

很多人把统计学理解为“一堆公式和计算”，却忽略了它的本质——一门让数据“开口说话”的科学。真正的数据分析高手，不是会算平均数，而是能通过统计概念洞察业务规律。

”

引言：为什么统计是数据分析师的“底层语言”？

小李入职了一家互联网公司的运营部门。第一次参加业务复盘会，运营主管问了一个看似简单的问题：“这个月新用户留存率下降了5个百分点，情况严重吗？”

小李立刻调出数据，跑了一堆报表，算出留存率的均值、中位数、标准差……数据堆了满满一页，却说不出到底“严重不严重”。

旁边一位资深分析师接过话头：“我们上个月做过A/B测试，正常波动范围在±3%以内。现在下降5%超出正常波动，且连续两周趋势向下，需要立即排查新用户引导流程。”

同样是留存率下降5%，这位分析师只用了几秒钟就判断出了问题的严重性。区别在哪里？关键在于对统计基本概念的深刻理解——什么是正常波动？什么是抽样误差？统计量如何推断总体？这些正是分析师要解决的核心问题。

一、统计学是什么——数据分析的“方法论武器”

1. 统计学的科学定义

统计学是一门收集、处理、分析、解释数据，并从数据中得出结论的科学。这一定义涵盖了一个完整的分析闭环：



收集数据 → 处理数据 → 分析数据 → 解释数据 → 得出结论

”

研究思路正是遵循这个闭环：

• 收集数据：确定数据来源，设计数据获取方案
• 处理数据：数据清洗、缺失值处理、异常值排查
• 分析数据：运用统计方法探索数据特征和规律
• 解释数据：将分析结果转化为业务可理解的语言
• 得出结论：提出可执行的商业建议

调查和实验是数据收集的两种主要方法，基础的数据分析方法又分为两大类：描述性统计分析方法和推断性统计分析方法。

2. 描述性统计与推断性统计——两大核心支柱

统计基本概念模块主要聚焦于这两大分支的底层认知。

描述性统计：涉及收集、整理、总结和呈现数据的技术。它回答的是“数据长什么样”的问题。例如：平均客单价是多少？销售额的波动有多大？——这些都不需要推断，只需要对已有数据进行汇总和描述即可。用原话来说，描述性统计分析要对调查总体所有变量的有关数据进行统计性描述，主要包括数据的频数分析、集中趋势分析、离散程度分析和分布形态分析，以及一些基本的统计图形。

推断性统计：涉及利用样本数据推断总体特征的技术。它回答的是“从样本能得出什么总体结论”的问题。例如，对1000个用户进行了调查，能推断出全部100万用户的行为特征吗？——这就需要推断统计的方法。推断性分析包含参数估计、假设检验、列联分析等内容。

数据分析过程的起点是总体，分析的终点往往是推断。总体是定值，样本是变量。

3. 数据分析与数据挖掘的区别

两者常被混淆，但定位不同：

• 数据分析：以探索数据内的有效信息为主要途径，以解决业务需求为最终目标，包含业务理解、数据清洗、数据探索、数据可视化、数据建模等一整套分析流程
• 数据挖掘：侧重于从海量数据中发现未知的模式和规律，通常涉及机器学习算法

两者的核心区别在于：数据分析重在“解释已有现象”，数据挖掘重在“发现未知规律”。

二、统计的基本概念——数据分析的“识字课”

1. 总体与样本——“全部”与“部分”

总体：指根据研究目的确定的同质研究对象的全体。总体是“所有元素的集合”，其中每个元素称为个体。

例如：

• 研究目标：了解某电商平台所有用户的购买习惯
• 总体：该平台的全部注册用户（假设100万人）

样本：从总体中随机抽取的部分个体。例如，从100万用户中随机抽取1000人进行调查，这1000人就是样本。构成样本的元素的数目称为样本容量。

在实际工作中，我们很少能接触到完整的总体数据——用户有100万，订单有1000万条，但分析资源有限。数据分析师的工作常态是：基于样本数据，推断总体特征。

比如文章开头那个例子——留存率下降了5%，资深分析师判断“正常波动范围在±3%以内”，这个判断背后，正是基于对历史数据的统计推断，而不是凭空猜测。

2. 参数与统计量——“未知的真相”与“已知的线索”

参数：指研究者想要了解的总体的某种特征值。参数通常是未知的，因为不可能观测到总体中的所有个体。常见的参数有总体均值、总体标准差、总体比例等。

统计量：指根据样本数据计算出来的一个量，即样本的某个特征值。常见的统计量有样本均值、样本标准差、样本比例等。由于样本是我们已经抽出来的，所以统计量总是知道的。抽样的目的就是要根据样本统计量推断总体参数。

