数据分析的毕业论文选题
内容如下：
1、大数据对商业模式影响
2、大数据下地质项目资金内部控制风险
3、医院统计工作模式在大数据时代背景下改进
4、大数据时代下线上餐饮变革
5、基于大数据小微金融
大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。
题目一定要拟好，题目里至少3个变量，范围要小（否则收集信息很困难）。比如： 《夏达有限公司上市情况调查分析》、老师是统计学教授的话，论文中用到参数估计 “置信区间”分析统计数据 会是个亮点和给分点。你调查上市公司范围很广，信息获取有一定的难度...
寿险行业数据挖掘应用分析寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。数据挖掘数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解(Data Understanding)，数据准备(Data Preparation)，建模(Modeling)，评估(Evaluation)和发布(Deployment)。商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。行业数据挖掘经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。挖掘系统架构挖掘系统包括规则生成子系统和应用评估子系统两个部分。规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
学术堂整理了十五个和大数据有关的毕业论文题目，供大家进行参考：1、大数据对商业模式影响2、大数据下地质项目资金内部控制风险3、医院统计工作模式在大数据时代背景下改进4、大数据时代下线上餐饮变革5、基于大数据小微金融6、大数据时代下对财务管理带来机遇和挑战7、大数据背景下银行外汇业务管理分析8、大数据在互联网金融领域应用9、大数据背景下企业财务管理面临问题解决措施10、大数据公司内部控制构建问题11、大数据征信机构运作模式监管12、基于大数据视角下我国医院财务管理分析13、大数据背景下宏观经济对微观企业行为影响14、大数据时代建筑企业绩效考核和评价体系15、大数据助力普惠金融
数据挖掘与数据分析毕业论文
浅谈数据挖掘技术在企业客户关系管理的应用论文
摘 要：高度开放的中国金融市场，特别是中国银行业市场受到日趋激烈的国外银行冲击和挑战，大多数银行企业都在构建以客户为中心的客户关系管理体系，这一经营体系理念的构建，不仅仅能提高企业的知名度和顾客的满意度，而且能提高企业的经济效益。但是，随着网络技
关键词：客户关系管理毕业论文
高度开放的中国金融市场，特别是中国银行业市场受到日趋激烈的国外银行冲击和挑战，大多数银行企业都在构建以客户为中心的客户关系管理体系，这一经营体系理念的构建，不仅仅能提高企业的知名度和顾客的满意度，而且能提高企业的经济效益。但是，随着网络技术和信息技术的发展，客户关系管理如何能结合数据挖掘技术和数据仓库技术，增强企业的核心竞争力已经成为企业亟待解决的问题。因为，企业的数据挖掘技术的运用能够解决客户的矛盾，为客户设计独立的、拥有个性化的数据产品和数据服务，能够真正意义上以客户为核心，防范企业风险，创造企业财富。
关键词：客户关系管理毕业论文
一、数据挖掘技术与客户关系管理两者的联系
随着时代的发展，银行客户关系管理的发展已经越来越依赖数据挖掘技术，而数据挖掘技术是在数据仓库技术的基础上应运而生的，两者有机的.结合能够收集和处理大量的客户数据，通过数据类型与数据特征，进行整合，挖掘具有特殊意义的潜在客户和消费群体，能够观察市场变化趋势，这样的技术在国外的银行业的客户关系管理广泛使用。而作为国内的银行企业，受到国外银行业市场的大幅度冲击，显得有些捉襟见肘，面对大量的数据与快速发展的互联网金融体系的冲击，银行业缺乏数据分析和存储功能，往往造成数据的流逝，特别是在数据的智能预测与客户关系管理还处于初步阶段。我国的银行业如何能更完善的建立客户关系管理体系与数据挖掘技术相互融合，这样才能使得企业获得更强的企业核心竞争力。
