数据分析常用术语

对于做数据分析的同学来说，可能没有参与搭建指标体系，但是每天会与各项业务指标打交道。不同的业务会有不同的指标衡量，如电商行业关注购买率、退货率、客单价等，而游戏行业关注下载量、付费参与度等。

下面从以下三个方面对常用的数据名词进行介绍。

• 互联网常用名词/指标
• 统计学指标
• 数据分析指标

一、互联网常用名词/指标

1. PV（Page View）页面浏览量

指某段时间内访问网站或某一页面的用户的总数量，通常用来衡量一篇文章或一次活动带来的流量效果，也是评价网站日常流量数据的重要指标。PV可重复累计，以用户访问网站作为统计依据，用户每刷新一次即重新计算一次。

2.UV（Unique Visitor）独立访客

指来到网站或页面的用户总数，这个用户是独立的，同一用户不同时段访问网站只算作一个独立访客，不会重复累计，通常以PC端的Cookie数量作为统计依据。

从这里可以看到PV和UV的区别，PV可重复累计，而UV不会重复累计

3.Bounce Rate 跳出率

指用户通过链接来到网站，在当前页面没有任何交互就离开网站的行为，这就算作此页面增加了一个“跳出”，跳出率一般针对网站的某个页面而言。

跳出率=在这个页面跳出的用户数/PV

4.退出率

指用户访问某网站的某个页面之后，从浏览器中将与此网站相关的所有页面全部关闭，就算此页面增加了一个“退出“。退出率=在这个页面退出的用户数/PV。

5.CTR 点击率

指某个广告、Banner、URL被点击的次数和被浏览的总次数的比值。一般用来考核广告投放的引流效果。CTR=点击数（click）/被用户看到的次数

6.Conversion rate 转化率

指用户完成设定的转化环节的次数和总会话人数的百分比，通常用来评价转化的好坏。转化率较低则急需优化该转化环节。转化率=转化会话数/总会话数

7.投资回报率（ROI：Return On Investment ）

衡量投入与产出的关系，投资是否值得。公式为：投资回报率（ROI）=年利润或年均利润/投资总额×100%，通常用来评估某项项目/活动的价值。

8.重复购买率：指消费者在网站中的重复购买次数。

9.漏斗：如在京东商城购物，从点击商品链接到查看详情页，再到查看顾客评价、领取商家优惠券，再到填写地址、付款，每个环节都有可能流失用户，这就要求商家必须做好每一个转化环节，漏斗是评价转化环节优劣的指标、也可以很直观的看到哪个环节存在问题，并进行针对性改善。

10.流失分析（Churn Analysis/Attrition Analysis）

哪些顾客可能停止使用公司的产品/业务，以及识别哪些顾客的流失会带来最大损失。流失分析的结果用于为可能要流失的顾客准备新的优惠。

11.用户画像（Customer Segmentation & Profiling）

根据现有的顾客数据，将特征、行为相似的顾客归类分组。描述和比较各组。也有为用户打标签，如高潜力客户、低潜力客户；土豪客户、促销敏感客户、屌丝客户等，每个企业会根据不同为维度进行细分打标签。

12.用户命周期价值 (Lifetime Value, LTV)

顾客在他/她的一生中为一个公司产生的预期折算利润。

3.购物篮分析（Market Basket Analysis）

交易中经常同时出现的商品组合或服务组合，例如经常被一起购买的产品，被杜撰的额“啤酒与尿布”的故事。此类分析的结果可以为商品陈列提供决策支持。

14.实时决策（Real Time Decisioning, RTD）

帮助企业做出实时（近乎无延迟）的最优销售/营销决策。比如，实时决策系统（打分系统）可以通过多种商业规则或模型，在顾客与公司互动的瞬间，对顾客进行评分和排名。

15.Referrer 引荐流量

将用户引导至目标页面的URL（超链接），如最近的知乎好物推荐，可以在回答、文章中插入购入链接，将用户引流至京东、淘宝、拼多多等平台，从而赚取佣金。

二、 统计学名词解释

1、同比和环比

同比：指的是与历史同时期的数据相比较而获得的比值，反应事物发展的相对性

环比：指与上一个统计时期的值进行对比获得的值，主要反映事物的逐期发展的情况

2、频数和频率

频数：一个数据在整体中出现的次数。

频率：某一事件发生的次数与总的事件数之比。频率通常用比例或百分数表示。

3.百分比和百分点

百分比：是相对数中的一种，他表示一个数是另一个数的百分之几，也成为百分率或百分数。百分比的分母是100，也就是用1%作为度量单位。如服装销售占平台销售额的20%。

