第 1 章 底层认知
1.1 基础认知
第 1 问:数据分析怎么学?—本书学习指南 / 2
第 2 问:数据分析是怎么来的?—数据分析极简发展史 / 4
第 3 问:什么是数据指标? / 6
第 4 问:常见的指标有哪些? / 9
第 5 问:对于数据分析领域,统计学要学到什么程度? / 10
第 6 问:数据分析领域主要的岗位有哪些? / 13
1.2 底层逻辑 / 17
第 7 问:如何建立完整有效的数据指标体系? / 17
第 8 问:数据指标体系如何应用?—数据监控体系 / 21
第 9 问:数据分析的产出价值是什么? / 24
第 10 问:数据分析的常见陷阱有哪些? / 26
第 11 问:如何让数据驱动业务?—数据分析流程 / 28
第 2 章 思维方法 / 32
2.1 数据思维 / 33
第 12 问:什么是数据思维? / 33
第 13 问:怎么使用数据思维? / 35
第 14 问:怎么训练数据思维? / 38
2.2 通用分析方法 / 41
第 15 问:什么是数据异常分析? / 41
第 16 问:什么是描述性分析? / 43
第 17 问:什么是对比分析? / 46
第 18 问:什么是细分分析? / 48
第 19 问:什么是归因分析? / 52
第 20 问:什么是预测分析? / 56
第 21 问:什么是相关性分析? / 58
第 22 问:什么是二八定律 / 帕累托定律分析? / 61
2.3 商业分析方法 / 63
第 23 问:什么是 PEST 分析? / 63
第 24 问:什么是 SWOT 分析? / 65
第 25 问:什么是逻辑树分析? / 68
第 26 问:什么是“STP+4P”分析? / 71
第 27 问:什么是波士顿矩阵分析? / 73
第 28 问:什么是 5W2H 分析? / 77
2.4 产品分析方法 / 79
第 29 问:什么是生命周期分析? / 80
第 30 问:什么是 AB 测试分析? / 83
第 31 问:什么是竞品分析? / 88
2.5 用户分析方法 / 90
第 32 问:什么是用户画像分析? / 90
第 33 问:什么是漏斗分析? / 96
第 34 问:什么是 RFM 用户分层分析? / 100
第 35 问:什么是同期群分析? / 104
第 3 章 工具技术 / 107
第 36 问:分析工具如何选?—常用场景说明 / 108
3.1 Excel / 109
第 37 问:用 Excel 做数据分析够吗?— Excel 的学习路径 / 109
第 38 问:Excel 中有哪些重要的函数或功能?—Excel 高频常用函数介绍 / 110
第 39 问:如何用 Excel 做数据分析?—Excel 透视表最全指南 / 114
3.2 SQL / 127
第 40 问:什么是 SQL ?—SQL 的学习路径 / 127
第 41 问:SQL 基础操作有哪些? / 129
第 42 问:SQL 有哪些高频函数? / 130
第 43 问:SQL 的表连接该如何做? / 130
第 44 问:什么是 SQL 的窗口函数? / 137
第 45 问:SQL 要学习到什么程度?—SQL 在数据分析中落地 / 147
3.3 Python / 151
第 46 问:什么是 Python ?—Python 的介绍与开始 / 151
第 47 问:Python 基础语法有哪些? / 152
第 48 问:Python 数据分析工具包 Pandas 是什么? / 160
第 49 问:Python 数据可视化工具包 Matplotlib 是什么? / 177
第 50 问:Pandas 如何解决业务问题?—数据分析流程详解 / 183
3.4 PowerBI / 195
第 51 问:什么是商业智能?—商业智能与 PowerBI 入门 / 195
