内容简介 · · · · · ·
数据分析不是某个固定的职位,而是人工智能时代的通用能力。你会看到各行业的招聘中都会要求应聘者具备数据分析能力。所以,具备数据分析能力可以极大地提升你在职场中的竞争力。
然而,很多人掌握了数据分析工具(如Excel、SQL、Python等),面对工作还是不知道如何展开分析,经常会遇到下面这些问题:
(1)手里拿了一堆数据,却不知道怎么去利用;
(2)业务部门不满意,总觉得你分析得不深入;
(3)准备面试或找到新工作后,不知道如何快速掌握该行业的业务知识。
本书可以帮助从事数据分析相关工作的读者解决以上问题,具备数据分析的能力。本书分为两篇,第一篇为“方法”,介绍了指标、分析方法以及如何用数据分析解决问题。
第二篇为“实战”,介绍如何应用第一篇的方法来解决工作中的问题。我们将在这一篇分享 来自不同行业的业务知识,以及如何用数据分析解决问题的案例,每一章都...
数据分析不是某个固定的职位,而是人工智能时代的通用能力。你会看到各行业的招聘中都会要求应聘者具备数据分析能力。所以,具备数据分析能力可以极大地提升你在职场中的竞争力。
然而,很多人掌握了数据分析工具(如Excel、SQL、Python等),面对工作还是不知道如何展开分析,经常会遇到下面这些问题:
(1)手里拿了一堆数据,却不知道怎么去利用;
(2)业务部门不满意,总觉得你分析得不深入;
(3)准备面试或找到新工作后,不知道如何快速掌握该行业的业务知识。
本书可以帮助从事数据分析相关工作的读者解决以上问题,具备数据分析的能力。本书分为两篇,第一篇为“方法”,介绍了指标、分析方法以及如何用数据分析解决问题。
第二篇为“实战”,介绍如何应用第一篇的方法来解决工作中的问题。我们将在这一篇分享 来自不同行业的业务知识,以及如何用数据分析解决问题的案例,每一章都从业务模式、业务指标、案例分析三个方面展开。
通过本书的学习,你会熟悉数据分析的方法,并将其灵活应用在自己所处的行业中。这样当你在工作中遇到新的问题时,也能够知道如何展开分析。
作者简介 · · · · · ·
本书由猴子·数据分析学院的成员共同编写。
猴子,中国科学院大学硕士,“猴子·数据分析学院”创始人,公众号“猴子数据分析”创始人,前IBM工程师。其“分析方法”课程入围知乎年度口碑榜TOP 10,首创的“闯关游戏学习数据分析模式”深受用户喜欢。
目录 · · · · · ·
第1章 业务指标
1.1 如何理解数据?
1.2 常用的指标有哪些?
1.2 如何选择指标?
1.4 指标体系和报表
第2章 分析方法
2.1 5W2H分析方法
2.2 逻辑树分析方法
2.3 行业分析方法
2.4 多维度拆解分析方法
2.5 对比分析方法
2.6 假设检验分析方法
2.7 相关分析方法
2.8 群组分析方法
2.9 RFM分析方法
2.10 AARRR模型分析方法
2.11 漏斗分析方法
第3章 用数据分析解决问题
3.1 数据分析解决问题的过程
3.2 如何明确问题?
3.3 如何分析原因?
3.4 如何提出建议?
3.5 总结
第2篇 实战
第4章 国内电商行业
4.1 业务知识
4.2 案例分析
第5章 跨境电商行业
5.1 业务知识
5.2 案例分析
第6章 金融信贷行业
6.1 业务知识
6.2 案例分析
第7章 金融第三方支付行业
7.1 业务知识
7.2 案例分析
第8章 家政行业
8.1 业务知识
8.2 案例分析
第9章 旅游行业
9.1 业务知识
9.2 案例分析
第10章 在线教育行业
10.1 业务知识
10.2 案例分析
第11章 运营商行业
11.1 业务知识
11.2 案例分析
第12章 内容行业
12.1 业务知识
12.2 案例分析
第13章 房产行业
13.1 业务知识
13.2 案例分析
第14章 汽车行业
14.1 业务知识
14.2 案例分析
第15章 零售行业
15.1 业务知识
15.2 案例分析
附录 常见的业务面试题
参考文献
· · · · · · (收起)
喜欢读"数据分析思维"的人也喜欢的电子书 · · · · · ·
喜欢读"数据分析思维"的人也喜欢 · · · · · ·
数据分析思维的话题 · · · · · · ( 全部 条 )



数据分析思维的书评 · · · · · · ( 全部 38 条 )

理论和实践相结合的好书

内容通俗易懂,适合实际应用的小白

推荐我的第一本数据分析书
这篇书评可能有关键情节透露
推荐猴子老师著的《数据分析思维》,特别适合我这种想在数据分析方面提升但苦于无方法的人,也适用于想做数据分析工作或者数据分析转行的小伙伴们! 本书使用理论与实践想结合,其中方法篇告诉业务指标有哪些,可以使用哪些方法,数据分析解决问题流程,让我具有数据分析的框架... (展开)> 更多书评 38篇
-
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。 在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间...
2021-06-17 20:18:23 2人喜欢
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。
在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间内的再次购买。体现在时间段的不同上,但是核心都是再次购买。
在分析某些大促的营收降低的sample里,经常会关注用户的回购情况,即在大节前购买的用户是否还会在此次大促购买,成为分析老用户的关键点。
回应 2021-06-17 20:18:23 -
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》数据分析解决问题的三步走: 1、明确问题 明确数据来源和准确性,明确业务指标统计口径,由此确定具体问题是什么。 2、分析原因 1)、多维度拆解分析法,将大问题分而治之拆成小问题; 2)、假设检验分析方法和对比分析方法,定位有问题的那一part; 3)、相关分析法分析为什么出现了这个问题,寻根究底。 3、提出建议 回归分析或者AARRR模型分析方法。 在分析解决问题的过程...
2021-06-16 18:19:21 2人喜欢
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》数据分析解决问题的三步走:
1、明确问题
明确数据来源和准确性,明确业务指标统计口径,由此确定具体问题是什么。
2、分析原因
1)、多维度拆解分析法,将大问题分而治之拆成小问题;
2)、假设检验分析方法和对比分析方法,定位有问题的那一part;
3)、相关分析法分析为什么出现了这个问题,寻根究底。
3、提出建议
回归分析或者AARRR模型分析方法。
在分析解决问题的过程中,数据分析师首先要确定的是这个所谓的业务方提出来的问题是不是真正的问题,有时候只是统计口径不一致,或者业务方遗漏了一些细节,使数据看起来不那么正确。
其次,也是数据分析的痛点,如何提出建议?要提出一个好的建议,一定是基于对业务的深刻理解的,然后建议如果能有自己对应的数据为佐证,且说明采取了什么建议预期将达到什么样的效果,那就是更优秀的了。我理解这一part需要不断磨练和尝试。
分析原因,大家都会;给出建议,就很难了。
回应 2021-06-16 18:19:21 -
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》从事数据一段时间后,与零经验看数据分析相关书籍的感受应该有很大的不同,遇到特定知识点,会有一种“哦,原来我用的是这种知识”“哦,原来我还应该这样做”等等这样的感慨。整理下对自己来说挺有收获的一些点: 1、通常将数据分为3类:用户数据(我是谁)、行为数据(我做了什么)、产品数据(卖什么)。 2、如何建立指标体系: 1)、确定部门核心OKR,制定一级指标; 2...
