㈠ 反映一组数据波动特征的统计项目有哪些
反映一组数据波动特征的统计项目有：
一、集中量数
描述一组数据的规律性的量数称为集中量数。它是一组数据的一般水平的代表值。教育评价中常用的描述一组评价对象一般水平的量数有算术平均数、中位数和几何平均数等。
1、算术平均数
一组性质相同数据的和除以该组数据的个数所得的商称为简单算术平均数，用公式表示为式中。
2、中位数
一组有序数据中，居中间位置的那个数据称为中位数，差弊用符号Mdn表示。中位数也是描述一组数据一般水平的量数，但是由于中位数是靠位置确定的，而不是用全部数据求出的，因而损失一部分信息。当一组数据存在极端值或分组数据两端有不确定组限时使用中位数。
3、几何平均数
几何平均数是指n个数据连乘积的n次方根，用符号MG表示。当一组原始数据分布没有规律或呈偏态时，可用几何平均数代表该组数据的一般水平，此时X表示每个原始数据。但实践中几何平均数主要用于描述事物的平均发展速度和增长率。
二、差异量数
描述一组数据波动性的量数称为差异量数。一组数据除了具有规律性、集中趋势的特点，还有变异性、离中性的特点，正是这些数据上的差异，客观地反映了具体事兆梁物的实际形态。教育评价中用差异量数描述相同评价对象的某种属性评价结果的波动情况。常用的描述一组评价数据波动情况的量数主要有标准差、四分差、差异系数。
1、标准差
一组数据中的每个数据与其平均数的离差平方之和的平均数称为该组数据的方差，用符号表示；方差的算术平方根称为标准差，用符号表示。公式为当一组评价数据适合用算术平均数描述其规律性时，则用标准差描述其波动性。
2、差异系数
标准差族庆运与平均数的比率称为差异系数，又称为相对标准差，符号为CV。从公式可以看出，差异系数不具有实际测量单位，是一种相对差异量数。要比较单位不同、或虽然单位相同但平均数相差比较大的两组或多组评价数据的离散性大小时，宜用差异系数。
三、标准分数
标准分数是原始分数与平均数之差除以标准差所得之商，标准分数是以平均数为参照点，以标准差为单位，描述某个原始分数在团体中相对位置的量数。
㈡ 数据可以做什么
1、提到大数据，先要说下商务智能BI，BI用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。BI作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。 为了将数据转化为知识，需要利用数据仓库、线上分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。
2、把BI看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
3、企业导入BI的优点
1）随机查询动态报表
2）随时随地掌握指标管理
3）随时线上分析处理
4）最终用数据协助运营规划
4、企业导入BI的目的
1）促进企业决策流程：增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。
2）降低整体营运成本：改善企业的资讯取得能力，大幅降低IT人员撰写程式、Poweruser制作报表的时间与人力成本，而弹性的模组设计接口，完全不需撰写程式的特色也让日后的维护成本大幅降低。
3）协同组织目标与行动：加强企业的资讯传播能力，消除资讯需求者与IT人员之间的认知差距，并可让更多人获得更有意义的资讯。全面改善企业之体质，使组织内的每个人目标一致、齐心协力。
5、商业智能的主要功能
商业智能的技术体系主要有数据仓库（Data Warehouse，DW）、联机分析处理（OLAP）以及数据挖掘（Data Mining，DM）三部分组成。
BI系统应具有的主要功能：
1）数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，例如中心式数据仓库，分布式数据仓库等。存储介质能够支持近线式和二级存储器。能够很好的支持现阶段容灾和备份方案。
2）数据ETL：数据ETL支持多平台、多数据存储格式（多数据源，多格式数据文件，多维数据库等）的数据组织，要求能自动化根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距。帮助形成支撑决策要求的参考内容。
3）数据统计输出（报表）：报表能快速的完成数据统计的设计和展示，其中包括了统计数据表样式和统计图展示，可以很好的输出给其他应用程序或者Html形式表现和保存。对于自定义设计部分要提供简单易用的设计方案，支持灵活的数据填报和针对非技术人员设计的解决方案。能自动化完成输出内容的发布。
4）分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或者趋势分析等。要支持多维度的联机在线分析（OLAP分析），实现维度变化、旋转、数据切片和数据钻取等。帮助决策做出正确的判断。