百分点：是指不同时期以百分数的形式表示的相对指标的变动幅度，1%等于1个百分点，如今年销售额比去年增长5个百分点，其实就是增长了5%。

4.比例与比率

比例：是指在总体中各数据占总体的比重，通常反映总体的构成和比例，即部分与整体之间的关系。比率：是样本(或总体)中各不同类别数据之间的比值，由于比率不是部分与整体之间的对比关系，因而比值可能大于1

5.连续变量VS离散型变量

统计学中，按变量值是否连续可分为连续变量与离散变量两种。在一定区间内可以任意取值的变量叫连续变量，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。如:年龄、体重等变量。

6、均值

平均数是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。

7.中位数：对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。

8.均值：即平均值，平均数是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。

9.缺失值：它指的是现有数据集中某个或某些属性的值是不完全的，可能在数据采集中出现错误、或者被人为的删除。

10.缺失率：某属性的缺失率=数据集中某属性的缺失值个数/数据集总行数。

11.异常值

指一组测定值中与平均值的偏差超过两倍标准差的测定值，与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。经常用于品质检验中，在上一家公司，只要数据超过3西格玛，就要写报告向品质部门解释。

12.方差：统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。方差是衡量源数据和期望值相差的度量值。

13.标准差：用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。

14.皮尔森相关系数：用来反映两个变量线性相关程度的统计量。相关系数用r表示， r描述的是两个变量间线性相关强弱的程度。

15重数和众数

给定含有n个元素的多重集合S，每个元素在S中的次数称为该元素的重数。多重集S中重数最大的元素称为众数。

三、数据分析专业名词解释

聚合(Aggregation)：搜索、合并、显示数据的过程。

算法(Algorithms)：可以完成某种数据分析的数学公式。

异常检测(Anomaly detection)：在数据集中搜索与预期模式或行为不匹配的数据项

匿名化(Anonymization)：使数据匿名，即移除所有与个人隐私相关的数据。

客户关系管理（CRM）：用于支持决策，改善公司跟顾客的互动或提高互动的价值。

行为分析法(Behavioural Analytics)：这根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式。

商业智能（Business Intelligence）: 分析数据、展示信息以帮助企业的执行者、管理层、其他人员进行更有根据的商业决策的应用、设施、工具、过程。

云计算(Cloud computing)：网络上的分布式计算系统，数据是存储于机房外的（即云端）。

集群计算（Cluster computing）：这是一个使用多个服务器集合资源的“集群”的计算术语。要想更技术性的话，就会涉及到节点，集群管理层，负载平衡和并行处理等概念。

聚类分析(Clustering analysis)：它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性。

冷数据存储(Cold data storage)：在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时。

相关性分析(Correlation analysis)：是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关。

仪表板(Dashboard)：使用算法分析数据，并将结果用图表方式显示于仪表板中，制造业常用于生产看板。

数据聚合工具(Data aggregation tools)：将分散于众多数据源的数据转化成一个全新数据源的过程。

暗数据（Dark Data）：基本上指的是，由企业收集和处理的，但并不用于任何意义性目的的数据，因此它是“暗”的，可能永远不会被分析。它可以是社交网络反馈，呼叫中心日志，会议笔记等等。有很多人估计，所有企业数据中的 60-90％ 可能是“暗数据”。

数据挖掘（Data mining)：通过使用复杂的统计学习方法，结合商业实践，并得出大量数据的见解。

数据清洗(Data cleaning)：对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。

数据质量（Data Quality）：确保数据可靠性和实用价值的过程和技术。高质量的数据应该忠实体现其背后的事务进程，并能满足在运营、决策、规划中的预期用途。

数据集市(Data Mart)：进行数据集买卖的在线交易场所。

分布式文件系统(Distributed File System)：提供简化的，高可用的方式来存储、分析、处理数据的系统。

提取-转换-加载(ETL:Extract,Transform and Load)：是一种用于数据库或者数据仓库的处理过程，即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库。

Hadoop：一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。

Hadoop数据库(HBase)：一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用。

HDFS：Hadoop分布式文件系统(Hadoop Distributed File System)；是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。

高性能计算(HPC:High-Performance-Computing)：使用超级计算机来解决极其复杂的计算问题。

物联网（IoT）：最新的流行语是物联网（IOT）。IOT通过互联网将嵌入式对象（传感器，可穿戴设备，汽车，冰箱等）中的计算设备进行互连，并且能够发送以及接收数据。IOT生成大量数据，提供了大量大数据分析的机会。

日志文件(Log file)：由计算机系统自动生成的文件，记录系统的运行过程。

自然语言处理(Natural Language Processing)：是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。

平台即服务(PaaS:Platform-as-a-Service)：为云计算解决方案提供所有必需的基础平台的一种服务。

软件即服务(SaaS:Software-as-a-Service)：基于Web的通过浏览器使用的一种应用软件。