2021-06-15 17:15:28 2人喜欢
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》从事数据一段时间后,与零经验看数据分析相关书籍的感受应该有很大的不同,遇到特定知识点,会有一种“哦,原来我用的是这种知识”“哦,原来我还应该这样做”等等这样的感慨。整理下对自己来说挺有收获的一些点:
1、通常将数据分为3类:用户数据(我是谁)、行为数据(我做了什么)、产品数据(卖什么)。
2、如何建立指标体系:
1)、确定部门核心OKR,制定一级指标;
2)、根据子部门关注的核心数据,一级指标拆分为二级指标;
3)、从业务执行层出发,将二级指标拆解为可执行落地更直接的三级指标;
4)、搭建报表监控指标数据,根据业务反馈和执行情况不断更新指标体系。
3、逻辑树分析方法,常用来解决类似“预估南京种了多少棵梧桐树”的问题,即问题拆解或者分而治之的解决问题思路。
4、多维度拆解分析方法,经常从指标构成和业务流程两个角度来展开;
5、对比分析法,两个层面:和谁比和比什么。和谁比:和自己、和行业;比什么:数据整体大小、数据波动和数据变化趋势。
6、假设检验过程中,提出假设的角度可以参考三种思路:
1)、从用户、产品、竞品三个角度,也就是运营、产品和市场三个部门;
2)、4P营销理论:产品、价格、渠道、促销;
3)、从业务流程,即多维度分析方法。
7、相关关系不是因果关系,要判断两者是相关还是因果,可以采用控制变量法。
8、群组分析方法还挺精妙的,用于分析不同时期不同特征群组的某些表现,来得到结论,常用语留存矩阵、流失矩阵和金融逾期分析。
回应 2021-06-15 17:15:28 -
郭小少 (人生的意义是自我编织的)
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分: 第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。 第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。 第三部...2022-03-01 16:15:05
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分:
第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。
第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。
第三部分,在你知道什么是数据分析师后,你还要在这个行业里深耕,那么我们需要掌握哪些技能?未来的职业之路又该如何成长?
第四部分,作为一个数据分析师,我们需要在哪里去获取数据,了解这个行业最新的分析方法,有时间可以看看同行优秀的分析报告,这样,我们才能不断成长。
一、推荐阅读的书
《大数据时代》《数据分析思维》《精益数据分析》《金字塔原理》《模型思维》
《大数据时代》是我在这本书上市的第二年看的,当时我在富士康做企划生管的工作。当时这本书应该是上了一个阅读的榜单,在富士康的内网里看到这本书的推荐,推荐这本书的人是富士康老板郭台铭。当时我就去当当网买了这本书的纸质版。看完之后感觉很震撼,很认同里面的观点。如果说我们当社会是靠石油能源推动的,那么未来的社会一定是靠大数据推动的。
这本书现在已经上市十年,很多事情都已经得到验证。比如现在的短视频的推荐算法,靠的是大数据;现在的电商运营依靠的是大数据;广告的营销、推广依靠大数据。可以说大数据在知行各业的存在就像空气和水,你感觉不到,但它却是生命的源泉。这本书的评分虽然不是特别高,只有7.5分,但它非常具有启发意义。
第二本书叫《数据分析思维》,这是我读过最通俗易懂的数据分析书。十年前我读完大数据时代之后,觉得数据行业一定大有可为,但那时我并不知道如何参与期中,直到后来我在得到看到了猴子,知道了这本《数据分析思维》。这篇文章的大纲也是来源于这本书,带你认识数据分析这个行业,告诉你需要掌握数据分析的知识和技能,还教你在这个行业里如何成长。
第三本叫《精益数据分析》,当你拥有了数据分析思维,熟悉了基础的分析方法后,还需要对分析的方法不断打磨精进。这个过程是一个不断提升自己认知颗粒度的过程。开始入门时你知道了常用的分析方法,知道分析思路,对于入门来说已经够了。便如果你需要在这个行业里精进,你需要对不同分析方法的精确把握,不同的分析需求如何去调分析中的细微差别。
第四本叫《金字塔原理》。好玩的是,我第一次看这本书的目的并不是为了学习数据分析,而是为了学习写作。这本书不仅是教你如何写作和表达,更重要的是它教会你结构化思考,它是数据分析必须训练的逻辑能力。
第五本书叫《模型思维》,这本书的作者是密歇根大学复杂性研究中心“掌门人”斯科特·佩奇。写这本书从大纲到定稿作者就用了七年的时间。这是一本能提升你推理、解释、设计、沟通、行动、预测和探索能力的书,它教会你应用模型集合去理解复杂现象,不管是否从事数据分析都非常推荐读一下这本书。
二、为什么要学习数据分析?
为什么学习数据分析师?每个人答案可能都不一样,但对于我来说,不管是创业还是职场它都是通用能力;另外一点它是零基础成为人工智能领域人才的必经之路。也就是说如果说未来你想从事人工智能方面的工作,那么数据分析是你的一座桥梁。
前段时间看过一本书叫《遥远的救世主》。其中提到一个词叫文化属性。很多国家和群体声称自己有文化,但是他们都忘了问自己,我们的文化是强者文化?还是弱者文化?是尊重客观事实的文化还是神明至上的文化?
强者文化造就强者,弱者文化造就弱者。在《遥远的救世主》中,贫困的王庙村却有着一个金碧辉煌的教堂。在他们的观念里,天可以救他们,地可以救他们,神明可以救他们。靠天靠地靠神明,就是不能靠自己,这种文化不可能造就强者。
与之相反的是尊重客观事实的文化。尊重科学、尊重事实,而事实和科学就是建立在数据分析的基础之上的。
三、数据分析师需要的技能及成长
数据分析师分为:初级数据分析师、中级数据分析师和高级数据分析师。
数据分析的理论和统计学息息相关,可以说是数据分析的一个底层逻辑。如果在数据分析的学习上遇到天花板,可以考虑调转船头去研究统计学,说不定能帮你突破数据分析的瓶颈。
数据分析师的日常工作就是:监控、分析、建议和沟通。
3.1初级数据分析师需要掌握的技能:
3.1.1对业务指标的理解:每个行业都有自己的关键指标,对于初学者来说,需要理解业务指标的基本含义。
常用的指标分为:用户数据指标(日新增用户、活跃率、留存率)、行为数据指标(pv、uv、转发率、转化率、K因子)、产品数据指标【总量(成交总额-成交数量-访问时长)、人均(人均付费、付费用户人均付费、人均访问时间)付费(付费率、复购率)】、推广付费指标(展示次数付费CPM、点击次数付费CPC、投放效果付费CPA、下载数付费CPD、安装次数付付CPI、销售额付费CPS)。
各行业指标参考:
电商行业:新(老)用户点比、新(老)用户金额占比、复购率、平均复购周期、回购率、点击率、点击转化率坏、访客(uv)、加购数、收藏数、成交总额(GMV)、购买转化率、支付转化率、折扣率、拒退量、拒退额、实销额、SPU、SKU、备货值、售卖比、动销率等。
金融信贷行业:申请用户数、放款用户数、复借用户数、复借率、审批通过率、逾期率、催回率、坏账率、vintage30+等。
金融第三方支付行业:业务员业产能、审核通过率、活跃商家数、交易笔数、交易率、终端产品损耗率等。
家政行业:转化率、使用率、售后率等。
旅游行业:下单人数、出游人数、人均团费、复购率、转化率、投拆率等。
在线教育行业:点击次数、点击率、点进概率、弹出率、付费转化率、人均付费(ARPU)、付费用户人均付费(ARPPU)、出勤率、完课率、评价数、好评率等。
运营商行业:出账用户数、用户保有率、收入保有率、用户留失率、项目增收、外呼用户数、接通率、有效接通率、接通办理率、外呼渗透率等。
内容平台行业:内容生产用户数、内容生产者比例、更新频率、内容曝光用户数、人均曝光次数、内容平均点击数、内容曝光点击率、完成阅读率、评论用户数、用户评论率、内容分享用户数、内容分享率、内容生产价值等。
房地产平台行业:房源量、环比上月、额外付费购买率、房源浏览量、收藏量、咨询量、净推荐值等。
汽车行业:线索数、跟进率、进件数、信审通过率、签约待支付数、合同签约数、交车数等。
零售行业:完成率、退货率、折扣率、库龄、周转率、周转天数、存销比、坪效、SKU、动销比、售罄率、订单执行率、费率比、毛利率、净利率。
3.1.2如何建立指标体系?首先根据部门KPI找到一级指标,其次了解业务情况找到二级指标,最后梳理业务流程找到三级指标。
3.1.3常用的分析方法有哪些?
