當掌握了大量資料時候，我們往往希望在資料中挖掘更多的資訊，一般可以應用成熟模型進行比較深入的分析。
舉幾個例子：
①例如我們工作中常用的，預估下今年12月份的銷量情況
預估銷量情況這時候我們可以用回歸分析，可以理解為乙個自變數或者多個自變數通過演算法運算得出因變數，例如預估12月份的銷量，因變數是銷量。與他相關的有商品型別，商品種類，是否有優惠券或者優惠，等等....根據歷史資料通過回歸分析擬合成乙個函式，這樣就可以根據自變數推算出未來的因變數數值。
假設現在我抽取資料庫中的下列一組資料進行12月份的回歸分析：
1.首先我們獲取到如下資料
我們現在需要通過回歸分析來了解商品上架種類和商品銷售量之間是否有關係，如果有的話又是怎麼樣的一種關係，並且是否可以通過目前的資料來**一下12月份的商品銷售量情況。然後我們把上面的資料匯入spss工具。
當我們輸入完目標資料以後在變數檢視中就會出現三行資料，每一行資料從上到下是同我們三列資料一一對應的，我們進行稍微的調整以後就可以開始我們的分析了。
如上圖所示，我們需要從分析的工具欄當中選擇回歸，然後選擇線性（回歸的模型選擇有很多種，我們選擇線性回歸）。選擇完了以後我們就能夠進入到下面這個介面：
我們把商品銷售量設為因變數，自變數為商品上架種類數，然後點選右側的統計量選項：
在統計量裡面我們需要選擇d-w檢驗，這個檢驗是殘差檢驗，檢視回歸模型是否有問題。
從上面結果圖中我們可以看出，不管是r方還是調整後的r方都是在90%以上，說明本次回歸模型的擬合效果是很好的。
從第二個方差分析結果圖，我們可以看出方差分析的顯著性為0.00<0.05，說明在本次分析中上架商品種類數和商品銷量之間存在顯著的線性關係。
從第三個係數圖中，我們能看到整個回歸分析的結果是很好的，t檢驗裡的顯著性水平0.00<0.05，說明本次回歸方程的係數是顯著的，具有統計學意義。本次回歸分析的回歸方程為：
y=399.954+7.503x
產品資料分析策劃
資料分析策劃是產品運營極為重要的一部分，企業在運營產品之前就要了解並知道自己要關注哪些資料，然後分析資料，以便調整之後的運營工作。網際網路產品發展到一定階段，使用者就會開始流失，留存率隨著時間的推移會逐步下降，一般在3 5個月後達到穩定。因此，企業需要重點關注留存率。留存率提高了，真正使用產品的使用...
產品資料分析的三個層次
在這樣乙個 資料驅動 的時代，很多產品團隊都選擇在產品早期就引入或搭建資料分析平台，並希望能夠通過資料驅動產品的快速成長，但即便如此，大多數的初創企業還是難逃失敗的厄運。除去戰略 經營等導致企業死亡的情況，資料分析的 深度不夠 也是讓產品鎩羽的重要原因 大多數企業構建的資料分析平台僅僅能看一些統計指...
資料分析統計
select count 0 sum oi.aunt 10 to char oi.cre date,yyyy mm dd hh24 d count to char oi.crea date,yyyy mm dd hh24 c from eall.orer ite oi where oi.cratda...