下载掌阅APP，畅读海量书库
立即打开
正式开篇之前，为了激发读者学习数据统计分析的兴趣和动力，编者先结合自身经历谈谈对数据统计分析的理解和体会。毫不夸张地讲，在数字化转型浪潮下，高校开设的数据统计分析课程将使学生终身受益。无论同学们大学毕业以后是继续从事科研工作、钻研学术，还是进入社会找工作，数据分析都会是他们工作中不可或缺的一部分。毕业后从事更高层次的学术深造毋庸赘述，即使是步入职场，数据分析也是日常工作的重要组成部分，无论是在党政机关、事业单位，还是在各类企业中工作，概莫能外。
在日常交流中，很多学生问我，工作中是否涉及数据统计分析？什么时候需要统计分析？可以很明确地说，数据统计分析在工作中无处不在！以企业为例，数据统计分析贯穿于经营管理的全过程和各个环节。例如，在市场营销中，需要分析产品、渠道、价格和客户。针对客户，还可能需要进一步分析客户的转化率、成交率、流失率，或者将客户进行分层分类，以便差异化开展客户关系维护和资源投入等。这些分析所依据的就是数据。数据往往代表的是事实和结果，也更加客观，能够用于比较。用数据呈现的结果具有更强的说服力，更容易被大家接受。
在职场中，数据统计分析是内部沟通和汇报的基本动作之一。数据分析的技能早已不再是计算机、统计、数学等专业学生的专有技能，而是各学科、各专业学生步入职场的必备技能。掌握数据分析，就像熟练使用Word、PPT一样，已经成为每位职场人士的基本功。下面列举一些数据统计分析常见的应用场景。
商业银行的主要利润来源是净息差收入，即贷款利息收入减去存款利息支出。贷款本金及利息能否顺利收回，直接关系到银行的经营成败。因此，商业银行在授信客户信用风险的识别、评估、防范和控制方面，始终在不断努力。在大数据技术兴起之前，商业银行一般通过人工现场或非现场调查与授信个体分析相结合的模式开展信用风险评估，这种方式在银行客户较少、数据积累不足的情况下是一种较为有效的选择。然而，随着多年的发展，大多数银行已经积累了大量的客户数据，包括客户的生产经营情况、财务状况、征信情况、与本行的业务往来情况、授信是否曾发生违约等。通过对这些数据进行统计分析，银行可以识别出违约客户的共性特征，从而更加精准地实施风险防控。
近年来，我国电子商务行业实现了快速发展，众多商家的营销模式也从线下营销为主转向线上营销为主，或实现了线上线下联动营销。淘宝、京东、拼多多、抖音、快手等众多线上平台为商户开展线上营销提供了极为便利的条件，商户开店准入的门槛也相对较低。线上销售除了具有节省实体店面费用、扩大销售范围、节约推广费用等种种优势之外，另一个重要优势是能够在销售过程中方便、低成本地积累海量用户数据。商家可以通过恰当的数据统计分析，从积累的海量数据中有效掌握顾客的购买行为和习惯，从而为开展下一阶段的营销或新产品上线营销提供支持，最终更加精准、高效地达成经营目标。
由于营销投入资源和客户维护成本是有限的，因此服务行业的企业大多会对其客户群体进行细分，并按照“二八”法则为不同群体提供相应服务。例如，商业银行将其客户分为基础客户、有效客户、理财客户、财富客户和私人银行客户；在线旅游服务供应商将其客户分为白银会员、黄金会员、白金会员、钻石会员等。数据统计分析可以帮助企业识别各类客户群体所具有的基本特征，进而针对高价值或目标客户群体集中精力进行精准营销，合理分配有限的资源，以实现经营效益的最大化。
在现实生活中，许多服务行业采用连锁经营模式，如酒店餐饮行业、健身美容行业。与单独经营模式相比，连锁经营模式通过统一的品牌形象、广告宣传和售后服务等方式，实现了规模经济和范围经济，进而提升了企业的经营效益。然而，连锁经营模式并非绝对的统一经营，各个门店会根据所在地域的周边环境（如商圈热度、客流量、消费群体的消费水平和消费风格等），因地制宜、因时制宜地开展特色化、差异化经营。因此，对连锁企业的总部管理机构来讲，可以通过数据统计分析，了解各门店的实际特征，对门店进行有效分类，并进行差异化资源配置。例如，某零食连锁店通过数据分析发现，一家门店在坚果销售方面经常供不应求造成脱销，而另一家门店在坚果销售方面出现产品积压，基于此，企业可以在货物分发、物流配送等方面做出针对性的调整。