常用的分析法:5W2H分析法、逻辑树分析法、行业分析法、多维度拆解分析法、对比分析法、假设分析法、相关分析法、群组分析法、RFM分析法、AARRR模型分析法、漏斗分析法。
3.1.4如何利用数据分析解决问题?
首先是明确问题,其次是分析问题,最后是基于分析给出建议。
3.1.5数据分析师需要掌握的软件工具:
EXCEL:数据清洗(数据重复、数据抽取:left-right-mid、数据计算:average-sum-max-min-date-if-or-countif)、数据分析(数据汇总、描述统计分析、多表关联查询)、数据可视化(散点图、折线图、柱状图、条形图)。
3.2中级数据分析师需要掌握哪些技能?
3.2.1 商业智能BI
商业智能BI是一种可视化工具,把数据导入到软件可可以快速实现数据可视化。常用的软件有:Power BI、Tableau、帆软。
3.2.2 数据库SQL
简单查询:获取数据语句select、条件查询语句where、逻辑运算符。
汇总分析:行数cornt、数据求和sum、数据平均avg、最大数值max、最小数值min、汇总group by、指定条件查询having。
复杂查询:多行子查询in-nay-all、单一值比较运算between、关联子查询。窗口函数高级功能:排名问题、TopN问题、累计求和问题、分组比较问题。
3.3高级数据分析师需要掌握哪些技能?
Python 数据分析工具
Python基础语法:数据类型、容器、函数、条件判断、循环。
Python工具包:数据分析包numpy,pandas、可视化图形包matplotlib、机器学习包scikit-learn等。
能够用Python操作数据,进行数据清洗,数据抽取,数据可视化等。
四、推荐的数据网站
4.1大数据导航
4.2腾讯大数据
4.3阿里研究院
4.4易观分析
4.5艾媒网
回应 2022-03-01 16:15:05
-
郭小少 (人生的意义是自我编织的)
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分: 第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。 第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。 第三部...2022-03-01 16:15:05
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分:
第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。
第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。
第三部分,在你知道什么是数据分析师后,你还要在这个行业里深耕,那么我们需要掌握哪些技能?未来的职业之路又该如何成长?
第四部分,作为一个数据分析师,我们需要在哪里去获取数据,了解这个行业最新的分析方法,有时间可以看看同行优秀的分析报告,这样,我们才能不断成长。
一、推荐阅读的书
《大数据时代》《数据分析思维》《精益数据分析》《金字塔原理》《模型思维》
《大数据时代》是我在这本书上市的第二年看的,当时我在富士康做企划生管的工作。当时这本书应该是上了一个阅读的榜单,在富士康的内网里看到这本书的推荐,推荐这本书的人是富士康老板郭台铭。当时我就去当当网买了这本书的纸质版。看完之后感觉很震撼,很认同里面的观点。如果说我们当社会是靠石油能源推动的,那么未来的社会一定是靠大数据推动的。
这本书现在已经上市十年,很多事情都已经得到验证。比如现在的短视频的推荐算法,靠的是大数据;现在的电商运营依靠的是大数据;广告的营销、推广依靠大数据。可以说大数据在知行各业的存在就像空气和水,你感觉不到,但它却是生命的源泉。这本书的评分虽然不是特别高,只有7.5分,但它非常具有启发意义。
第二本书叫《数据分析思维》,这是我读过最通俗易懂的数据分析书。十年前我读完大数据时代之后,觉得数据行业一定大有可为,但那时我并不知道如何参与期中,直到后来我在得到看到了猴子,知道了这本《数据分析思维》。这篇文章的大纲也是来源于这本书,带你认识数据分析这个行业,告诉你需要掌握数据分析的知识和技能,还教你在这个行业里如何成长。
第三本叫《精益数据分析》,当你拥有了数据分析思维,熟悉了基础的分析方法后,还需要对分析的方法不断打磨精进。这个过程是一个不断提升自己认知颗粒度的过程。开始入门时你知道了常用的分析方法,知道分析思路,对于入门来说已经够了。便如果你需要在这个行业里精进,你需要对不同分析方法的精确把握,不同的分析需求如何去调分析中的细微差别。
第四本叫《金字塔原理》。好玩的是,我第一次看这本书的目的并不是为了学习数据分析,而是为了学习写作。这本书不仅是教你如何写作和表达,更重要的是它教会你结构化思考,它是数据分析必须训练的逻辑能力。
第五本书叫《模型思维》,这本书的作者是密歇根大学复杂性研究中心“掌门人”斯科特·佩奇。写这本书从大纲到定稿作者就用了七年的时间。这是一本能提升你推理、解释、设计、沟通、行动、预测和探索能力的书,它教会你应用模型集合去理解复杂现象,不管是否从事数据分析都非常推荐读一下这本书。
二、为什么要学习数据分析?
为什么学习数据分析师?每个人答案可能都不一样,但对于我来说,不管是创业还是职场它都是通用能力;另外一点它是零基础成为人工智能领域人才的必经之路。也就是说如果说未来你想从事人工智能方面的工作,那么数据分析是你的一座桥梁。
前段时间看过一本书叫《遥远的救世主》。其中提到一个词叫文化属性。很多国家和群体声称自己有文化,但是他们都忘了问自己,我们的文化是强者文化?还是弱者文化?是尊重客观事实的文化还是神明至上的文化?
