数据分析描述统计怎么做
spss描述性统计分析结果怎么看？
spss描述性统计分析结果怎么看？
spss 的相关表格每个单元格有三行数据，一个是pearson相关系数值，它代表了相关系数的大小，一个是样本容量，代表你这组数据有多少被试，最后一个是显著性检验结果，即sig（双侧），它可以用来说明你所得到的相关分析结果有没有统计学意义。
通常siglt0.05即认为显著，有统计学意义（有统计学意义或者说显著的意思是说这种相关性可以分辨出来，不表示相关的大小，就好像用显微镜可以看到细胞并不能说明细胞很大），如果不显著，即便相关系数很大，也不能说明该相关有意义，相关性有可能是抽样误差所致，但这个时候你可以考虑增大样本容量后再分析看看。相关系数值后面的星号也反映了显著性，一个*表明0.05水平显著，**代表0.01水平显著。
为什么要做数据分析？
其实，现在不会再有人再问这样的问题了，因为大数据时代下，每个人都知道数据分析的重要性！数据分析在企业经营或个人生活中都很有用处，关键在于我们如何使用它。
数据分析不仅是某一条公式或者一串代码，它真正的魅力在于系统地、客观地、有逻辑地思考，用这种思考方式去代替零散、臆断、盲目，这才是它最大的价值。
当我们在工作中接到一项任务时，首先主观意识第一反应“我想不想做这个事？如果我做了会产生什么影响？”决定做了之后，又要开始思考“我能不能干这个事？做这个事需要什么条件？到底应该如何做这件事？” 这些心理建设和意愿、能动性、创造力有关。
再来看数据分析，它是一种后置的、理性的方法，很难预知；如果不做数据分析，只能靠臆想猜测结果，如果做了数据分析，才能知道：
现状是怎样的？
到底现状好不好？
出现这个状况的原因是…？
预测一下结果会如何？
下一步应该怎么做？
这5个问题是环环相扣的，有了清晰的描述才能寻找指标，有了指标才有好坏判断，有好坏判断才能思考为什么好或不好，有了原因才知道如何构建预测模型，如何全面评估。
从一个最简单的例子来说，设想下，你刚就任一个销售公司大区总监，掌管着华北500家客户，忽然收到财务发来的一封邮件说这个月业绩KPI没有达标。那么第一件事，就是要看数据，业绩状况到底是什么情况？
差多少达标？
什么时候开始不达标的？
差距越来越大还是越来越小？
所有区域还是单个区域的问题？
没有问题的是不是正在变得有问题？
所有一切都要用数据说话。接下来，还需要做以下三项分析工作：
原因分析：通过数据分析找一下不达标的原因；
预测分析：预测一下销售走势，预计业绩有多大缺口；
评估分析：评估一下过往的措施哪个好用，然后安排下一步举措。
不过在实际工作中，80%的时间都被耗在清理数据、更新报表、做描述性统计上，剩下时间可能还在写评估报告，最后就变成，只有数据，没有分析。
如果使用分析云来做数据分析，数据抽取与业务模型是独立的，数据抽取由系统自动完成，且可跨平台集成数据，大大减少了清理数据的工作；而业务模型是固定不变的，数据更新，报表内容也会随之更新，如需调整模型，也可由业务人员自行完成操作。
通过数据穿透、钻取，找到原因；通过历史数据，预测今后走势；通过对比，全面评估。
有数据，有分析，才是完整的数据分析！