
数据分析工具入门:左手SPSS,右手EXCEL_数据分析师
产品经理要会数据分析,大家基本都可以达成共识,如何做数据分析,可以写好几本书,这里从工具学习和使用角度说下如何进行数据分析入门。
通常来讲,二八原则在多个范畴适用,同样,在产品经理当中,相信80%的人在用EXCEL做数据分析,能满足80%的分析需求。
标题为右手EXCEL,因为80%的人右手比左手灵活,用工具也这样,先把常用的学会就好,至少一年级产品经理,赶快把EXCEL好好学习下。我在面试产品运营同学的时候,遇到说自己EXCEL用的好的,通常会问是使用哪个版本?否知道EXCEL最大可以处理多少条数据?行数与列数的极限分别是多少?常用哪些功能?哪些函数?举一个工作案例说说如何用EXCEL。
左手SPSS,为何是SPSS,因为从我个人角度出发,EXCEL+SPSS基本可以解决产品经理进行数据分析中的95%的问题,二年级产品经理,可以开始学习SPSS的数据分析。其实SPSS入门非常容易,学习能力强的,工作第一年,都可以开始初步学习了,而且有必要提前学习一些统计学基础知识。
我从什么时候开始学习SPSS?——这里感谢下我的大学计算机老师韦老师,1995年教我们学习计算机,学习SPSS数据统计分析,当时还是DOS版本SPSS/PC+,其实韦老师是北师大的心理学博士,不少人很奇怪我大学学习的是教育学和心理学,咋这么喜欢搞数据,韦老师是我的启蒙老师,学心理学,咋能不搞数据分析呢。还有当时的统计学课程梁老师,梁老师很漂亮,增强了我学习统计学的浓厚兴趣。我的本科毕业论文指导老师余欣欣,也是心理学博士,当时带我们做学习策略实验研究的课题,算是我完整参与的第一个研究项目,也是数据分析与挖掘的一次实战应用。
今天说下SPSS,先看两段介绍,分别来自百度百科、维基百科,两端文字介绍,个人认为维基百科的更加清晰。
SPSS——百度百科
SPSS是世界上最早的统计分析软件,由美国斯坦福大学的三位研究生Norman H. Nie、C. Hadlai (Tex) Hull 和 Dale H. Bent于1968年研究开发成功,同时成立了SPSS公司,并于1975年成立法人组织、在芝加哥组建了SPSS总部。1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+,开创了SPSS微机系列产品的开发方向,极大地扩充了它的应用范围,并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。
SPSS——维基百科
SPSS原名社会科学统计包(英语 Statistical Package for the Social Sciences),由于用户早已不限于社会科学界,2000年根据缩写改为“SPSS”。
1968年,美国斯坦福大学的3位研究生开发出最早的SPSS软件,当时主要面向中小型计算机和企业用户,产品统称SPSSx版。1975年,芝加哥成立了SPSS公司。1984年,SPSS公司首先推出了世界上第一个可以在DOS上运行的统计分析软件的PC版本,即SPSS/PC+版。后来又相继推出了Windows和Mac OS X等操作系统上的版本,并不断扩展软件的功能相关服务,形成了目前SPSS的基本面貌。2008年9月15日,SPSS 17.0 for Windows版发布。2009年7月28日,SPSS公司发表PASW(Predictive Analytics Suite Workstation)18.0,同时该公司也被IBM收购。
SPSS 18.0由17个功能模组组成:
上面的17个名词,看着很难的样子,一堆的名词,根据产品经理实际工作用的应用,归纳了一下,P2级别到P3级别产品经理学习如下功能就差不多可以解决日常工作中的90%数据分析与挖掘问题,哪些知识点呢,见下面的图。
SPSS目前的最新版本是SPSS Statistics 21.0。这里推荐两本比较实用的书籍,作者分别是薛薇和张文彤,另外张文彤在2004年出的初级版和高级版据说被很多大学采用作为教材。
学习这类工具的一大要点就是实践应用,看书,很快看完了,但没有实践的应用难以熟练,纸上得来终觉浅。学习工具,其实不难,难的是对产品数据的理解和应用,只懂分析工具,不了解产品与用户,是难以深入的,甚至会走入误区。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13