强者文化造就强者,弱者文化造就弱者。在《遥远的救世主》中,贫困的王庙村却有着一个金碧辉煌的教堂。在他们的观念里,天可以救他们,地可以救他们,神明可以救他们。靠天靠地靠神明,就是不能靠自己,这种文化不可能造就强者。
与之相反的是尊重客观事实的文化。尊重科学、尊重事实,而事实和科学就是建立在数据分析的基础之上的。
三、数据分析师需要的技能及成长
数据分析师分为:初级数据分析师、中级数据分析师和高级数据分析师。
数据分析的理论和统计学息息相关,可以说是数据分析的一个底层逻辑。如果在数据分析的学习上遇到天花板,可以考虑调转船头去研究统计学,说不定能帮你突破数据分析的瓶颈。
数据分析师的日常工作就是:监控、分析、建议和沟通。
3.1初级数据分析师需要掌握的技能:
3.1.1对业务指标的理解:每个行业都有自己的关键指标,对于初学者来说,需要理解业务指标的基本含义。
常用的指标分为:用户数据指标(日新增用户、活跃率、留存率)、行为数据指标(pv、uv、转发率、转化率、K因子)、产品数据指标【总量(成交总额-成交数量-访问时长)、人均(人均付费、付费用户人均付费、人均访问时间)付费(付费率、复购率)】、推广付费指标(展示次数付费CPM、点击次数付费CPC、投放效果付费CPA、下载数付费CPD、安装次数付付CPI、销售额付费CPS)。
各行业指标参考:
电商行业:新(老)用户点比、新(老)用户金额占比、复购率、平均复购周期、回购率、点击率、点击转化率坏、访客(uv)、加购数、收藏数、成交总额(GMV)、购买转化率、支付转化率、折扣率、拒退量、拒退额、实销额、SPU、SKU、备货值、售卖比、动销率等。
金融信贷行业:申请用户数、放款用户数、复借用户数、复借率、审批通过率、逾期率、催回率、坏账率、vintage30+等。
金融第三方支付行业:业务员业产能、审核通过率、活跃商家数、交易笔数、交易率、终端产品损耗率等。
家政行业:转化率、使用率、售后率等。
旅游行业:下单人数、出游人数、人均团费、复购率、转化率、投拆率等。
在线教育行业:点击次数、点击率、点进概率、弹出率、付费转化率、人均付费(ARPU)、付费用户人均付费(ARPPU)、出勤率、完课率、评价数、好评率等。
运营商行业:出账用户数、用户保有率、收入保有率、用户留失率、项目增收、外呼用户数、接通率、有效接通率、接通办理率、外呼渗透率等。
内容平台行业:内容生产用户数、内容生产者比例、更新频率、内容曝光用户数、人均曝光次数、内容平均点击数、内容曝光点击率、完成阅读率、评论用户数、用户评论率、内容分享用户数、内容分享率、内容生产价值等。
房地产平台行业:房源量、环比上月、额外付费购买率、房源浏览量、收藏量、咨询量、净推荐值等。
汽车行业:线索数、跟进率、进件数、信审通过率、签约待支付数、合同签约数、交车数等。
零售行业:完成率、退货率、折扣率、库龄、周转率、周转天数、存销比、坪效、SKU、动销比、售罄率、订单执行率、费率比、毛利率、净利率。
3.1.2如何建立指标体系?首先根据部门KPI找到一级指标,其次了解业务情况找到二级指标,最后梳理业务流程找到三级指标。
3.1.3常用的分析方法有哪些?
常用的分析法:5W2H分析法、逻辑树分析法、行业分析法、多维度拆解分析法、对比分析法、假设分析法、相关分析法、群组分析法、RFM分析法、AARRR模型分析法、漏斗分析法。
3.1.4如何利用数据分析解决问题?
首先是明确问题,其次是分析问题,最后是基于分析给出建议。
3.1.5数据分析师需要掌握的软件工具:
EXCEL:数据清洗(数据重复、数据抽取:left-right-mid、数据计算:average-sum-max-min-date-if-or-countif)、数据分析(数据汇总、描述统计分析、多表关联查询)、数据可视化(散点图、折线图、柱状图、条形图)。
3.2中级数据分析师需要掌握哪些技能?
3.2.1 商业智能BI
商业智能BI是一种可视化工具,把数据导入到软件可可以快速实现数据可视化。常用的软件有:Power BI、Tableau、帆软。
3.2.2 数据库SQL
简单查询:获取数据语句select、条件查询语句where、逻辑运算符。
汇总分析:行数cornt、数据求和sum、数据平均avg、最大数值max、最小数值min、汇总group by、指定条件查询having。
复杂查询:多行子查询in-nay-all、单一值比较运算between、关联子查询。窗口函数高级功能:排名问题、TopN问题、累计求和问题、分组比较问题。
3.3高级数据分析师需要掌握哪些技能?
Python 数据分析工具
Python基础语法:数据类型、容器、函数、条件判断、循环。
Python工具包:数据分析包numpy,pandas、可视化图形包matplotlib、机器学习包scikit-learn等。
能够用Python操作数据,进行数据清洗,数据抽取,数据可视化等。
四、推荐的数据网站
4.1大数据导航
4.2腾讯大数据
4.3阿里研究院
4.4易观分析
4.5艾媒网
回应 2022-03-01 16:15:05 -
https://www.yearbookchina.com
2021-11-11 14:36:05
-
数据分析思维:分析方法和业务知识 猴子·数据分析学院 46个笔记 ◆ 1.1 如何理解数据? >> 第1步,弄清楚数据里每一列的含义。例如拿到一份Excel数据,要理解清楚每一列表示什么意思。不懂的地方,要和数据提供方沟通清楚。第2步,对数据进行分类,有助于后期的分析。通常将数据分为3类:用户数据(我是谁)、行为数据(我做 >> 用户数据是指用户的基本情况,包括姓名、性别、邮箱、年龄、家庭住址、教育水平、职...
2021-09-13 12:46:52
数据分析思维:分析方法和业务知识
猴子·数据分析学院
46个笔记
◆ 1.1 如何理解数据?
>> 第1步,弄清楚数据里每一列的含义。例如拿到一份Excel数据,要理解清楚每一列表示什么意思。不懂的地方,要和数据提供方沟通清楚。第2步,对数据进行分类,有助于后期的分析。通常将数据分为3类:用户数据(我是谁)、行为数据(我做
>> 用户数据是指用户的基本情况,包括姓名、性别、邮箱、年龄、家庭住址、教育水平、职业等。
>> 行为数据是记录用户做过什么的数据。例如淘宝上,用户行为可以是用户在某个产品页面的停留时间、浏览过哪些产品、购买了哪些产品等。
>> 一个平台里的东西都可以看作产品,例如淘宝里的商品、优酷上的视频、公众号里的文章都可以看作产品。产品数据包括产品名称、产品类别、产品评论、库
>> 存等。
>> 有些数据从不同角度来看,可以属于不同的分类。例如,对于文章的收藏量而言,收藏是一个行为,那么收藏量可以看作是行为数据;另外,收藏是产品被收藏,那收藏量也可以看作是产品数据。
◆ 1.2 常用的指标有哪些?
