首先，打开你的SPSS软件，找到菜单栏中的文件，选择打开，导入你的数据集。接下来，我们将进入数据处理的关键环节——数据标准化。在分析菜单中，选择描述统计，再点击描述选项，这将带你进入数据描述的界面。在工作区，你需要确保你想要标准化的变量已经选中。
常见的方法有：min-max标准化（Min-max normalization），log函数转换，atan函数转换，z-score标准化（zero-mena normalization，此方法最为常用），模糊量化法。本文只介绍min-max法（规范化方法），z-score法（正规化方法），比例法（名字叫啥不太清楚，归一化方法）。
打开spss，将界面切换到变量视图。在编辑栏目创建观测指标及类型。示例创建两个指标，一个作为自变量，另外一个作为因变量，分别是gpd和urbanization，代表人均gdp和城市化水平。指标及类型建好了以后，就要输入数据到spss中了。切换到“数据视图”，数据可以手工输入，也可以从excel中复制或导入。
spss的实现步骤：【1】分析——描述统计——描述 【2】弹出“描述统计”对话框，首先将准备标准化的变量移入变量组中，此时，最重要的一步就是勾选“将标准化得分另存为变量”，最后点击确定。【3】返回SPSS的“数据视图”，此时就可以看到新增了标准化后数据的字段。基于此字段可以做其他分析。
我们和竞争对手相对，优势有哪些，不足又有哪些等等，都是属于对于现状的分析。这里包括两方面的内容，分析自己的现状和分析竞争对手的现状。分析原因 分析原因是数据运营者用得比较多的了，做运营的人，在具体的业务中，不光要知道怎么了，还需要知道为什么如此。
它作用的是可以为数据的收集、处理及分析提供清晰的指引方向。可以说思路是整个分析流程的起点。首先目的不明确则会导致方向性的错误。当明确目的后，就要建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标。
可视化分析 大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
数据可视化类 亿信ABI是具有可视化功能的代表性工具。当然，它不仅是可视化工具，而且还是集数据分析、数据挖掘和报表可视化的一站式企业级大数据分析工具。关于企业如何进行大数据分析，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。
批量处理（Bulk Processing）： 批量处理是一种在大量数据上执行某项特定任务的方法。这种方法通常用于分析已经存储在数据库中的历史数据。批量处理的主要优点是效率高，可以在大量数据上一次性执行任务，从而节省时间和计算资源。 流处理（Streaming Processing）： 流处理是一种实时处理大数据的方法。
结构思维 很多人在做数据分析的时候没有思路，不知道从何下手，这就是缺少结构化思维的表现。按业务职能结构划分：比如渠道，运营，功能等相关模块，简单快速的沟通，能快速的定位问题原因，但是缺点是分析结果不够直接，依赖外部资源信息搜集。
数据细分分析 在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：分时：不同时间段数据是否有变化。
首先需要建立一个好的指标体系。了解和使用指标是数据分析思维的第一步，大家在建立数据分析的指标体系的时候应该能够意识到孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。上面提到的知识都是需要不同行业经验和业务知识去学习掌握，同时还要总结通用的技巧和注意事项。
对于看待或分析事物类的思维，则是我们前面一篇思维的逻辑里面讲到的很多内容，即事物本身应该结合外部环境+时间线+事物核心维度进行全面的分析，事物的外在交互关系，事物的内部结构和衔接，事物本身动态展现的行为特征等。这些首先分析清楚，即对事物本身有一个全面和客观的认识。
其次就是建立正确的指标结构。建立正确的指标结构和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。从流程的角度搭建指标框架，可以全面的收集用户相关数据，这样可以毫无遗漏的保留出相关的数据。
其实，我们用业务化的方式分析数据就是将结构化思维通过公式法将其转变为结构化数据，最后通过业务化的方法将其转变为结构化业务数据。具体过程如下： 这是个人通过学习做的一张思维导图，仅供参考，大家还可以完善： 通过上面介绍的三种核心思维方法，这只是框架型的指引。
