數據分析師手記——數據分析72個核心問題精解

數據分析師的三板斧：數據處理能力即代碼能力，數理統計基礎，以及業務和行業經驗。這本書最大的問題是過多的提及理論，但是沒有親身的案例啓發思考。好比學拳，只教人套路，沒有實戰能力。

這本書的前半部分對於我現在需要接觸到的部分會更有參考價值，後面更多像是爲想要踏足數據分析師這一崗位的小白介紹的內容。整體內容比較基礎，適合想要了解數據分析，工作中會接觸到數據分析工作的人作掃盲的基礎讀物。

對個人而言，是一本很好的數據分析入門書，受益匪淺，不僅僅是數據相關的知識，也包括思維方法。 讀者是互聯網10多年從業者，技術崗位，讀完本書感覺是解決了很多以前模糊的困惑，也完善了個人的認知體系。 雖然很多內容都是一筆帶過，但是數據分析的框架是完備的，只需後續自行深入學習即可。

不適合入門，到後面需要相當的經驗才能看得懂

《數據分析手記》是一本深入淺出、實用而又富有啓發性的數據分析指南。作者以其紮實的專業知識和豐富的實踐經驗，爲讀者提供了一條通向數據分析成功的道路。 這本書從數據分析的基本概念和方法開始，逐步引導讀者進入數據分析的世界。作者通過清晰的語言和生動的實例，將複雜的概念和技術解釋得易於理解。無論讀者是初學者還是有一定經驗的專業人士，都能夠從中受益匪淺。 值得推薦