>> 现代管理学之父彼得·德鲁克提出用管理促进企业增长(图1-3),他讲过一句非常经典的话:“如果你不能衡量,那么你就不能有效增长。”
>> 那么如何去衡量呢?就是用某个统一标准去衡量业务,这个统一标准就是指标。
>> 假设我有一个鱼塘,为了扩大鱼塘的规模,我每天都会从外部渠道买新的鱼放到鱼塘里,这些新买的鱼就是鱼塘里的新增用户。鱼塘里的一部分鱼感觉鱼塘非常棒,有好吃的,环境也好,经常在水里活蹦乱跳,很活跃,这些鱼就是活跃用户。剩下的一部分鱼感觉鱼塘没啥意思,就不活跃,经常待在一个角落里,这些鱼就是不活跃用户。随着时间的推移,一部分鱼觉得鱼塘没意思,就离开跑到其他鱼塘里了,这些鱼就是流失用户。留下来的鱼就是留存用户。
>> 在讲解活跃率之前,需要先知道活跃用户数。怎么定义活跃呢?是某个用户登录了App算活跃用户?还是打开使用了App里哪个功能算活跃用户?不同的产品定义不一样,所以看到这样的指标,一定要搞清楚活跃是怎么定义的。
>> 活跃用户数按时间又分为日活跃用户数、周活跃用户数、月活跃用户数。
>> 日活跃率=日活跃用户数/总用户数
>> 还是通过公众号来举例,把取消关注公众号的用户定义为流失用户,那么继续关注公众号的用户就是留存用户。
>> 留存可以评估产品功能对用户的黏性。如果一个产品留存低,那么说明产品对用户的黏性就小,就要想办法来提高留存了。留存反映了不同时期获得新用户的流失情况,如果留存低,就要找到用户流失的原因。
>> 第1天新增的用户中,在第N天还使用过产品的用户数,除以第1天新增总用户数,就是留存率。
>> Facebook有一个著名的40-20-10法则,也就是新用户次日留存率为40%,第7日留存率为20%,第30日留存率为10%,有这个表现的产品属于数据比较好的。
>> V(访问次数,Page View):一定时间内某个页面的浏览次数,用户每打开一个网页可以看作一个PV。
>> UV(访问人数,Unique Visitor):一定时间内访问某个页面的人数。例如,某一个网页1天中被1个人打开过10次,那么UV是1。
>> 现在很多产品为了实现“病毒式”推广都有转发功能,转发率=转发某功能的用户数/看到该功能的用户数
>> 因子(K-factor)可用来衡量推荐的效果,即一个发起推荐的用户可以带来多少新用户。K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。
>> 当K>1时,新增用户数就会像滚雪球一样增大。如果K<1的话,那么新增用户数到某个规模时就会停止通过自传播增长。
>> 产品数据相关的指标包括:用来衡量业务总量的指标,例如成交总额、成交数量;用来衡量人均情况的指标,例如客单价;用来衡量付费情况的指标,例如付费率、复购率;
>> 如果你经常看分析报告,一定会看到GMV(Gross Merchandise Volume),它就是指成交总额,也就是零售业说的“流水”。需要注意的是,成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额。
>> 用来衡量人均情况的指标有人均付费、付费用户人均付费、人均访问时长。
>> 付费相关的指标有付费率、复购率
>> 付费率=付费人数/总用户数
>> 复购率指一定时间内,消费两次以上的用户数/付费人数。
>> 产品相关的指标是指从产品的角度去衡量哪些产品好,哪些产品不好。通过找出好的产品来进行重点推销,不好的产品去分析原因。
常见的几个指标是热销产品数、好评产品数、差评产品数。这里可以根据具体的业务需求,灵活扩展使用。
>> 对于公众号来说,每篇文章就是一个产品。我每个月会把公众号里的全部文章按转发率来排名,从而发现哪些文章是大家比较喜欢的。
>> 在付费做广告推广时,涉及考察推广效果的指标。从不同的付费渠道可以分为以下指标:展示位广告、搜索广告、信息流广告
>> )展示位广告
展示位广告出现在网站或手机App的顶部、App的开屏等。开屏广告就是当用户打开手机App时,会有几秒的广告时间,例如打开微博、知乎时会先给你展示一个开屏广告。
这种类型的广告通常是按展示次数付费(CPM,Cost Per Mille),也就是有多少人看到了该广告。
2)搜索广告
例如搜索引擎(百度等)的关键字搜索广告、电商搜索广告(淘宝直通车等)。广告主为某一个搜索关键词出价,用户看到的搜索结果是按广告主出价的高低来排名的。
这种类型的广告是按点击次数付费(CPC,Cost Per Click),也就是有多少人点击了该广告。
3)信息流广告
例如微博、今日头条、知乎、朋友圈(信息流)里的广告。这种广告是根据用户的兴趣爱好来推荐的。这种类型的广告按点击次数付费(CPC)或者按投放的实际效果付费(CPA,Cost Per Action)。
按投放的实际效果付费(CPA,Cost Per Action)包括:
CPD(Cost Per Download):按App的下载数付费;
CPI(Cost Per Install):按安装App的数量付费,也就是下载后有多少人安装了App;
CPS(Cost Per Sales):按完成购买的用户数或者销售额来付费。
>> 在决定将产品投放到哪个渠道的时候,要清楚你的目标用户是谁,目标用户在哪。如果你是一款为企业服务的软件,在娱乐网站打广告就非常不合适。目前主流广告平台都支持这三种方式的付费:按展示次数付费(CPM)、按点击次数付费(CPC)和按投放的实际效果付费(CPA)。广告主可以按自己的产品需求来灵活选择。
>> 一般来说,如果是推广一个新的产品,要选择按App的下载数付费(CPD)。因为新产品还没有人知道,用下载数来衡量,是比较划算的。等有一定的品牌影响力积累了,再用按点击次数付费(CPC)或者按投放的实际效果付费(CPA)。
◆ 1.3 如何选择指标?
>> (1)好的数据指标应该是比例。通常要想理解一个数字的真实含义,最好把它除以一个总数,换算成一个比例。
◆ 1.4 指标体系和报表
>> 如果不按照业务流程来建立指标体系,虽然指标很多,但是指标之间没有逻辑关系,以至于出现问题的时候,找不到对应的业务节点是哪个,没办法解决问题。
>> 建立指标体系不是一个人能够完成的,需要业务部门(市场、运营、产品等部门统称为业务部门)、数据部门(这里把数据分析师所在的部门统称为数据部门)、开发部门相互之间进行协作。
>> 建立指标体系需要各部门紧密沟通,还需要对公司业务和各部门职能的深刻理解
◆ 2.1 5W2H分析方法
>> what(是什么):这是什么产品?
when(何时):什么时候需要上线?
where(何地):在哪里发布这些产品?
why(为什么):用户为什么需要它?
who(是谁):这是给谁设计的?
how(怎么做):这个产品需要怎么运作?
how much(多少钱):这个产品里有付费功能吗?价格是多少?
◆ 2.2 逻辑树分析方法
>> 我们经常会说某个人工作能力强,那什么是工作能力?就是像马斯克这样,能用逻辑树分析方法把一个大目标拆解成小任务的能力。
再进一步,我们经常会说到领导力,就是把目标拆解成员工可以执行的小任务的能力。
◆ 2.4 多维度拆解分析方法
>> 1)从指标构成来拆解
>> 2)从业务流程来拆解
◆ 2.5 对比分析方法
>> A/B测试的背后也是用了对比分析方法。什么是A/B测试?
做过App功能设计的读者朋友可能经常会面临多个设计方案的选择,例如某个按钮是用蓝色还是黄色,是放左边还是放右边。传统的解决方法通常是集体讨论表决,或者由某位专家或领导来拍板,实在决定不了时也有随机选一个上线的。虽然传统解决办法多数情况下也是有效的,但A/B测试可能是解决这类问题的一个更好的方法。
简单来说,A/B测试就是为同一个目标制定两个版本,这两个版本只有某个方面不一样,其他方面保持一致。例如两个版本只有按钮的颜色不一样,让一部分用户使用A版本(实验组),另一部分用户使用B版本(对照组)。试运行一段时间后,分别统计两组用户的表现,然后对两组数据进行对比分析,最后选择效果更好的版本正式发布给全部用户(图2-46)。

图2-46 A/B测试
A/B测试是怎么来的呢?
◆ 2.6 假设检验分析方法
>> 如何使用假设检验分析方法?
前面我们提到假设检验分析方法的步骤分为3步:提出假设、收集证据、得出结论。
>> P营销理论产生于20世纪60年代的美国,它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素,这些要素可以概括为4类:产品、价格、渠道、促销。
>> (1)产品:公司提供给目标市场的有形或无形产品,包括产品实体、品牌、包装、样式、服务、技术等;
(2)价格:用户购买产品时的价格,包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等;
(3)渠道:产品从生产公司到消费用户所经历的销售路径。
(4)促销:是指企业利用各种方法刺激用户消费,来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。
◆ 3.2 如何明确问题?
>> 有一个段子是说一个小伙子看到一个老头和他脚边的一只狗。然后小伙子问:“你的狗咬人么?”老头说:“不咬人。”于是小伙子弯腰摸了摸这条狗,结果被咬了一口。小伙子气地说:“你不是说你的狗不咬人么?”老头说:“这不是我的狗。”
回应 2021-09-13 12:46:52 -
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。 在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间...