客户满意度对很多行业来说非常重要。如果客户消费满意度非常高，就会增强客户黏性，不仅客户本身的消费金额和消费次数会增加，他还会向周边的亲朋好友推荐，为公司介绍更多的客户，从而直接增加公司的经营效益。客户消费满意度高了，品牌的口碑和声誉形象也会提升，这些无形的资产对致力于长久持续经营的企业来说也是一种宝贵的财富。在公司扩大经营范围或者拓展新的服务领域时，这些优势都会有所显现。通过开展数据统计分析，可以探索影响客户消费满意度的因素，从而在服务质量、服务效率、服务价格、服务流程等方面做出有针对性的改进，进而提升整体经营管理水平，优化客户体验。
数据统计分析是指从大量的数据中通过统计分析挖掘出隐藏于其中的信息与规律的过程。数据不是随机产生的，而是存在一定的规律，变量之间可能存在某种关联，数据统计分析的目的就是发现变量自身或变量之间相互联系、联动变化的运行规律，并充分运用这些规律开展预测。
在编者看来，基础并且常用的统计学知识可分为三大部分：基本统计指标、数据建模和数据可视化。其中，基本统计指标和数据建模都属于数据统计分析范畴。可以把基本统计指标看作相对简单的统计分析，而数据建模则是相对复杂的统计分析。
基本统计指标如均值、标准差、同比、环比等概念，都是最基本的概念，这些概念都要精熟才行。这里所说的“精熟”，是指能够灵活运用这些指标。例如，在评估一家集团公司各分支机构的经营业绩时，大的、老的机构可能重点看总体规模贡献，而小的、新的机构则可能看重其自身的成长。评估既要考虑效益，也要考虑风险。既要看利润实现情况，也要看资源消耗，甚至要计算资源使用的机会成本。例如，某家分支机构干得好、效益高，是不是因为获得了更多的资源？如果把这些资源和政策给到其他分支机构，效果是否更好？
数据建模在实务中，本质上是将实践中的经验规则固化，让计算机替代人工劳动。需要注意的是，实务建模和学术建模有所差别。学术建模往往较为复杂，需要考虑模型的各种条件假设，并评价模型的适用性和稳健性，其中涉及较多的数学推导。而实务建模可以相对简单，也可以很复杂，通常可以理解为“设定规则”。比如，若某企业可能设定“年内累积三次未按时付款的客户列入风险客户，需要上门走访”，这就是一个风险预警模型。触发模型预警的条件是“年内累积三次未按时付款”，触发后的规定动作是“上门走访”。当然，也有一些更复杂的建模涉及机器学习，需要用到算法，例如使用二元logistics回归算法预测信贷客户是否会违约，这时需要考虑客户的征信情况、总负债情况、收入情况等因素，以便构造自变量，搜集相关数据，然后使用logistics模型进行预测。复杂的数据建模除了需要掌握统计学知识外，还需要学习机器学习的相关内容。但在实务中，往往“大道至简”，很多时候越简单的模型越好用。
数据可视化是指将数据的内部结构或数据分析结果以图形化的形式直观地表达出来，从不同的维度观察数据，从而对数据进行更深入的观察和分析。通过数据可视化，可以让使用者更容易理解和传达分析结果，并据此做出相应的决策。常用的图表包括折线图、柱状图、散点图、四象限图、时间序列趋势图等，无论是内部汇报，还是外部竞标，都常常会用到。数据可视化图表种类繁多，那么，什么是合适的数据可视化图表呢？数据可视化的作用和价值在于，能够帮助受众快速理解数据背后反映的故事，从而快速找到数据背后隐藏的实际问题，然后有针对性地解决这些问题。因此，成功实施数据可视化的关键在于充分考虑分析需求、数据特点以及受众的特点和感受。需要注意的是，数据可视化不能仅仅追求华丽炫酷，而是要服务于经营管理决策。始终要记住，做图表的根本目的是更加直观地传递更多的、接受者期待看到的信息，而不是自说自话。因此，数据可视化的前提是要清楚地传达信息，然后考虑如何设计使图表更加美观且具有吸引力。
很多高校在本专科课程体系中开设了统计学、计量经济学、机器学习、数据分析、统计分析、数据挖掘等一门或多门课程，至少也开设了概率论、数理统计、线性代数、微积分等课程。对于这些偏数学类的课程，我们必须认真学习，至少要扎实掌握一些基本概念和基础原理，不能只想着简单通过，拿到学分。今天懒惰，明天需要加倍努力，而今天多一分努力，明天获得的机会就多一分。