好書，詳略得當，轉行必讀。 1. 爲什麼要做數據分析 1. 隨着規則的成熟，更多玩家的進入，市場從藍海變爲紅海，進入存量期，僅靠經驗驅動的增長模式不再有效。此時，要求商家從粗放運營轉爲精細化運營，由經驗驅動轉爲數據驅動，而這個轉變中最重要的一點就是數據，也就是用數據分析報告決定市場是否值得投入，用數據選品，用數據做經營分析，用數據管理庫存。 2. 在發展中期，爲了追求規模化，品牌需要不斷去擴展邊界，於是基於現有運營能力，把成功經驗複製到其他細分市場的模式就很重要，進而成體系的運營方法論、產品方法論需求應運而生，也就是要從以往經驗中沉澱出泛化能力強的業務模型框架，來實現增長。例如以往做用戶運營，嘗試過用近期消費距離、累計消費頻次、累計消費金額來做用戶分層運營，效果不錯，因此可以把方法論總結成RFM模型應用到更多場景中。 2. 數據分析的能力結構 1. 任務管理（什麼該做什麼不該做）、指標思路（拆解指標/對比分析）、工具（sql/python/bi）、數據分析/用戶分析（統計學/分層原理）、業務分析+給出建議（商業分析模型)、呈現（彙報/向上管理/預期管理） 3. 分析的第一步：搞清楚業務方的需求是什麼？要解決的問題是什麼？ 4. 分析的第二步：檢查數據源 1. 任何分析的起點都是檢查數據的準確性 2. 養成對數據的深究，知道數據是怎麼來的。 5. 指標的定義 1. 指標的作用是“度量”業務，可以從三個角度對指標進行拆解：指標=維度+匯總方式+量度。 2. 沿着產品的生命週期來看，不同階段使用的指標差異如下：①導入期：業務目標在於建立知名度，通過口碑引流，着重關注新註冊人數、分享率指標。②成長期：業務目標在於通過不同渠道佈局推廣最大限度佔有市場，着重關注新會員來源渠道佔比等指標。③成熟期：業務目標在於將前期流量變現，確保盈利規模，着重關注付費率、毛利率等指標。④衰退期：此時，市場增量收縮，要求對存量人羣精細化運營，着重關注復購率、重購金額佔比等指標。 3. 好的指標體系有如下特點：(1)能體現當下業務的關注點。(2)同時包含結果性指標和過程性指標。(3)有對應的業務抓手。 6. 把指標作爲工具：拆解+使用模型預測 1. 拆解：拆成加減乘除的公式，定位到不同環節 1. 例如爲了找出銷售額低的原因，需要進行更多維度的拆分：銷售額=客流量×客單價×轉化率×復購率，要想分析銷售額，就得從客流量、客單價、轉化率、復購率這幾個不同的維度去思考 2. 日活=新增用戶+老用戶留存+流失用戶回流，將這些指標進一步拆解如下：①按新增用戶來源渠道拆解：應用市場，百度搜索等；②按老用戶留存渠道拆解：華爲、vivo應用商店等 2. 預測：針對電商類產品，通過對比往年數據以及針對性的活動預期效果，在“雙十一”“618”預測可能產生的流量的峯值，事先對服務器進行擴容，避免大流量衝擊對業務造成影響。 7. 用戶分析 1. 同樣是用戶分析，To B業務和To C業務就有很大的區別，To B的產品一般是解決系統化、流程化問題，關注更多的是效率、功能性等。而To C產品則偏向用戶體驗，要做到讓用戶“爽”，更多關注的是用戶痛點、產品的交互和使用習慣等。 2. 假設對用戶行爲數據分析發現，只要用戶邀請超過10名好友，用戶30天留存的概率就會從30%提升到70%，因此，就能給出解決問題的業務策略：通過分享遊戲刺激用戶邀請超過10名好友。在這個案例中，數據分析通過找到業績提升的“魔法數字”驅動業務增長。 8. 邏輯推理：說事實，而不是觀點/用客觀標準代替主觀判斷/利用演繹法中的核心思維方式：三段論/具備一定的好奇心 幾個常用模型 OSM(Object Strategy Measure)模型：構建指標體系 O（Object，目標）：在建立數據指標體系之前，一定要清晰地瞭解當下的業務重點和目標，也就是模型中的O S（Strategy，策略）：瞭解業務目標和核心指標之後，就需要在此基礎上根據用戶行爲路徑進行拆解，這個拆解一定對應着業務策略，也就是模型中的S。把核心指標拆解成一個個過程指標，每個過程指標對應着相應的行動策略 M（Measure，指標）：針對上面拆解的每個業務過程，制定對應的評估指標，也就是模型中的M SWOT分析 又稱態勢分析，是一種通過分析對象內外部因素從而得出戰略結論的分析方法。 優勢(Strengths)、劣勢(Weaknesses)、機會(Opportunities)、威脅(Threats) PEST分析 四個維度：政治(Politics)、經濟(Economy)、社會(Society)、技術(Technology)。 