数据分析的核心：思路 方法 –思路：业务调研+逻辑思考+创新灵感+可行建议 –方法：汇总统计，Make it Simple(切忌喧兵夺主)

　　数据分析的价值与定位 –百度的T序列不重视数据分析（数据分析的能力难以评价） –麦肯锡一个分析报告卖了上千万（仅有简单统计） –数据分析对一个企业有巨大价值，作用于业务发展的前（探索）期或阶段性改进期（颠覆创新），先有数据分析，才能定业务模型，再后是建模优化（机器学习）

　　数据分析人才 –同样的数据，仁者见仁智者见智，分析人才的不可复制性 –做好数据分析的人不一定能当老大，但至少能当军师

　　–数据分析对一个企业有巨大价值，作用于业务发展的前（探索）期或阶段性改进期（颠覆创新），先有数据分析，才能定业务模型，再后是建模优化（机器学习）

　　–优秀线：虽然竞争对手近期势头发展很猛，但实际上他突出的优势在X，劣势在Y，未来可能会采取什么行动，同时市场上的其它竞争对手也不容忽视

　　–满分线：针对于竞争对手的可能动作，我们有如下方面需要改进：加强优势A、B、C，与X达成进一步战略合作关系，并收购Y等等

　　–集合中数字越多，方差越大，应该与集合大小无关 Mean(（real num - mean）^2)

　　在美国总统选举的各种民意测验中，关于支持率的一个常用标准是置信度为95%（误差在+-2.5%以内，置信区间宽度为5%），那么要达到这样的标准需要多少人呢？

　　在数据量充足的时候，加一些维度、拆的更细，使得每个小格里的样本更加类似，结论更加准确但数据不足或分拆未带来结论改变，就不能再拆，以免结果失去统计意义。

　　–虽然选择健康的生活方式（尽人事），我们也得听天命（自己是正态曲线的好尾巴，还是坏尾巴），但是天命整体分布可以变得更好（正态曲线的中轴向好的一面偏移）

　　通过如上两点，证明抽烟信息对预测是有效的，如果一个人抽烟，那么我们预测他活到70岁，否则75岁

　　当数据分布呈现正态分布特点（钟形的曲线）时，均值、中位数、众数都落在相同的点上。而数据分布成有偏差的特征（类似于滑梯）时，那么均值、众数、中位数就相差甚远了。

　　同样一份数据，2010年的前6个月，使用产品的客户数量由最初的2w，以每个月100个的速度增长。

　　–美国海军的死亡率是0.9%, 而同时期纽约市民的死亡率是1.6%，得出结论参军是很安全的。

　　在抽样统计的时候，要充分思考抽样的过程对样本造成了怎样的偏差，以及这个偏差对我们的结论有什么影响

　　–公司与工会发生了摩擦，于是公司进行了一项“调查”来统计多少职员对工会不满。公司公布了这样的结论：“大多数（78%）的职员反对工会，所以有必要取消工会。”

　　–360打官司老败诉，腾讯打官司总胜诉，周鸿祎：“真的是东方不败！与腾讯强大的法务相比，我们实力不济，自愧不如！”

　　最普遍的表现是将看上去极像，而完全不同的两件事混淆在一起，得出了似是而非的推理。