2021-06-17 20:18:23 2人喜欢
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。
在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间内的再次购买。体现在时间段的不同上,但是核心都是再次购买。
在分析某些大促的营收降低的sample里,经常会关注用户的回购情况,即在大节前购买的用户是否还会在此次大促购买,成为分析老用户的关键点。
回应 2021-06-17 20:18:23
-
郭小少 (人生的意义是自我编织的)
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分: 第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。 第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。 第三部...2022-03-01 16:15:05
本篇内容来自《数据分析思维》的阅读,以及猴子老师发布的文章和专栏,另外还有一些自己收集的内容,一共分为四个部分:
第一部分,推荐几本适合新手阅读的书,大致了解数据分析这个行业在社会分工中的生态位置,知道数据分析的前景,还有未来的发展方向。
第二部分,聊聊为什么要学习数据分析,它能为我们工作带来什么样的帮助,这里的帮助并不是数据分析这个职业的帮助,而是你一生的帮助,未来转到其他行业里的帮助。
第三部分,在你知道什么是数据分析师后,你还要在这个行业里深耕,那么我们需要掌握哪些技能?未来的职业之路又该如何成长?
第四部分,作为一个数据分析师,我们需要在哪里去获取数据,了解这个行业最新的分析方法,有时间可以看看同行优秀的分析报告,这样,我们才能不断成长。
一、推荐阅读的书
《大数据时代》《数据分析思维》《精益数据分析》《金字塔原理》《模型思维》
《大数据时代》是我在这本书上市的第二年看的,当时我在富士康做企划生管的工作。当时这本书应该是上了一个阅读的榜单,在富士康的内网里看到这本书的推荐,推荐这本书的人是富士康老板郭台铭。当时我就去当当网买了这本书的纸质版。看完之后感觉很震撼,很认同里面的观点。如果说我们当社会是靠石油能源推动的,那么未来的社会一定是靠大数据推动的。
这本书现在已经上市十年,很多事情都已经得到验证。比如现在的短视频的推荐算法,靠的是大数据;现在的电商运营依靠的是大数据;广告的营销、推广依靠大数据。可以说大数据在知行各业的存在就像空气和水,你感觉不到,但它却是生命的源泉。这本书的评分虽然不是特别高,只有7.5分,但它非常具有启发意义。
第二本书叫《数据分析思维》,这是我读过最通俗易懂的数据分析书。十年前我读完大数据时代之后,觉得数据行业一定大有可为,但那时我并不知道如何参与期中,直到后来我在得到看到了猴子,知道了这本《数据分析思维》。这篇文章的大纲也是来源于这本书,带你认识数据分析这个行业,告诉你需要掌握数据分析的知识和技能,还教你在这个行业里如何成长。
第三本叫《精益数据分析》,当你拥有了数据分析思维,熟悉了基础的分析方法后,还需要对分析的方法不断打磨精进。这个过程是一个不断提升自己认知颗粒度的过程。开始入门时你知道了常用的分析方法,知道分析思路,对于入门来说已经够了。便如果你需要在这个行业里精进,你需要对不同分析方法的精确把握,不同的分析需求如何去调分析中的细微差别。
第四本叫《金字塔原理》。好玩的是,我第一次看这本书的目的并不是为了学习数据分析,而是为了学习写作。这本书不仅是教你如何写作和表达,更重要的是它教会你结构化思考,它是数据分析必须训练的逻辑能力。
第五本书叫《模型思维》,这本书的作者是密歇根大学复杂性研究中心“掌门人”斯科特·佩奇。写这本书从大纲到定稿作者就用了七年的时间。这是一本能提升你推理、解释、设计、沟通、行动、预测和探索能力的书,它教会你应用模型集合去理解复杂现象,不管是否从事数据分析都非常推荐读一下这本书。
二、为什么要学习数据分析?
为什么学习数据分析师?每个人答案可能都不一样,但对于我来说,不管是创业还是职场它都是通用能力;另外一点它是零基础成为人工智能领域人才的必经之路。也就是说如果说未来你想从事人工智能方面的工作,那么数据分析是你的一座桥梁。
前段时间看过一本书叫《遥远的救世主》。其中提到一个词叫文化属性。很多国家和群体声称自己有文化,但是他们都忘了问自己,我们的文化是强者文化?还是弱者文化?是尊重客观事实的文化还是神明至上的文化?
强者文化造就强者,弱者文化造就弱者。在《遥远的救世主》中,贫困的王庙村却有着一个金碧辉煌的教堂。在他们的观念里,天可以救他们,地可以救他们,神明可以救他们。靠天靠地靠神明,就是不能靠自己,这种文化不可能造就强者。
与之相反的是尊重客观事实的文化。尊重科学、尊重事实,而事实和科学就是建立在数据分析的基础之上的。
三、数据分析师需要的技能及成长
数据分析师分为:初级数据分析师、中级数据分析师和高级数据分析师。
数据分析的理论和统计学息息相关,可以说是数据分析的一个底层逻辑。如果在数据分析的学习上遇到天花板,可以考虑调转船头去研究统计学,说不定能帮你突破数据分析的瓶颈。
数据分析师的日常工作就是:监控、分析、建议和沟通。
3.1初级数据分析师需要掌握的技能:
3.1.1对业务指标的理解:每个行业都有自己的关键指标,对于初学者来说,需要理解业务指标的基本含义。
常用的指标分为:用户数据指标(日新增用户、活跃率、留存率)、行为数据指标(pv、uv、转发率、转化率、K因子)、产品数据指标【总量(成交总额-成交数量-访问时长)、人均(人均付费、付费用户人均付费、人均访问时间)付费(付费率、复购率)】、推广付费指标(展示次数付费CPM、点击次数付费CPC、投放效果付费CPA、下载数付费CPD、安装次数付付CPI、销售额付费CPS)。
各行业指标参考:
电商行业:新(老)用户点比、新(老)用户金额占比、复购率、平均复购周期、回购率、点击率、点击转化率坏、访客(uv)、加购数、收藏数、成交总额(GMV)、购买转化率、支付转化率、折扣率、拒退量、拒退额、实销额、SPU、SKU、备货值、售卖比、动销率等。
金融信贷行业:申请用户数、放款用户数、复借用户数、复借率、审批通过率、逾期率、催回率、坏账率、vintage30+等。
金融第三方支付行业:业务员业产能、审核通过率、活跃商家数、交易笔数、交易率、终端产品损耗率等。
家政行业:转化率、使用率、售后率等。
旅游行业:下单人数、出游人数、人均团费、复购率、转化率、投拆率等。
在线教育行业:点击次数、点击率、点进概率、弹出率、付费转化率、人均付费(ARPU)、付费用户人均付费(ARPPU)、出勤率、完课率、评价数、好评率等。
运营商行业:出账用户数、用户保有率、收入保有率、用户留失率、项目增收、外呼用户数、接通率、有效接通率、接通办理率、外呼渗透率等。
内容平台行业:内容生产用户数、内容生产者比例、更新频率、内容曝光用户数、人均曝光次数、内容平均点击数、内容曝光点击率、完成阅读率、评论用户数、用户评论率、内容分享用户数、内容分享率、内容生产价值等。
房地产平台行业:房源量、环比上月、额外付费购买率、房源浏览量、收藏量、咨询量、净推荐值等。
汽车行业:线索数、跟进率、进件数、信审通过率、签约待支付数、合同签约数、交车数等。
零售行业:完成率、退货率、折扣率、库龄、周转率、周转天数、存销比、坪效、SKU、动销比、售罄率、订单执行率、费率比、毛利率、净利率。
3.1.2如何建立指标体系?首先根据部门KPI找到一级指标,其次了解业务情况找到二级指标,最后梳理业务流程找到三级指标。
3.1.3常用的分析方法有哪些?
常用的分析法:5W2H分析法、逻辑树分析法、行业分析法、多维度拆解分析法、对比分析法、假设分析法、相关分析法、群组分析法、RFM分析法、AARRR模型分析法、漏斗分析法。
3.1.4如何利用数据分析解决问题?
