数据分析是指通过建立审计分析模型对数据进行核对、检查、复算、判断等操作，将被审计单位数据的现实状态与理想状态进行比较，从而发现审计线索，搜集审计证据的过程。
数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。
在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。例如J.开普勒通过分析行星角位置的观测数据，找出了行星运动规律。又如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。因此数据分析有极广泛的应用范围。
数据分析主要包含下面几个功能：
1.简单数学运算（SimpleMath）
2.统计（Statistics）
3.快速傅里叶变换（FFT）
4.平滑和滤波（SmoothingandFiltering）
5.基线和峰值分析(BaselineandPeakAnalysis)
在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。
探索性数据分析：是指为了形成值得假设的检验而对数据进行分析的一种方法，是对传统统计学假设检验手段的补充。该方法由美国著名统计学家约翰·图基(JohnTukey)命名。
定性数据分析：又称为“定性资料分析”、“定性研究”或者“质性研究资料分析”，是指对诸如词语、照片、观察结果之类的非数值型数据（或者说资料）的分析。
数据分析有极广泛的应用范围。典型的数据分析可能包含以下三个步：
1、探索性数据分析，当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。2、模型选定分析，在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。3、推断分析，通常使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。
数据分析过程实施
数据分析过程的主要活动由识别信息需求、收集数据、分析数据、评价并改进数据分析的有效性组成。
一、识别信息需求
识别信息需求是确保数据分析过程有效性的首要条件，可以为收集数据、分析数据提供清晰的目标。识别信息需求是管理者的职责管理者应根据决策和过程控制的需求，提出对信息的需求。就过程控制而言，管理者应识别需求要利用那些信息支持评审过程输入、过程输出、资源配置的合理性、过程活动的优化方案和过程异常变异的发现。
二、收集数据
有目的的收集数据，是确保数据分析过程有效的基础。组织需要对收集数据的内容、渠道、方法进行策划。策划时应考虑：
三、分析数据
分析数据是将收集的数据通过加工、整理和分析、使其转化为信息，通常用方法有：
老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图；新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图；
四、数据分析过程的改进
数据分析是质量管理体系的基础。组织的管理者应在适当时，通过对以下问题的分析，评估其有效性：
①提供决策的信息是否充分、可信，是否存在因信息不足、失准、滞后而导致决策失误的问题；②信息对持续改进质量管理体系、过程、产品所发挥的作用是否与期望值一致，是否在产品实现过程中有效运用数据分析；③收集数据的目的是否明确，收集的数据是否真实和充分，信息渠道是否畅通；④数据分析方法是否合理，是否将风险控制在可接受的范围；⑤数据分析所需资源是否得到保障。
采用的分析方法如下：
1．描述性统计分析
2．Cronbach’a信度系数分析
信度是指测验结果的一致性、稳定性及可靠性，一般多以内部一致性(consistency)来加以表示该测验信度的高低。信度系数愈高即表示该测验的结果愈一致、稳定与可靠。针对各研究变量的衡量题项进行Cronbach’a信度分析，以了解衡量构面的内部一致性。一般来说，Cronbach’a仅大于0．7为高信度，低于0．35为低信度(Cuieford，1965)，0．5为最低可以接受的信度水准(Nunnally，1978)。