二、数据挖掘技术在企业客户关系管理实行中存在的问题
现今，我国的金融业发展存在着数据数量大，数据信息混乱等问题，无法结合客户关系管理的需要，建立统一而行之有效的数据归纳，并以客户为中心实行客户关系管理。
1.客户信息不健全
在如今的银行企业，虽然已经实行实名制户籍管理制度，但由于实行的年头比较短，特别是以前的数据匮乏。重点体现在，银行的客户信息采集主要是姓名和身份证号码，而对于客户的职业、学历等相关信息一概不知，极大的影响了客户关系管理体系的构建。另外，数据还不能统一和兼容，每个系统都是独立的系统，比如：信贷系统、储蓄系统全部分离。这样存在交叉、就不能掌握出到底拥有多少客户，特别是那些需要服务的目标客户，无法享受到银行给予的高质量的优质服务。
2.数据集中带来的差异化的忧虑
以客户为中心的客户关系管理体系，是建立在客户差异化服务的基础上的，而作为银行大多数以数据集中，全部有总行分配，这样不仅不利于企业的差异化服务，给顾客提供优质得到个性化业务，同时，分行也很难对挖掘潜在客户和分析客户成分提供一手的数据，损失客户的利益，做到数据集中，往往是不明智的选择。
3.经营管理存在弊端
从组织结构上，我国的银行体系设置机构庞杂，管理人员与生产服务人员脱节现象极其普遍，管理人员不懂业务，只是一味的抓市场，而没有有效的营销手段，更别说以市场为导向，以客户为核心，建立客户关系管理体系。大多数的人完全是靠关系而非真正意义上靠能力，另外，业务流程繁琐，不利于客户享受更多的星级待遇，这与数据发掘的运用背道而驰，很难体现出客户关系管理的价值。
三、数据挖掘技术在企业的应用和实施
如何能更好的利用数据挖掘技术与客户关系管理进行合理的搭配和结合是现今我们面临的最大问题。所有我们对客户信息进行分析，利用模糊聚类分析方法对客户进行分类，通过建立个性化的信息服务体系，真正意义的提高客户的价值。
1.优化客户服务
以客户为中心提高服务质量是银行发展的根源。要利用数据挖掘技术的优势，发现信贷趋势，及时掌握客户的需求，为客户提高网上服务，网上交易，网上查询等功能，高度体现互联网的作用，动态挖掘数据，通过智能化的信贷服务，拓宽银行业务水平，保证客户的满意度。
2.利用数据挖掘技术建立多渠道客户服务系统
利用数据挖掘技术整合银行业务和营销环节为客户提供综合性的服务。采用不同的渠道实现信息共享，针对目标客户推荐银行新产品，拓宽新领域，告别传统的柜台服务体系，实行互联网与柜台体系相结合的多渠道服务媒介体系。优化客户关系管理理念，推进营销战略的执行。提高企业的美誉度。
四、数据挖掘技术是银行企业客户关系管理体系构建的基础
随着信息技术的不断发展，网络技术的快速推进，客户关系管理体系要紧跟时代潮流，紧密围绕客户为中心，利用信息优势，自动获取客户需求，打造出更多的个性化、差异化客户服务理念，使得为企业核心竞争能力得到真正意义的提高。
数据挖掘的算法及技术的应用的研究论文
摘要： 数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的, 但又是潜在有用的并且最终可被理解的信息和知识的非平凡过程。任何有数据管理和知识发现需求的地方都可以借助数据挖掘技术来解决问题。本文对数据挖掘的算法以及数据挖掘技术的应用展开研究, 论文对数据挖掘技术的应用做了有益的研究。
关键词： 数据挖掘; 技术; 应用;
引言: 数据挖掘技术是人们长期对数据库技术进行研究和开发的结果。起初各种商业数据是存储在计算机的数据库中的, 然后发展到可对数据库进行查询和访问, 进而发展到对数据库的即时遍历。数据挖掘使数据库技术进入了一个更高级的阶段, 它不仅能对过去的数据进行查询和遍历, 并且能够找出过去数据之间的潜在联系, 从而促进信息的传递。
一、数据挖掘概述