首先是明确问题,其次是分析问题,最后是基于分析给出建议。
3.1.5数据分析师需要掌握的软件工具:
EXCEL:数据清洗(数据重复、数据抽取:left-right-mid、数据计算:average-sum-max-min-date-if-or-countif)、数据分析(数据汇总、描述统计分析、多表关联查询)、数据可视化(散点图、折线图、柱状图、条形图)。
3.2中级数据分析师需要掌握哪些技能?
3.2.1 商业智能BI
商业智能BI是一种可视化工具,把数据导入到软件可可以快速实现数据可视化。常用的软件有:Power BI、Tableau、帆软。
3.2.2 数据库SQL
简单查询:获取数据语句select、条件查询语句where、逻辑运算符。
汇总分析:行数cornt、数据求和sum、数据平均avg、最大数值max、最小数值min、汇总group by、指定条件查询having。
复杂查询:多行子查询in-nay-all、单一值比较运算between、关联子查询。窗口函数高级功能:排名问题、TopN问题、累计求和问题、分组比较问题。
3.3高级数据分析师需要掌握哪些技能?
Python 数据分析工具
Python基础语法:数据类型、容器、函数、条件判断、循环。
Python工具包:数据分析包numpy,pandas、可视化图形包matplotlib、机器学习包scikit-learn等。
能够用Python操作数据,进行数据清洗,数据抽取,数据可视化等。
四、推荐的数据网站
4.1大数据导航
4.2腾讯大数据
4.3阿里研究院
4.4易观分析
4.5艾媒网
回应 2022-03-01 16:15:05 -
https://www.yearbookchina.com
2021-11-11 14:36:05
-
数据分析思维:分析方法和业务知识 猴子·数据分析学院 46个笔记 ◆ 1.1 如何理解数据? >> 第1步,弄清楚数据里每一列的含义。例如拿到一份Excel数据,要理解清楚每一列表示什么意思。不懂的地方,要和数据提供方沟通清楚。第2步,对数据进行分类,有助于后期的分析。通常将数据分为3类:用户数据(我是谁)、行为数据(我做 >> 用户数据是指用户的基本情况,包括姓名、性别、邮箱、年龄、家庭住址、教育水平、职...
2021-09-13 12:46:52
数据分析思维:分析方法和业务知识
猴子·数据分析学院
46个笔记
◆ 1.1 如何理解数据?
>> 第1步,弄清楚数据里每一列的含义。例如拿到一份Excel数据,要理解清楚每一列表示什么意思。不懂的地方,要和数据提供方沟通清楚。第2步,对数据进行分类,有助于后期的分析。通常将数据分为3类:用户数据(我是谁)、行为数据(我做
>> 用户数据是指用户的基本情况,包括姓名、性别、邮箱、年龄、家庭住址、教育水平、职业等。
>> 行为数据是记录用户做过什么的数据。例如淘宝上,用户行为可以是用户在某个产品页面的停留时间、浏览过哪些产品、购买了哪些产品等。
>> 一个平台里的东西都可以看作产品,例如淘宝里的商品、优酷上的视频、公众号里的文章都可以看作产品。产品数据包括产品名称、产品类别、产品评论、库
>> 存等。
>> 有些数据从不同角度来看,可以属于不同的分类。例如,对于文章的收藏量而言,收藏是一个行为,那么收藏量可以看作是行为数据;另外,收藏是产品被收藏,那收藏量也可以看作是产品数据。
◆ 1.2 常用的指标有哪些?
>> 现代管理学之父彼得·德鲁克提出用管理促进企业增长(图1-3),他讲过一句非常经典的话:“如果你不能衡量,那么你就不能有效增长。”
>> 那么如何去衡量呢?就是用某个统一标准去衡量业务,这个统一标准就是指标。
>> 假设我有一个鱼塘,为了扩大鱼塘的规模,我每天都会从外部渠道买新的鱼放到鱼塘里,这些新买的鱼就是鱼塘里的新增用户。鱼塘里的一部分鱼感觉鱼塘非常棒,有好吃的,环境也好,经常在水里活蹦乱跳,很活跃,这些鱼就是活跃用户。剩下的一部分鱼感觉鱼塘没啥意思,就不活跃,经常待在一个角落里,这些鱼就是不活跃用户。随着时间的推移,一部分鱼觉得鱼塘没意思,就离开跑到其他鱼塘里了,这些鱼就是流失用户。留下来的鱼就是留存用户。
>> 在讲解活跃率之前,需要先知道活跃用户数。怎么定义活跃呢?是某个用户登录了App算活跃用户?还是打开使用了App里哪个功能算活跃用户?不同的产品定义不一样,所以看到这样的指标,一定要搞清楚活跃是怎么定义的。
>> 活跃用户数按时间又分为日活跃用户数、周活跃用户数、月活跃用户数。
>> 日活跃率=日活跃用户数/总用户数
>> 还是通过公众号来举例,把取消关注公众号的用户定义为流失用户,那么继续关注公众号的用户就是留存用户。
>> 留存可以评估产品功能对用户的黏性。如果一个产品留存低,那么说明产品对用户的黏性就小,就要想办法来提高留存了。留存反映了不同时期获得新用户的流失情况,如果留存低,就要找到用户流失的原因。
>> 第1天新增的用户中,在第N天还使用过产品的用户数,除以第1天新增总用户数,就是留存率。
>> Facebook有一个著名的40-20-10法则,也就是新用户次日留存率为40%,第7日留存率为20%,第30日留存率为10%,有这个表现的产品属于数据比较好的。
>> V(访问次数,Page View):一定时间内某个页面的浏览次数,用户每打开一个网页可以看作一个PV。
>> UV(访问人数,Unique Visitor):一定时间内访问某个页面的人数。例如,某一个网页1天中被1个人打开过10次,那么UV是1。
>> 现在很多产品为了实现“病毒式”推广都有转发功能,转发率=转发某功能的用户数/看到该功能的用户数
>> 因子(K-factor)可用来衡量推荐的效果,即一个发起推荐的用户可以带来多少新用户。K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。
>> 当K>1时,新增用户数就会像滚雪球一样增大。如果K<1的话,那么新增用户数到某个规模时就会停止通过自传播增长。
>> 产品数据相关的指标包括:用来衡量业务总量的指标,例如成交总额、成交数量;用来衡量人均情况的指标,例如客单价;用来衡量付费情况的指标,例如付费率、复购率;
>> 如果你经常看分析报告,一定会看到GMV(Gross Merchandise Volume),它就是指成交总额,也就是零售业说的“流水”。需要注意的是,成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额。
>> 用来衡量人均情况的指标有人均付费、付费用户人均付费、人均访问时长。
>> 付费相关的指标有付费率、复购率
>> 付费率=付费人数/总用户数
>> 复购率指一定时间内,消费两次以上的用户数/付费人数。
>> 产品相关的指标是指从产品的角度去衡量哪些产品好,哪些产品不好。通过找出好的产品来进行重点推销,不好的产品去分析原因。
常见的几个指标是热销产品数、好评产品数、差评产品数。这里可以根据具体的业务需求,灵活扩展使用。
>> 对于公众号来说,每篇文章就是一个产品。我每个月会把公众号里的全部文章按转发率来排名,从而发现哪些文章是大家比较喜欢的。
>> 在付费做广告推广时,涉及考察推广效果的指标。从不同的付费渠道可以分为以下指标:展示位广告、搜索广告、信息流广告
>> )展示位广告
展示位广告出现在网站或手机App的顶部、App的开屏等。开屏广告就是当用户打开手机App时,会有几秒的广告时间,例如打开微博、知乎时会先给你展示一个开屏广告。
这种类型的广告通常是按展示次数付费(CPM,Cost Per Mille),也就是有多少人看到了该广告。
2)搜索广告
例如搜索引擎(百度等)的关键字搜索广告、电商搜索广告(淘宝直通车等)。广告主为某一个搜索关键词出价,用户看到的搜索结果是按广告主出价的高低来排名的。
这种类型的广告是按点击次数付费(CPC,Cost Per Click),也就是有多少人点击了该广告。
3)信息流广告
例如微博、今日头条、知乎、朋友圈(信息流)里的广告。这种广告是根据用户的兴趣爱好来推荐的。这种类型的广告按点击次数付费(CPC)或者按投放的实际效果付费(CPA,Cost Per Action)。
按投放的实际效果付费(CPA,Cost Per Action)包括:
CPD(Cost Per Download):按App的下载数付费;
CPI(Cost Per Install):按安装App的数量付费,也就是下载后有多少人安装了App;
CPS(Cost Per Sales):按完成购买的用户数或者销售额来付费。
>> 在决定将产品投放到哪个渠道的时候,要清楚你的目标用户是谁,目标用户在哪。如果你是一款为企业服务的软件,在娱乐网站打广告就非常不合适。目前主流广告平台都支持这三种方式的付费:按展示次数付费(CPM)、按点击次数付费(CPC)和按投放的实际效果付费(CPA)。广告主可以按自己的产品需求来灵活选择。
>> 一般来说,如果是推广一个新的产品,要选择按App的下载数付费(CPD)。因为新产品还没有人知道,用下载数来衡量,是比较划算的。等有一定的品牌影响力积累了,再用按点击次数付费(CPC)或者按投放的实际效果付费(CPA)。
◆ 1.3 如何选择指标?