3．探索性因素分析(exploratoryfactoranalysis)和验讧性因素分析(confirmatoryfactoranalysis)
4．结构方程模型分析(structuralequationsmodeling)
由于结构方程模型结合了因素分析(factoranalysis)和路径分析(pathanalysis)，并纳入计量经济学的联立方程式，可同时处理多个因变量，容许自变量和因变量含测量误差，可同时估计因子结构和因子关系。容许更大弹性的测量模型，可估计整个模型的拟合程度(Bollen和Long，1993)，因而适用于整体模型的因果关系。在模型参数的估计上，采用最大似然估计法(MaximumLikelihood，ML)；在模型的适合度检验上，以基本的拟合标准(preliminaryfitcriteria)、整体模型拟合优度(overallmodelfit)以及模型内在结构拟合优度(fitofinternalstructureofmodel)(Bagozzi和Yi，1988)三个方面的各项指标作为判定的标准。在评价整体模式适配标准方面，本研究采用x2(卡方)／df(自由度)值、拟合优度指数(goodness．of．f：iJt．in．dex，GFI)、平均残差平方根(root—mean．square：residual，RMSR)、近似误差均方根(root-mean—square-error-of-approximation，RMSEA)等指标；模型内在结构拟合优度则参考Bagozzi和Yi(1988)的标准，考察所估计的参数是否都到达显著水平。
邮政报刊生产作业系统投入使用后，至今已经积累了丰富的数据。这些数据全面而真实地描述了邮政报刊发行的业务全流程，同时也沉淀了丰富的报刊客户及订阅信息，这些信息集中存储在数据库中，以报表为主进行展示。随着数据分析方法的不断进步，数据分析的应用模式已经不再局限于单纯的报表方式，新的应用模式不断涌现，先进的数据分析手段将使邮政报刊数据发挥出更大价值。
一、数据分析方法及邮政应用现状
数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析方法大致可以分为三张统计分析，以基础的统计分析为主高级分析，以计量经济建模理论为主；数据挖掘，以机器学习、数据仓库等复合技术为主。对于邮政报刊全国集中的大数据量来说，数据挖掘方法更能够发挥作用。有关数据挖掘方法及典型应用见表所示。
表数据挖掘方法及应用
二、数据分析在邮政报刊中的应用模式
1、营销类
营销类数据分析主要围绕市场营销和客户营销两方面来开展。一是报刊客户细分。报刊客户细分是以报刊订阅客户为对象，使用数据挖掘方法，根据客户基本信息、兴趣爱好、订阅行为、客户忠诚度等多个维度进行聚类分析，得出差异显著的分群。以分群结果为基础，总结归纳各个细分群的特征，发掘潜在的细分客户的消费行为习惯，有针对性地对各个分群客户开展营销活动。二是“高码洋”专题分析。“高洋码”专题分析主要为满足邮政报刊发行局发展高端客户的需求而进行的多系统关联分析。参照业务部门提供的“高码洋”刊物进行重点研究，交叉关联现有的邮政系统如短信系统、邮储系统、“自由一族”、航空客票、中邮快购网站等系统的客户数据，得出在这些系统中潜在的报刊客户群。
2、经营类
3、产品类
4、渠道类
三、应用案例——报刊产品与潜在客户挖掘
1、背景及内容
2、分析过程
该分析选择了具有地域代表性的某省报刊订阅客户数据。整个分析过程包括数据准备、模型构建及模型业务解读三个阶段。数据准备阶段将量收报刊营销系统与短信系统关联取数，形成中间层数据5大类数据，最后加载形成宽表。模型构建阶段应用聚类算法将客户数据按照偏好和订阅习惯两大类进行细分，最后将细分结果进行整合，得出最终的细分结果。模型业务解读阶段从业务角度对模型进行解读，包括应用落地建议。
3、分析成果
在宏观市场层面，通过判断客户的订阅年限、订阅份数、订阅种类、退订份数、退订种类将报刊现有客户划分为频繁退订人群、高价值人群、大众订阅人群和中端消费人群。以某省邮政报刊业务为例，确定了四类人群。