参数是客观存在的“事实” ，统计量是我们手中掌握的“线索”。数据分析师的任务，正是通过手中的统计量，去推断和估计未知的参数。

3. 变量——数据的“容器”

变量是描述个体某个特征的名称，其取值会随着个体的不同而发生变化。例如：用户的年龄是一个变量，不同用户的年龄取值不同。变量是统计研究的基本单元，也是CDA考试中的基础考点。

4. 数据的计量尺度与变量类型

数据计量尺度与变量类型是统计分析的起点，也常常是考生容易混淆的地方。

数据的计量尺度和具体的统计方法息息相关，大致分为3类：名义测量、次序测量和连续变量测量。这三类测量分别对应三种变量类型：

连续变量测量可以进一步细分为间距测量和比例测量。

• 间距测量：有固定的计量单位，但无绝对零点。例如，温度（0℃并不代表没有温度）。间距测量中的数据可以比较差值，但不能比较倍数。
• 比例测量：有固定的计量单位和绝对零点。例如，身高（0米代表没有高度）、销售额（0元代表没有销售）。比例测量中的数据既可以比较差值，也可以比较倍数。

从数据级别的高低排序，依次是数值数据 > 顺序数据 > 分类数据。数值数据包含的信息最丰富，可以进行算术运算；顺序数据只能比较大小，不能做加减；分类数据只能区分类别，信息量最少。

一个常见陷阱：“成绩等级”的归类。“成绩”本身属于数值型变量，但将其划分为“A/B/C/D”等级后，由于成绩等级有优劣关系，它属于顺序变量，而不是分类变量。

三、常用统计分布——数据世界的“规律地图”

1. 正态分布——“最自然的分布”

正态分布是最常见、最重要的连续型概率分布，许多自然和社会现象都近似服从正态分布（如身高、考试成绩、测量误差等）。正态分布的形态呈“钟形曲线”，对称分布在均值两侧，具有“中间高、两头低”的特点。

正态分布在数据分析中的应用极为广泛，是参数估计、假设检验等推断统计方法的重要理论基础。

2. 两点分布与二项分布

两点分布（也称伯努利分布）是最简单的离散型概率分布，只有两种可能的结果（成功/失败、是/否）。例如：掷一次硬币，正面朝上的概率为p，反面朝上的概率为1-p。

二项分布是n次独立的两点分布试验之和，描述的是在n次试验中成功次数k的概率分布。例如：掷10次硬币，正面朝上3次的概率是多少？这个问题就用二项分布来求解。

四、描述性统计分析——让数据“说话”的起点

描述性统计是数据分析的基础方法，通过统计指标和图表来描述数据的基本特征。它是将零散数据转化为可解读信息的关键环节，也是CDA分析师开展后续分析的前置步骤。

1. 集中趋势——数据的“中心锚点”

集中趋势反映数据的平均水平，是CDA分析师判断数据整体特征的首要工具。它回答了“数据的典型值是多少”这个问题。

均值最常用于对称分布且无异常值的场景。例如，某电商平台日均订单量的均值为5000单，可作为基础运营目标的参考。但均值对异常值敏感，若存在极端大值，需结合中位数修正结论。

中位数在偏态分布中更具代表性。例如，公司员工薪资分布呈右偏（少数高管薪资极高），中位数比均值更能反映普通员工的薪资水平。

例如，某快消品牌的产品规格中，“500ml”的销量占比达60%，众数指标直接指导生产备货。

在集中趋势分析中，四分位数（Q1、Q2、Q3）也是重要的描述工具，用于划分数据的区间分布。

2. 离散程度——数据的“波动范围”

离散程度衡量数据的分散程度，是“风险评估”“稳定性分析”的关键环节。

标准差反映数据与均值的平均偏离度，值越小说明数据越稳定。例如，某连锁超市的日销售额标准差为2000元（均值5万元），说明销售额波动可控；若标准差达1万元，则需排查门店运营问题。

四分位距可有效识别异常值（超出Q1-1.5IQR或Q3+1.5IQR的数值）。实践案例：某金融平台通过四分位距筛选出“贷款金额超过Q3+1.5IQR”的客户，作为高风险群体重点审核。

常用的离散程度统计量包括极差、平方差、方差、标准差和离散系数（变异系数）。

3. 分布形态——数据的“形状密码”

