京东春招商业分析笔试：数据分析与模型应用

"2019届京东春招商业分析笔试" 本资料是一份关于2019年京东春季招聘商业分析笔试的文档，涵盖了数据分析的基础知识和应用，主要涉及数据类型、数据分析流程、统计模型、假设检验、聚类分析以及回归分析的相关概念。 1. 数据分析类型： - 描述型分析：从原始数据中提炼出有意义的信息，解释数据的特征和趋势。 - 预测型分析：利用历史数据预测未来的趋势或结果。 - 指导型分析：基于数据洞察提出策略建议。 - 诊断型分析：通过对数据的深入研究，解释和理解问题的原因。 2. CRISP-DM流程： - CRISP-DM是一种广泛采用的数据挖掘标准流程，包括商业理解、数据理解、数据准备、建模、评估和部署六个阶段。 3. 回归模型预测中的R平方和P值： - R平方（R²）衡量模型拟合优度，值越大，模型解释变量变化的能力越强。 - P值用于检验假设，P值越小，拒绝原假设（H0）的证据越强。在回归分析中，通常希望P值小，表明模型中至少有一个自变量对因变量有显著影响。 4. 假设检验： - 假设检验I类错误（α）是指错误地拒绝H0，即“以假为真”。 - II类错误（β）是未拒绝实际上不成立的H0，即“以真为假”。 - α和β的关系：在固定样本量下，增大α会减少β，反之亦然。 5. 聚类分析： - 层次聚类分为凝聚的层次聚类（自下而上）和分裂的层次聚类（自上而下）。 - 常见的聚类算法还包括K-均值和DBSCAN。 - 聚类度量如SAD、SSD、MAE、MSE和欧几里得距离等用于评估聚类效果。 - 层次聚类的一个缺点是需要预先确定类的数量。 6. 回归分析前提假设： - 因变量与自变量之间的线性关系。 - 残差（误差项）正态分布。 - 因变量同方差性，即所有观测值的方差相同。 - 自变量通常是非随机的，因变量是随机的。 7. 数据分析错误分析： - 客流每增长1，销售预计增长30的系数可能受到百分比的影响，需要进一步考虑基数。 - 点击率作为百分比可能导致其系数较大，这并不意味着影响不大。 - 降低价格可能提高销售，但这需要根据具体情况分析。 - 变量取自然对数可以反映弹性关系，有助于理解和解释变量间的比例变化。 8. 其他统计方法： - 逻辑回归基于伯努利分布，适用于二分类问题。 - 主成分分析（PCA）和因子分析（FA）都是降维技术，但PCA侧重于保留方差，FA旨在解释潜在变量。 这份笔试资料旨在测试应聘者的商业分析能力和对数据科学基础知识的理解，涵盖的内容广泛且实用，对于从事数据分析工作的人来说具有很高的参考价值。