第 52 问:PowerBI 的核心概念有哪些?—一文看懂 PowerBI 运行逻辑 / 198
第 53 问:如何用 PowerBI 做数据分析?—PowerBI 完整数据分析流程案例 / 208
第 4 章 项目落地 / 222
4.1 落地思维 / 223
第 54 问:数据分析的结果该如何落地? / 223
第 55 问:数据分析没有思路怎么办?—数据分析中“以终为始”的思考逻辑 / 226
第 56 问:如何从不同层次理解业务?—数据分析中“点线面体”的思考逻辑 / 229
第 57 问:数据分析怎么做才有价值?—数据分析中的目标管理 / 231
4.2 理解业务本质 / 235
第 58 问:常说的业务场景是什么?—从营销角度出发构建“业务场景模型” / 235
第 59 问:零售行业常说的人货场是什么?—从“人货场模型”看落地场景中的数据
分析 / 240
第 60 问:如何深入理解业务?—利用点线面思维构建“业务模型” / 242
第 61 问:如何梳理业务流程?—从“线”的层次思考业务 / 245
第 62 问:如何看懂公司的商业模式?—从“面”的层次思考业务 / 250
第 63 问:从战略层次全局看待业务?—从“体”的层次思考业务 / 254
4.3 互联网产品数据分析实践 / 258
第 64 问:如何分析用户行为数据?—还原实际业务中的落地分析流程 / 258
第 65 问:如何定义问题?—AARRR 模型中获取阶段的落地分析 / 263
第 66 问:如何形成分析思路?—AARRR 模型中促活阶段的落地分析 / 268
第 67 问:如何给落地建议?—AARRR 模型中留存阶段的落地分析 / 274
4.4 报告呈现 / 279
第 68 问:为什么要做数据分析报告?—向上汇报与横向沟通 / 279
第 69 问:如何用数据来讲故事?—报告结构与金字塔原理 / 281
第 70 问:如何制作一个图表?—数据可视化的逻辑 / 284
4.5 项目复现实战 / 287
第 71 问:游戏行业,如何分析活动? / 287
第 5 章 展望 / 298
第 72 问:数据分析师的前景及如何成长? / 299
· · · · · · (
收起)
0 有用 Skyeee 2024-03-06 08:22:41 上海
作为查缺补漏的知识框架型读物
0 有用 木槿 2024-03-13 06:21:12 重庆
SQL、Python、R等数据分析工具。解构问题的思维方式。2022年人社部发布了许多新职业,而这些新职业也反映了数字经济发展的需要,如“数据安全工程技术人员”“数字化解决方案设计师”“数据库运行管理员”“商务数据分析师。互联网将作为底层的基础建筑,各行各业逐步完成数字化转型,开始更多地扎根,且在未来的一段时间内,数据方面的人才需求预计还会保持每年40%的持续增长,甚至预计在未来数据人才缺口达到3... SQL、Python、R等数据分析工具。解构问题的思维方式。2022年人社部发布了许多新职业,而这些新职业也反映了数字经济发展的需要,如“数据安全工程技术人员”“数字化解决方案设计师”“数据库运行管理员”“商务数据分析师。互联网将作为底层的基础建筑,各行各业逐步完成数字化转型,开始更多地扎根,且在未来的一段时间内,数据方面的人才需求预计还会保持每年40%的持续增长,甚至预计在未来数据人才缺口达到300万人左右。掌握数据分析工具、业务分析及模型能力(如杜邦分析、留存分析、RFM模型、AARRR漏斗模型等。CDP用户数据中台。算法工程师的门槛很高,除了需要掌握统计学知识、线性代数、概率论等高数内容外,还需侧重锻造“工程”能力,就是从业务调研、建模到服务器搭建、模型部署落地等系统工程能力 (展开)
0 有用 NeverEver 2024-03-12 08:35:23 江苏