分布形态是描述性统计分析中较为进阶的内容，它回答了“数据是如何分布的”这个问题。在统计研究中，常常假设总体数据服从正态分布，则需要利用偏度和峰度来判断样本数据是否符合这一假设。

• 偏态：指数据分布偏斜的程度。若偏态系数>0，数据呈右偏分布；若偏态系数<0，数据呈左偏分布。
• 峰态：指数据分布尖峭或平坦的程度。正态分布的峰度为0；峰度>0表示数据更集中于均值附近；峰度<0表示数据更分散。

4. 描述性统计图表

描述性统计常用图表，包括直方图、柱状图、散点图、箱型图、折线图、饼图等。

例如，在业务描述性分析中，箱型图可以快速确认数据的分布以及数据的中位数、四分位数，是数据初探阶段非常实用的可视化工具。

在实际分析中，建议先用描述性统计数值指标（均值、标准差、偏度等）快速了解数据的基本特征，再用图表（直方图、箱型图）直观呈现分布形态，两者结合才能全面把握数据的“画像”。

五、从样本到总体——推断统计的桥梁

1. 点估计与区间估计

• 点估计：用样本统计量的某个取值直接作为总体参数的估计值。例如，用样本均值作为总体均值的估计值。
• 区间估计：在点估计的基础上，结合样本误差和置信水平，给出总体参数的可信区间。例如，“总体客单价的95%置信区间为350±30元”。

2. 估计量的评价标准

评价估计量优劣的主要标准包括：

• 无偏性：样本估计量的数学期望等于被估计的总体参数
• 有效性：在多个无偏估计量中，方差越小越有效
• 一致性：随着样本容量增大，估计量越来越接近总体参数

六、实战演练：从一份“用户满意度调查”看统计概念的完整应用

背景

你是某互联网公司的数据分析师。公司刚刚进行了一次用户满意度调查，收集了500份有效问卷。调查内容包括：用户ID、年龄、性别、城市等级（一线/新一线/二线/其他）、满意度评分（1-5分）、是否推荐给朋友（是/否）。

老板要求你回答以下问题：

1. 用户的平均满意度是多少？波动大不大？
2. 不同城市等级的用户，满意度是否有差异？
3. 能否用这500个样本推断全体100万用户的情况？

完整操作流程

第一步：明确总体与样本

• 总体：该公司全部100万注册用户
• 样本：500份有效问卷的填写用户
• 目标：用样本统计量推断总体参数

第二步：识别变量类型

第三步：描述性统计分析

• 集中趋势：计算满意度的均值、中位数、众数

  • 若均值≈4.2分，中位数≈4分，说明存在部分用户给了较高评分拉高了均值
• 离散程度：计算满意度的标准差和极差

  • 若标准差=0.6分，说明满意度波动可控
• 分布形态：绘制满意度评分的直方图，观察是否呈正态分布
• 分组对比：按城市等级分组，计算各组的满意度均值和标准差

第四步：推断统计

• 用样本统计量推断总体参数
• 点估计：样本平均满意度为4.2分 → 推断总体平均满意度约为4.2分
• 区间估计：计算95%置信区间 → 推断总体平均满意度在4.1-4.3分之间

第五步：得出结论

• 满意度整体较好，均值4.2分，标准差0.6分，波动可控
• 一线城市用户满意度高于其他城市等级
• 样本量500，抽样误差可控，置信度95%，结果可靠



这就是一套完整的“识别变量类型 → 描述性统计 → 推断统计”的实战流程。掌握了统计基本概念，你就能从一堆数字中提炼出有价值的商业洞察。

”

结尾：从“会用统计量”到“用统计做分析”

很多数据分析师会算均值、标准差，但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“为什么用中位数而不用均值”“偏态和峰态如何判断”时，却答不上来。

知其然还要知其所以然，这正是CDA Level I认证的价值所在。

如果你想系统掌握从统计基本概念到商业洞察的完整方法论，并获得行业认可的专业能力证明，可以考虑了解CDA数据分析师认证。它覆盖了本文提到的所有知识点，并通过大量模拟题和案例分析，帮助你真正把“统计知识”变成“数据分析能力”。

下一步行动：

1. 找一份真实的业务数据，练习识别各列数据的变量类型
2. 用描述性统计方法（均值、标准差、直方图、箱型图）快速了解数据的分布特征
3. 尝试用一个样本数据，计算总体参数的95%置信区间



数字是冰冷的，但掌握统计的人能让它们说出真相。

”

图文含有广告内容

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0