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的, 但又是潜在有用的并且最终可被理解的信息和知识的非平凡过程。
二、数据挖掘的基本过程
(1) 数据选择:选择与目标相关的数据进行数据挖掘。根据不同的数据挖掘目标, 对数据进行处理, 不仅可以排除不必要的数据干扰, 还可以极大地提高数据挖掘的效率。 (2) 数据预处理:主要进行数据清理、数据集成和变换、数据归约、离散化和概念分层生成。 (3) 模式发现:从数据中发现用户感兴趣的模式的过程.是知识发现的主要的处理过程。 (4) 模式评估:通过某种度量得出真正代表知识的模式。一般来说企业进行数据挖掘主要遵循以下流程——准备数据, 即收集数据并进行积累, 此时企业就需要知道其所需要的是什么样的数据, 并通过分类、编辑、清洗、预处理得到客观明确的目标数据。数据挖掘这是最为关键的步骤, 主要是针对预处理后的数据进行进一步的挖掘, 取得更加客观准确的数据, 方能引入决策之中, 不同的企业可能采取的数据挖掘技术不同, 但在当前来看暂时脱离不了上述的挖掘方法。当然随着技术的进步, 大数据必定会进一步成为企业的立身之本, 在当前已经在很多领域得以应用。如市场营销, 这是数据挖掘应用最早的领域, 旨在挖掘用户消费习惯, 分析用户消费特征进而进行精准营销。就以令人深恶痛绝的弹窗广告来说, 当消费者有网购习惯并在网络上搜索喜爱的产品, 当再一次进行搜索时, 就会弹出很多针对消费者消费习惯的商品。
三、数据挖掘方法
1、聚集发现。
聚集是把整个数据库分成不同的群组。它的目的是要群与群之间差别很明显.而同一个群之间的数据尽量相似.聚集在电子商务上的典型应用是帮助市场分析人员从客户基本库中发现不同的客户群, 并且用购买模式来刻画不同客户群的特征。此外聚类分析可以作为其它算法 (如特征和分类等) 的预处理步骤, 这些算法再在生成的簇上进行处理。与分类不同, 在开始聚集之前你不知道要把数据分成几组, 也不知道怎么分 (依照哪几个变量) .因此在聚集之后要有一个对业务很熟悉的人来解释这样分群的意义。很多情况下一次聚集你得到的分群对你的业务来说可能并不好, 这时你需要删除或增加变量以影响分群的方式, 经过几次反复之后才能最终得到一个理想的结果.聚类方法主要有两类, 包括统计方法和神经网络方法.自组织神经网络方法和K-均值是比较常用的`聚集算法。
2、决策树。
这在解决归类与预测上能力极强, 通过一系列的问题组成法则并表达出来, 然后经过不断询问问题导出所需的结果。典型的决策树顶端是一个树根, 底部拥有许多树叶, 记录分解成不同的子集, 每个子集可能包含一个简单法则。
四、数据挖掘的应用领域
市场营销
市场销售数据采掘在销售业上的应用可分为两类:数据库销售和篮子数据分析。前者的任务是通过交互式查询、数据分割和模型预测等方法来选择潜在的顾客以便向它们推销产品, 而不是像以前那样盲目地选择顾客推销;后者的任务是分析市场销售数据以识别顾客的购买行为模式, 从而帮助确定商店货架的布局排放以促销某些商品。
金融投资
典型的金融分析领域有投资评估和股票交易市场预测, 分析方法一般采用模型预测法。这方面的系统有Fidelity Stock Selector, LBS Capital Management。前者的任务是使用神经网络模型选择投资, 后者则使用了专家系统、神经网络和基因算法技术辅助管理多达6亿美元的有价证券。
结论:数据挖掘是一种新兴的智能信息处理技术。随着相关信息技术的迅猛发展, 数据挖掘的应用领域不断地拓宽和深入, 特别是在电信、军事、生物工程和商业智能等方面的应用将成为新的研究热点。同时, 数据挖掘应用也面临着许多技术上的挑战, 如何对复杂类型的数据进行挖掘, 数据挖掘与数据库、数据仓库和Web技术等技术的集成问题, 以及数据挖掘的可视化和数据质量等问题都有待于进一步研究和探索。
参考文献
[1]孟强, 李海晨.Web数据挖掘技术及应用研究[J].电脑与信息技术, 2017, 25 (1) :59-62.