知易行难，要真正掌握数据分析技能，对于一些基础相对薄弱的高校学生来说谈何容易？在繁重的学业与就业压力面前，在日常琐事与课外实践之间，那些看似深奥的算法原理和复杂的软件操作或编程代码，往往让人找到退缩的理由。根据编者多年的教学经验，无论是数据分析中的机器学习，还是统计学、计量经济学，都建议结合具体的软件或编程语言来学习。对于不想走纯科研路线，或者不想成为理论“大牛”的大多数学生来说，不建议过多研究数学公式，而应一边学习知识原理，一边使用SPSS、Stata和Python进行实际操作；否则，面对复杂的数学公式推导，容易耗尽学习热情。
在学习数据分析技能方面，编者愈发觉得并不是“万事开头难”，也不是“行百里者半九十”，而更像是“行百里者半三十”，起步并不难。很多时候，我们会惊叹于ChatGPT的神奇、各种炫酷的可视化效果，或是羡慕那些优秀同学娴熟的数字化技能和专业术语，心生向往，决心学习SPSS、Stata和Python，或是学习统计学、计量经济学和机器学习。然而，买了一些书或视频后，却常常束之高阁，只翻了几页或看了几分钟，便没有后续行动。“行百里者也不必半九十”，编者认为，只要学习了前30%，就已经成功了一大半。一方面，对于全新的知识领域，掌握了前30%的基础，后面的内容会变得越来越简单；另一方面，即使没有坚持下去，也知道在遇到问题时该去哪里寻找答案。这样，书到用时也不必方恨少，缺什么补什么即可。
等到真正工作了，同学们一定要记住，数据分析始终是为了服务于具体的应用场景。抛开应用场景谈数据分析，就失去了真正的价值。如果数据分析的过程和结果不能增加商业价值或提升运营、管理与决策效率，那么那些令人眼花缭乱的数据可视化、复杂的数据分析或机器学习算法模型又有什么价值呢？因此，优秀的数据分析者应具备以下三点：一是要懂技术，能够熟练使用SPSS、Stata和Python，并结合实际情况掌握其中一门或多门；二是要懂业务，了解所在行业和企业的主营业务，以及高层关注的重点事项，这样才能使数据分析更精准，发挥应有的智力支持作用；三是要会展示和表达，如果是书面展示，要具备制作PPT等演示文稿和必要的文字材料的能力，如果是口头展示，则必须具备清晰的语言表达能力和演讲技巧。现在，许多职场新人在数字化技能方面存在三个误区：一是过于追求数据可视化的炫酷和PPT的精美，而忽视了数据分析的本质；二是不懂业务就进行数据分析，导致数据分析结果南辕北辙，无法满足公司高层或客户的实际需要；三是无法用一般听众能够理解的语言表达数据分析结果或模型构建的情况。这些问题需要特别注意并避免。
事实上，很多时候，并不需要使用非常复杂的机器学习或数学建模。即使只用一些简单的统计指标分析、绘制实用的统计图表，也比空洞泛谈要有效得多。例如，在某集团公司，一家分公司声称自己业绩突出，那怎么证明该分公司干得好呢？首先，看看该分公司在集团内的排名，与其他分公司进行比较，分析它的优势所在：是整体规模更大，还是增量提升更多？是有效客户更多，还是单户效益更好？然后，将其与所在地区的同行进行比较，看看是否因为它所处的地理位置优越所以业绩较好，而实际上与同行相比并无显著优势？接下来，再与该分公司自身的历史业绩进行比较，看看是不是只是在“吃老本”？从这几个维度进行分析，就能做出一个相对客观性评价。在这一过程中，使用的数据分析方法其实并不复杂，主要是计算一些简单的统计分析指标。
因此，数据统计分析不仅仅是专业数据分析师的事，而是每个职场人士都应掌握的技能。进行数据统计分析时，不一定需要过于专业的知识，但必须结合具体的业务。事实上，对业务的透彻理解比掌握那些令人眼花缭乱的统计分析方法更为可贵。同学们步入职场后，不要忘记继续巩固在学校所学的SPSS、Stata、Python甚至Excel，并积极学习所在企业和行业的业务，思考如何将数据统计分析技能应用于具体的业务决策。例如，公司最近的产品销量出现增长，要分析其原因，就要学会从产品、渠道、客户、机构等多个维度进行数据统计分析，探索深层次原因。如果是某款产品在某个区域获得了某类人群的高度认可，这时就需要在资源投入、广告投放、物流配送、促销安排等方面做出有针对性的部署，提出相应的对策和建议，进一步提升经营效能。
能够做出这样的分析、写出这样的报告，试问谁会不喜欢呢？高等教育的价值，正体现在这些报告和材料中——它们凝聚了同学们对业务的深刻理解以及对各类技能的综合运用，水平高低一目了然。在职场中，立足之本是解决问题和创造价值，而不是顶着“高材生”的光环自我陶醉。
学海无涯，大家一起加油！
编 者
2025年2月