系数来衡量 1.散点图 确认坐标系后，进行绘制，参考下图

2.相关系数 相关系数有三种计算逻辑：Pearson相关系数和Spearman秩相关系数和判定系数

Pearson相关系数计算逻辑如下

其中相关系数r，如果趋近于0，则表示两个变量不相关，如果r的绝对值趋近于1，则表示两个变量呈现一定的相关性，若r<0，则表示有一定的负相关性，若r>0，则表示有一定的正相关性

Spearman秩相关系数，是反映等级相关程度的统计分析指标，一般需要将数据进行排序，然后再计算相关系数，其主要步骤参考下图 判定系数：判定系数是相关系数的平方，一般用于衡量回归方程对y的解释程度。如果判定系数接近1，则说明x与y的相关性越强，如果判定系数越接近0，则说明两个变量之间没有线性关系。

2.3. 数据分布

数据分布主要考虑的统计变量的序列分布情况，主要的统计变量梳理如下

2.4.数据对比

业务数据的共同特征和差异化，可以通过数据对比体现出来。通过数据对比，可以帮助我们分辨出业务的变化、发展趋势，以及基于通用事务的个性特征，从而帮助我们深刻认识业务的本质和规律。对比分析一般是将两个相互联系的指标进行比较，从数量上进行展示和说明，当前业务研究对象的发展趋势、发展水平或者各种关系是否协调，适合于时间序列的比较分析和指标建的纵横比较分析。对比分析包含绝对数比较和相对数比较，绝对数比较是指使用绝对数进行对比，寻找差异的一种方法，相对数是将两个有关联的质保进行对比，反映客观现象质检数量联系程度的综合指标。相对数比较有如下几种

2.5 周期对比

周期性分析，一般用于探索某个变量随时间变化的趋势，用于较长周期趋势的预测和分析，比如年度周期趋势、月度趋势、季节性趋势、周度趋势、产品生命周期等。

2.6.贡献度分析

贡献度分析也是帕累托分析，也称二八定律，也称为ABC分析法，即同样的投入放入到不同的地方会产生不同的效益，通常一个公司80%的收益来源于20%的畅销产品，而其他80%的产品只带来了20%的收入。 贡献度分析，可以让我们迅速了解当前企业的主要业务和产品定位，了解企业现状。

好文推荐

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：