[2]高海峰.智能交通系统中数据挖掘技术的应用研究[J].数字技术与应用, 2016 (5) :108-108.
如何分析毕业论文的数据
请在此输入您的回答，每一次专业解答都将打造您的权威形象数据源：（是什么）研究区域描述：（如果你研究的是区域的话，要写出研究区域你要研究的那一方面的发展概况）数据处理方法：你用了什么方法，仔细描绘，比如怎么选取变量，有无修正参数或部分数据啦等等，怎么检验你处理的方法是否恰当啦
创建论文数据分析计划提示：
1、系统化
学生可以通过将研究数据系统化来开始论文数据分析。收集想法，思考哪些方面是重要的，而哪些会让自己的想法变得混乱。思考自己所收集信息的真正价值，信息的数量不会帮助论文写作，质量更加重要。
2、结构
组织论文分析。对于学生和读者来说，一切都应该非常清楚。无论主题多么复杂，都应该将其分成几部分，并按顺序排列，使人们能够对问题的所有要点有一个很好的了解。每一章都应该是自己的一个小想法。
3、词汇
论文中不应该有自己不理解的任何词汇，因为很可能读者也不会理解。对于不理解的术语，或者在写作过程中学到的术语，应该在创建论文分析时进行解释。
4、因果关系
在收集数据并将材料系统化后，学生应该退后一步，考虑因果关系。应分析关键点的有效性。如果已经做好了系统和结构部分，这应该不会太复杂。
5、重要性
从理论和实践上思考论文的要点。如果不了解大局，就无法制定好的论文数据分析计划，这就是整篇论文的意义所在。
6、简化
最后，论文数据分析计划可以帮助写作。不要浪费太多时间将已经很复杂的任务复杂化。目标应该清晰，过程要简化。
怎样对论文进行分析
怎样对论文进行分析，有时候我们在写论文的时候，会被老师要求先去分析论文的，可是对于从来都没有分析过论文的学生来说，是一件难事的，我和大家一起来看看怎样对论文进行分析的相关资料。
01、 确定研究目标
确定研究目标，看似是一个“伪命题”，我论文的研究方向都定好了，研究目标不就显而易见了嘛。
研究方向只是一个宽泛的概念，具体落实到分析层面，具体要研究什么？得到什么结果？要用什么方法？很多时候我们并没有想清楚。
这里建议大家在开始分析前，先对着自己收集来的数据和问题，列出准备研究的内容。
还记得高中每次考试前语文老师一定会提醒：写作文的时候拿到题目先不要动笔！看清题目，想好了列出提纲再动笔！
数据分析也是如此，分析前制定一个分析框架，可以帮助我们快速捋清思路，不至于漫无目的地乱分析，同时也能节省很多时间。
当然，对于初学者来说，制定一个完整的分析框架比较困难，建议大家多参考一些领域内的专业文献，看看其他人是如何设计分析的。
SPSSAU也提供几类常见的分析框架，研究者可以结合自己的问卷类型进行选择。
SPSSAU-量表型问卷
SPSSAU-非量表型问卷
两个注意点：
① 框架的核心不要偏离研究主题，所做的任何分析都是为研究主题服务，因此一定注意避免出现与主线不相干的内容。
②在这一步中，可以先不去管具体要用哪种分析方法，如何分析。更重要的是，先搞清想分析什么。
比如，问卷调查里，一开始的几道题基本都是对研究对象个人信息的收集。
第一，可对研究对象的性别、年龄、学历等个人信息进行简单统计。
第二，可用个人信息与核心研究项联系到一起，分析不同背景的人群对核心研究项的态度或行为是否有差异。
02、 判断数据类型
有了基本框架后，就要进入到具体的分析方法选择阶段。
判断数据类型是第一步，在SPSSAU之前的文章中，对此都有详细的说明，这里不再重复。
03、 选择分析方法
在完成上面的步骤后，基本上已经完成对数据部分的了解，下面就需要结合数据类型，选择对应的分析方法。
对单个题的统计分析比较简单，主要困扰大家的是对于两个题或多个题的关系研究如何选出正确的分析方法。