写得非常详细,也很真诚。适合我。对数据分析师的工作有个系统性的认知。
2 有用 阿修 2023-05-25 00:12:55 广东
适合纯小白用户,缺乏深度的进阶内容,另外就是纸质质量太差了吧,代码根本没办法看………能不能用点心,这都能出书,也是服了。
1 有用 佳吉 2023-08-05 16:06:08 江苏
唉,基本等于把网上看到各个名词写了一遍。 指标体系,OSM 漏斗分析,登陆>注册>曝光>点击>成交 指标拆解,GMV= 精细化运营,RFM 唉,难呦,我自己也难以在工作中看到什么突破点,没日没夜的忙着在细枝末叶的填坑。 人的思维创造要么有大把空闲,要么高效率工作自己创造出空闲。 显然,我前者没有,后者更没有(😂年纪越大,做事真的肉眼可见的慢)
0 有用 哦哟哟 2024-04-11 20:42:20 湖北
把所有数据分析的领域和技能总结了一遍,受益不少
0 有用 木槿 2024-03-13 06:21:12 重庆
SQL、Python、R等数据分析工具。解构问题的思维方式。2022年人社部发布了许多新职业,而这些新职业也反映了数字经济发展的需要,如“数据安全工程技术人员”“数字化解决方案设计师”“数据库运行管理员”“商务数据分析师。互联网将作为底层的基础建筑,各行各业逐步完成数字化转型,开始更多地扎根,且在未来的一段时间内,数据方面的人才需求预计还会保持每年40%的持续增长,甚至预计在未来数据人才缺口达到3... SQL、Python、R等数据分析工具。解构问题的思维方式。2022年人社部发布了许多新职业,而这些新职业也反映了数字经济发展的需要,如“数据安全工程技术人员”“数字化解决方案设计师”“数据库运行管理员”“商务数据分析师。互联网将作为底层的基础建筑,各行各业逐步完成数字化转型,开始更多地扎根,且在未来的一段时间内,数据方面的人才需求预计还会保持每年40%的持续增长,甚至预计在未来数据人才缺口达到300万人左右。掌握数据分析工具、业务分析及模型能力(如杜邦分析、留存分析、RFM模型、AARRR漏斗模型等。CDP用户数据中台。算法工程师的门槛很高,除了需要掌握统计学知识、线性代数、概率论等高数内容外,还需侧重锻造“工程”能力,就是从业务调研、建模到服务器搭建、模型部署落地等系统工程能力 (展开)
0 有用 NeverEver 2024-03-12 08:35:23 江苏
写得非常详细,也很真诚。适合我。对数据分析师的工作有个系统性的认知。
0 有用 Skyeee 2024-03-06 08:22:41 上海
作为查缺补漏的知识框架型读物
0 有用 vito 2023-09-17 18:13:05 上海
大杂烩,缝合怪,面面俱到但都不深入,结果就是都没讲好。 对于入行的新人来说,这本书的好处是告诉大家成为一名优秀的数据分析师所需要具备的各项能力要求,可以看到综合性的要求非常高。每一部分单独深入扩展,都可以是一本书或者一篇长文。 入行多年,越来越深刻地感受到数据分析是一种能力,而不是一种岗位,这也是今后的大趋势,要着重立足于业务,数据分析和思维在今后应该是人人都具备的能力。 纸上谈兵和实际操作,实际... 大杂烩,缝合怪,面面俱到但都不深入,结果就是都没讲好。 对于入行的新人来说,这本书的好处是告诉大家成为一名优秀的数据分析师所需要具备的各项能力要求,可以看到综合性的要求非常高。每一部分单独深入扩展,都可以是一本书或者一篇长文。 入行多年,越来越深刻地感受到数据分析是一种能力,而不是一种岗位,这也是今后的大趋势,要着重立足于业务,数据分析和思维在今后应该是人人都具备的能力。 纸上谈兵和实际操作,实际操作与国内公司的企业文化和环境氛围之间,就是理想与现实之间的巨大差距,阻碍很多,落地很难,真的有水平能做到这些,又岂会甘愿做一个数据分析书呢?矛盾与纠结。难道数据分析师的终点是卖课?😂 (展开)