通过将报刊用户进行群体划分，确定了不同类别人群的订阅偏好。以上述该省报刊为例，高价值客户偏好的前10名报刊品种有：扬子晚报、现代快报、参考消息、读者、环球时报、新华日报、：N．-T~J文摘、中国剪报、新民晚报、特别文摘(形象期刊)。其中，参考消息、读者和环球时报是重点：N~IJo此分析对于形成有针对性的订阅目录提供了依据。
在微观产品营销层面，确定如何向不同类型客户，有针对性的推荐报刊产品的基本算法。首先提取了短信用户，然后通过手机号码实现用户关联其次，总结出既是短信用户又是报刊用户的人群在订阅报刊产品方面的显著特点(与整体报刊用户比较)，分析交叉关联客户在报刊订阅偏好方面与总体报刊客户的差异，得出短信客户对报刊的偏好；最后，根据“显著性”和“客户规模”等指标进行筛选，确定适合向各类客户推荐的报刊种类，支撑精准营销。整个分析过程实现了有针对性地向不同类别潜在客户推荐报刊产品。例如，通过分析得到向该省短信客户推荐的报刊品种有：北方新报．新周末、兴安广播电视报、37°女人。该分析实现了“应该向什么样的客户推荐哪些产品”的基本功能。
4、实际应用
以某省为例，针对《看天下》的客户进行分析，为该刊物挖掘出订阅其他刊物的客户人群。以一年的订阅《看天下》客户为分析数据，通过对兴趣偏好的分析，得出同时订阅其他杂志的情况。
5、应用效果及意义
(一)数据改变企业的运营管理决策方式
(二)目前企业数据分析的可拓展方向
(2)客户价值分析模型。随着社交网络的发展，不仅使得客户行为需求喜好信息更丰富，而且可获得客户之间关系的数据信息。如在捆绑套餐营销活动中，活动在用户群中的扩散呈链状发展，发展过程中，客户的圈子构成以及客户对圈中其他用户的影响力对活动推广扩散有重要影响。如果能够识别并借助有足够影响力的客户帮助推广活动，活动的营销效率必然有很大程度的提高。可见，数据时代，当企业的客户分析在原有以客户为对象进行分析的基础上，增加以客户与客户之间关系为对象的分析时，客户的价值测算和分析也将随之发生变化，客户的价值不再仅是个体客户消费体现的价值，还应增加个体客户对所在群体内其他客户的影响力指标。
(三)企业应用数据分析的必要性
(1)实时数据分析支撑的营销运营管理应用。由于数据分析、数据挖掘手段的支撑，传统数据时代，一些先进的企业已经基本实现洞察力驱动的精确营销运营管理。数据时代，客户数据更为丰富和细致，企业对客户需求洞察更为全面而准确，更重要的是，由于数据处理分析技术的成熟，企业实现客户洞察的能力在数据存储与数据处理和分析方面将更高效，甚至达到实时，所以支撑营销运营管理全流程各环节决策的数据流可以与营销运营管理的工作流达到同步，企业可以综合客户的历史消费行为信息和客户当前行为，实时做出针对个体客户的个性化营销策略，从而在提高营销命中率的同时及时有效地识别并抓住稍瞬即逝的营销机会，极大地提高营销运营管理效率。
(2)数据分析促进智能管道运营应用的落实。对于企业来说，智能管道的核心能力在于，根据客户行为，实时为客户推荐并调配网络设备资源。传统数据时代，很难满足智能管道运营的要求，因为涉及的问题与前述客户体验的实时测算一样，由于技术条件限制不可能达到：数据时代，对半结构化机器数据实时采集、处理和分析的技术逐渐成熟，将大大促进智能管道运营管理落实的进程。
其实现原理基本类似于客户体验管理，最大的差别仅在于，智能管道以对客户产品使用行为测算的数据与提供产品的网络设备资源做对应，从而在保证客户体验达标的条件下，充分调配、切割、整合企业的设备网络资源，通过实现资源利用的最高效而达到资源配置的最优化。
(四)IT系统对数据支撑的体系规划和趋势
(2)以职能部门提供整体IT支撑方式向嵌入业务流程实时数据的分散能力支撑方式转变。这种转变趋势又称IT支撑“消费化”趋势。传统数据时代，企业建立数据中心，集中企业层面所有数据，为企业运营管理决策集中提供数据报表、分析甚至挖掘支撑，是公认的高效IT支撑方式；数据时代，数据从支撑企业中高层运营管理决策普及到支撑企业的产品运营、市场运营、客户服务，甚至在智能管道运营全流程中涉及从企业中高层运营管理人员到基层生产执行人员，很明显，这种数据获取和分析能力如果仅集中在IT职能部门，而不是全体人员均结合自身业务需求而具备的话，数据分析驱动的各项运营管理应用即成为不可能的任务。