变量的关系最常见有：相关关系、影响关系、差异关系，及其他关系。
SPSSAU的建议是：先用一句话描述研究内容，话里面拆开成X和Y：然后结合X与Y的数据类型进行选择。
根据X和Y的'个数，以及方法功能，分成几个表格汇总如下：
注：单变量意为分析只涉及一个分析项X（变量）。
注：分析涉及1个自变量X和一个因变量Y。
每种方法的使用场景不是固定不变的，这里的只提供最常用的说明，帮助初学者快速了解，更深入的方法介绍请参考SPSSAU帮助手册说明，以及SPSSAU视频教程。
确定方法之后，可使用spssau系统进行分析，分析界面也是区分了X、Y。将标题放置到对应位置即可分析得出结果。
总结
最后我们再回顾一遍整个方法选择的流程：
选择分析框架→判断变量的数据类型→表格查找分析方法→开始分析
同时要提醒一点，在分析前要有意识的剔除无效数据（如一个人重复填写，明显的异常值等），以保证结果的准确性。
1、什么是论文分析
我们在分析论文前，首先要了解分析的含义，分析是分解文学作品，独立解决每个观点。当我们分析一篇论文时，主要目标是要确保用户在没有太多争议的情况下来获得主要观点。在分析论文时展现批判性的思维能力，在分析中必须要对某一些事情作出判断，然后得出结论，只有这样在完成论文后才能说服用户已经读过该篇论文。
2、分析论文的要点
总结论文的主要内容，刚开始写论文分析时，我们要对论文中的要点进行一个总结，让大家能够理解论文的全部内容。摘要是作为论文大纲的概述，但不是主要的分析点，只是用来指导用户简要理解论文的内容。作者在论文中提出的主要论点以及论据，这才是分析的开始，我们需要通过分析作品来给出证据来证明论文内容，还应该找出缺陷。因为只有越有说服力的论文内容，这样才更加突出。论文查重系统怎么进行选择？
3、论文分析格式
最后我们需要了解，用户要提出适合他们的语气，必须确保了解用户群体。毕业论文主要的用户是导师，所以必须很正式。在上课时，我们可以分析一篇论文，需要向了解用户群体将有助于了解如何分析论文。在写论文之前，那么首先的一个步骤就是要阅读分析论文，应该多次阅读，然后积累我们的知识，如果对论文的理解不够的话，那么就无法对论文进行分析。所以做好论文前的准备工作也是非常重要的。
毕业论文的问卷数据分析
数据有两个基本类型：定性数据和定量数据。定性数据是指非数值类别的数据（因此，定性数据有时也称为分类数据）。例如，眼睛颜色属于定性数据，因为眼睛颜色分为蓝色、棕色、淡褐色等。其他的定性数据包括冰激凌的口味、雇员的姓名、动物的性别，以及电影和餐馆的等级，如不好、一般、好、非常好。定量数据代表一定的数量或尺度，它是有数值的。例如，运动员在比赛中跑步的时间、大学毕业生的收入，以及不同班级的学生人数等。
对于包含量表的问卷，一般应进行信度和效度分析，非量表问卷可以用文字描述，无论何种类型的问卷，都应该在本文中表达出来，以证明数据质量的可靠性。
如果它是一个休闲，通常需要进行预测试验，即发出问卷大约球迷，进行信度和效度分析，和1653年修改或删除项目较低的可靠性和有效。
以促进研究人员进行一定程度的调整的初步问卷形成最终版本，当然正式学习还是要做信度和效度分析。
扩展资料：
注意事项：
问卷作为论文的附件，以及其他附件，如学校出具的介绍信等，不属于Turnitinrules的review。
当然借用别人的风格是可以的，但你必须做出一些调整，否则即使查得很重，别人以后发现还是有麻烦。只要数据和文章的内容不一样
毕业论文为大专以上学历学生的专业集中的科研训练，要求学生在毕业前撰写论文，一般安排在最后一个学年（学期）。
学生需要在老师的指导下选择一个研究主题，撰写并提交一篇论文。目的是培养学生的科研能力，综合运用所学的知识、理论和技能，加强解决实际问题的训练，从整体上考察学生在大学学习中的学术水平。