6、典型的商业智能系统有：
客户分析系统、菜篮分析系统、反洗钱系统、反诈骗系统、客户联络分析系统、市场细分系统、信用计分系统、产品收益系统、库存运作系统以及与商业风险相关的应用系统等。
㈢ 常用的数据分析方法有哪些
常见的数据分析方法有哪些？
1.趋势分析
当有大量数据时，我们希望更快，更方便地从数据中查找数据信息，这时我们需要使用图形功能。所谓的图形功能就是用EXCEl或其他绘图工具来绘制图形。
趋势分析通常用于长期跟踪核心指标，例如点击率，GMV和活跃用户数。通常，只制作一个简单的数据趋势图，但并不是分析数据趋势图。它必须像上面一样。数据具有那些趋势变化，无论是周期性的，是否存在拐点以及分析背后的原因，还是内部的或外部的。趋势分析的最佳输出是比率，有环比，同比和固定基数比。例如，2017年4月的GDP比3月增加了多少，这是环比关系，该环比关系反映了近期趋势的变化，但具有季节性影响。为了消除季节性因素的影响，引入了同比数据，例如：2017年4月的GDP与2016年4月相比增长了多少，这是同比数据。更好地理解固定基准比率，即固定某个基准点，例如，以2017年1月的数据为基准点，固定基准比率是2017年5月数据与该数据2017年1月之间的比较。
2.对比分析
水平对比度：水平对比度是与自己进行比较。最常见的数据指标是需要与目标值进行比较，以了解我们是否已完成目标；与上个月相比，要了解我们环比的增长情况。
纵向对比：简单来说，就是与其他对比。我们必须与竞争对手进行比较以了解我们在市场上的份额和地位。
许多人可能会说比较分析听起来很简单。让我举一个例子。有一个电子商务公司的登录页面。昨天的PV是5000。您如何看待此类数据？您不会有任何感觉。如果此签到页面的平均PV为10,000，则意味着昨天有一个主要问题。如果签到页面的平均PV为2000，则昨天有一个跳跃。数据只能通过比较才有意义。
3.象限分析
根据不同的数据，每个比较对象分为4个象限。如果将IQ和EQ划分，则可以将其划分为两个维度和四个象限，每个人都有自己的象限。一般来说，智商保证一个人的下限，情商提高一个人的上限。
说一个象限分析方法的例子，在实际工作中使用过：通常，p2p产品的注册用户由第三方渠道主导。如果您可以根据流量来源的质量和数量划分四个象限，然后选择一个固定的时间点，比较每个渠道的流量成本效果，则该质量可以用作保留的总金额的维度为标准。对于高质量和高数量的通道，继续增加引入高质量和低数量的通道，低质量和低数量的通过，低质量和高数量的尝试策略和要求，例如象限分析可以让我们比较和分析时间以获得非常直观和快速的结果。
4.交叉分析
比较分析包括水平和垂直比较。如果要同时比较水平和垂直方向，则可以使用交叉分析方法。交叉分析方法是从多个维度交叉显示数据，并从多个角度执行组合分析。
分析应用程序数据时，通常分为iOS和Android。
交叉分析的主要功能是从多个维度细分数据并找到最相关的维度，以探究数据更改的原因。
㈣ 店铺业绩下滑，销售分析需要哪些数据才能做参考
定期进行科学的数据分析，是门店负责人掌握门店经营方向的重要手段。
门店经营指标数据分析
销售指标分析：主要分析本月销售情况、指标完成情况、与去年同期对比情况。通过这组数据的分析可以知道同比销售趋势、实际销售与计划的差距。
销售毛利分析：主要分析本月毛利率、毛利额情况，与去年同期对比情况。通过这组数据分析可以知道同比毛利状况，以及是否在商品毛利方面存在不足。
营运可控费用分析：主要是本月各项费用明细分析、与去年同期对比情况，有无节约控制成本费用。这里的各项费用是指：员工成本、能耗、物料及办公用品费用、维修费用、存货损耗、日常营运费用（包括电话费、交通费、垃圾费等），通过这组数据的分析可以知道门店营运可控费用的列支，是否有同比异常的费用发生，有无可以节约的费用空间。
坪效：主要是本月坪效情况、与去年同期对比。日均坪效，是指日均单位面积销售额，即：日均销售金额÷门店营业面积。
㈤ 数据分析的方法有哪些
② 数据分析为了挖掘更多的问题，并找到原因；
③ 不能为了做数据分析而坐数据分析。
2、步骤：① 调查研究：收集、分析、挖掘数据
② 图表分析：分析、挖掘的结果做成图表
3、常用方法： 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。 ①分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。 ③聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。 ⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 ⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 ⑦Web页挖掘。