>> (1)好的数据指标应该是比例。通常要想理解一个数字的真实含义,最好把它除以一个总数,换算成一个比例。
◆ 1.4 指标体系和报表
>> 如果不按照业务流程来建立指标体系,虽然指标很多,但是指标之间没有逻辑关系,以至于出现问题的时候,找不到对应的业务节点是哪个,没办法解决问题。
>> 建立指标体系不是一个人能够完成的,需要业务部门(市场、运营、产品等部门统称为业务部门)、数据部门(这里把数据分析师所在的部门统称为数据部门)、开发部门相互之间进行协作。
>> 建立指标体系需要各部门紧密沟通,还需要对公司业务和各部门职能的深刻理解
◆ 2.1 5W2H分析方法
>> what(是什么):这是什么产品?
when(何时):什么时候需要上线?
where(何地):在哪里发布这些产品?
why(为什么):用户为什么需要它?
who(是谁):这是给谁设计的?
how(怎么做):这个产品需要怎么运作?
how much(多少钱):这个产品里有付费功能吗?价格是多少?
◆ 2.2 逻辑树分析方法
>> 我们经常会说某个人工作能力强,那什么是工作能力?就是像马斯克这样,能用逻辑树分析方法把一个大目标拆解成小任务的能力。
再进一步,我们经常会说到领导力,就是把目标拆解成员工可以执行的小任务的能力。
◆ 2.4 多维度拆解分析方法
>> 1)从指标构成来拆解
>> 2)从业务流程来拆解
◆ 2.5 对比分析方法
>> A/B测试的背后也是用了对比分析方法。什么是A/B测试?
做过App功能设计的读者朋友可能经常会面临多个设计方案的选择,例如某个按钮是用蓝色还是黄色,是放左边还是放右边。传统的解决方法通常是集体讨论表决,或者由某位专家或领导来拍板,实在决定不了时也有随机选一个上线的。虽然传统解决办法多数情况下也是有效的,但A/B测试可能是解决这类问题的一个更好的方法。
简单来说,A/B测试就是为同一个目标制定两个版本,这两个版本只有某个方面不一样,其他方面保持一致。例如两个版本只有按钮的颜色不一样,让一部分用户使用A版本(实验组),另一部分用户使用B版本(对照组)。试运行一段时间后,分别统计两组用户的表现,然后对两组数据进行对比分析,最后选择效果更好的版本正式发布给全部用户(图2-46)。

图2-46 A/B测试
A/B测试是怎么来的呢?
◆ 2.6 假设检验分析方法
>> 如何使用假设检验分析方法?
前面我们提到假设检验分析方法的步骤分为3步:提出假设、收集证据、得出结论。
>> P营销理论产生于20世纪60年代的美国,它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素,这些要素可以概括为4类:产品、价格、渠道、促销。
>> (1)产品:公司提供给目标市场的有形或无形产品,包括产品实体、品牌、包装、样式、服务、技术等;
(2)价格:用户购买产品时的价格,包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等;
(3)渠道:产品从生产公司到消费用户所经历的销售路径。
(4)促销:是指企业利用各种方法刺激用户消费,来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。
◆ 3.2 如何明确问题?
>> 有一个段子是说一个小伙子看到一个老头和他脚边的一只狗。然后小伙子问:“你的狗咬人么?”老头说:“不咬人。”于是小伙子弯腰摸了摸这条狗,结果被咬了一口。小伙子气地说:“你不是说你的狗不咬人么?”老头说:“这不是我的狗。”
回应 2021-09-13 12:46:52 -
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。 在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间...
2021-06-17 20:18:23 2人喜欢
#小曾曾读书笔记#《数据分析思维:分析方法和业务知识》:回购率和复购率仅一字之差,有时会被混为一谈,严谨来说它们是有区别的,最大的区别在于使用场景。复购率是一个衡量较长时间段,或者作为周期性(逐月、逐年)监测用户忠诚度的指标;而回购率是分析短期促销活动(简称大促)对用户吸引力的指标。
在电商或者内容领域,复购率和回购率都能够衡量商品对用户的吸引力。复购强调一个时间段内的重复购买,而回购强调两段时间内的再次购买。体现在时间段的不同上,但是核心都是再次购买。
在分析某些大促的营收降低的sample里,经常会关注用户的回购情况,即在大节前购买的用户是否还会在此次大促购买,成为分析老用户的关键点。
回应 2021-06-17 20:18:23
20 有用 宁 2020-12-29 00:27:13
【2020必读100本书】第90本:适合小白学习!
7 有用 H.B. 2021-10-12 01:21:43
虽然是很基础的方法,但对于迈出第一步或者初步体系化的需要还是很有用
10 有用 幻雨 2021-04-15 13:54:08
很厚,内容很扎实的一本书。看了一个多月才看完。包括基础知识和案例分析,学到了很多!
23 有用 风檐公子 2020-12-12 13:41:09
#学习心得#这是数据分析的教科书,具体的案例我没有细读,但是背后的方法给了我很多启发。这不是单纯的数据分析,而是给你一套用数据发现原因解决问题的方法。我觉得公共管理中欠缺数据分析,大量的“我认为”,“我觉得”,“感觉是”,没有从数据里找到问题的真正原因,提出的对策往往治标不治本。
9 有用 糯米团子 2021-05-11 13:01:41
缺少的一星给案例部分,案例质量良莠不齐,建议看完作者背景选择性阅读
0 有用 太阳系主任 2022-05-16 09:51:45
骗小孩的东西
1 有用 背陰盛放T^T 2022-05-01 23:52:25
算是看下来通俗易通的数据实例分析了,还不错
1 有用 潇潇子 2022-04-26 11:30:38
讲的比较简洁明了,容易懂
1 有用 伊卡洛斯的海 2022-04-24 23:31:53
非常详实全面
1 有用 冰点带师 2022-04-12 11:17:10
非常不错 思维很清晰