问卷题目设计会直接影响数据质量，前期做好问卷设计很重要的。
如果希望研究差异关系，可使用卡方检验、方差分析等。如研究影响关系可能用到相关分析、回归分析等。如果想对样本分类，可能会用到聚类分析等方法。spssau的分析结果里支持智能文字分析，再结合你的专业知识扩展讨论部分。
如果没有问卷设计或分析思路，可以参考SPSSAU里的问卷设计思路模板。
根据问卷分析结果去整理讨论部分的内容
毕业论文excel数据分析
抱歉，刚看到你的求助。问卷星给出的只是两个变量交互的列联表，只是不同群体的人数和比例，还不能判断出两个变量之间的关系，需要通过统计软件做显著性检验才行。另外，需要别人帮忙做的话，大多是要收费的。
这个应该是没有问题的，数据都是一样的，中介软件不同而已，最会数据带入的都是自己算法中的，不会对计算结果产生影响。实证分析是指排除了主观价值判断，只对经济现象、经济行为或经济活动及其发展趋势做客观分析，只考虑经济事物间相互联系的规律，并根据这些规律来分析和预测人们经济行为的效果。实证分析简言之就是分析经济问题“是什么”的研究方法。侧重研究经济体系如何运行,分析经济活动的过程、后果及向什么方向发展,而不考虑运行的结果是否可取。实证分析法在一定的假定及考虑有关经济变量之间因果关系的前提下,描述、解释或说明已观察到的事实,对有关现象将会出现的情况做出预测。客观事实是检验由实证分析法得出结论的标准。
同学你好，你这个可以制作成网上问卷，您一共有37道单选题，每个单选题的答案都是一样，你完全可以做成量表题，或者是单选矩阵题。如下图所示：
只要反馈收集完毕后，就可以第一时间把分析结果统计出来。另外，excel导出的统计分析结果也和下图类似。
下图是我用的是量表题做的一个实例，希望对你有帮助。
1.访问 Office Online 网站。
为了最大限度地正常访问，我的经验是从 打开 Office Online比较保险。
2.打开 Excel app。
Excel app 拥有与 Excel 2013 类似的欢迎界面，可以用各种模板新建表格，也可以打开最近使用过的表格。
注：虽然与 2013 界面类似，但功能可相差太远了。不过基本的功能倒是挺全，有些功能，2013 还不一定有。
3.新建调查。
新建一个空白表格，可以看到在开始选项卡-->表组，有个调查按钮。单击按钮-->新建调查，弹出编辑调查向导窗口，我们可以开始准备调查问卷了。
4.设计、输入问卷。
输入调查标题，然后逐个输入问题。
每个问题都由问题、问题副标题、响应类型、必需（是否必填）、默认回答等项目组成，其中响应类型包括文本、段落文字、数字、日期、时间、是/否、选择等多种，可以说基本上涵盖了在线调查问题类型的几乎全部需求。
注：在问卷设计完成后，Excel Online 自动生成了一个以问卷问题为标题栏的表格，等待问卷结果的传来。
5.发布调查链接。
单击问卷编写页面的共享调查，弹出创建调查共享链接的向导。
调查链接创建完成后，复制该链接，通过网页、邮件、社交工具等进行发布，任何打开此链接的人均可提交答卷。
也就是说，可以匿名答卷、无需登录，这样就给大范围的调查提供了便利。
6.匿名用户提交答卷。
本步骤用另一个浏览器，在不登录的情况下打开第 5 步骤中生成的调查共享链接，并答卷、提交，非常顺利。
Online 自动汇总调查结果。
每当有一名用户提交了答卷，在第 4 步骤中生成的问卷表格就会自动增加一行，该行的内容正是用户刚刚提交的问卷内容。
当调查结束，可以导出 xlsx 到本机，也可以继续保持在线，利用 Excel 强大的数据分析功能，对调查结果想怎么分析都行了。