STP+4P分析 STP：市場細分(Segmentation)、目標市場(Targeting)和定位(Positioning) 4P：教科書裏的“營銷組合”，也是營銷最基本的四個元素：產品(Product)、價格(Price)、渠道(Place)與宣傳(Promotion)。 通過“STP+4P”的結合，依次細分市場、選擇目標市場、確定定位，接着塑造產品價值、制定價格、選擇合理渠道及合理營銷方式。 波士頓矩陣 決定產品結構的主要因素有兩個，分別是市場引力（銷售增長率）和企業實力（市場佔有率）。 ●市場引力包括“整個市場的銷售增長率”“競爭對手強弱”“利潤高低”等。其中“銷售增長率”是決定企業產品結構是否合理的“外在因素”，它是反映市場引力的綜合指標。●企業實力包括“市場佔有率”“技術、設備、資金利用能力”等，其中“市場佔有率”是決定企業產品結構的“內在要素”，它直接顯示出企業競爭實力。 5W2H Why（何故）、What（何事）、Where（何地）、When（何時）、Who（何人）、How（何法）、How much（多少） 生命週期分析 一個典型的生命週期要經歷5個階段—研發期、引入期、成長期、成熟期及衰退期。我們要做的就是想辦法提高研發和引入階段的效率，加速成長的步伐，延長成熟週期，減緩衰退的進程。 AB測試分析 AB測試分析其實來源於假設檢驗，假設現在有兩個隨機均勻的樣本組A、B，對組A做出某種改動，試驗結束後分析兩組用戶行爲數據，通過顯著性檢驗，判斷這個改動對於我們所關注的核心指標是否有顯著的影響。 用戶畫像分析：選擇指標，指標組合成標籤，用標籤描述用戶並且對用戶分類 一個用戶可以理解爲多個偏好向量（標籤）的和 用戶畫像之所以如此火熱，是因爲其在很多場景都有廣泛的應用，例如：●用戶分層運營：這是用戶畫像最常用的場景，通過用戶畫像的標籤，篩選出不同的用戶羣，通過推送或彈窗配置平臺，對不同的用戶羣實現精細化運營。●自動化觸達：分層越精細，用戶羣的粒度會越小，最後會小到一個個體。我們針對每個個體去做推送或者彈屏，運營效率還是太低了。基於用戶畫像的自動化觸達就發揮了作用。●個性化推薦：以用戶畫像爲基礎構建推薦系統、搜索引擎、廣告投放系統，可以有效提升轉化率。●用戶統計與行業研究：根據用戶的屬性、行爲特徵對用戶進行分類後，統計不同特徵下的用量、分佈，分析不同用戶畫像羣體的分佈特徵和走勢等。 漏斗分析 業務都是有先後流程的，從業務流程起點開始到最後目標完成的每個環節都會存在着用戶流失，會造成前面流程用戶多、後面流程用戶少的情況，因此，我們需要一種分析方法來衡量業務流程每一步的轉化效率和用戶流失情況，這種分析方法就是我們接下來要講的漏斗分析。 AARRR模型，是用戶增長和用戶生命週期管理最常用的漏斗模型，從用戶生命週期的各階段入手，包括Acquisition（用戶獲取）、Activation（用戶激活）、Retention（用戶留存）、Revenue（用戶產生收入）、Refer（自傳播）。通過判斷哪個階段的用戶存在問題，進而對問題階段的用戶進行細分、精細化運營，完成用戶向成熟用戶和付費用戶的引導，最終實現用戶增長。 AIDMA模型 該理論認爲，消費者從接觸到信息到最後達成購買，會經歷5個階段：注意→興趣→慾望→記憶→行動（購買），消費者從不知情者變爲被動了解者再變爲主動了解者，最後變爲主動購買者 RFM用戶分層分析 RFM最早產生於電商領域，根據客戶的交易數據衡量客戶的價值，對客戶進行細分。衡量客戶價值的三個維度爲R（Recency，交易間隔）、F（Frequency，交易頻度）、M（Monetary，交易金額）。三個維度分別對應着客戶的黏性、忠誠度和貢獻。 R分值、F分值和M分值三個指標構成了一個三維立方圖，在各自維度上，根據得分值又可以分爲高、低兩個分類，分別用1或0表示（需要注意的是：R分值高對應的最近一次交易距今的時間間隔短），最終對3個指標進行組合，構成了8大客戶羣體。

讀完後，不得不吐槽一下。說說這本書到底講了什麼？簡單概括爲：通篇是概念，少部分講述適用場景，而對於怎麼用？所有關鍵內容每章都是一句話帶過，掃描二維碼，鏈接小冊子查看。然後整本書還沒有二維碼，好傢伙，這是寫書割韭菜呢。

雖說是72問，看似雜亂無章，看目錄非常有章法，目錄就可以給零基礎一個很好的知識體系，根據這些體系通過讀書再往裏面填寫東西，從一開始的思維方法，作者就分了很多中，給數據分析方法歸類了，這樣就能很清晰的對分析方法的用途有了一個初步的認知，這個分析方法幹什麼用，怎麼用，如何用等等， 數據分析想要有結果最重要的是落地，這一點特別好，大部分書籍裏面不提如何落地，怎麼落地，這本書就教他們如何落地，還是非常值得一看的

可以感覺到作者是對業務非常熟練的，彙報和項目管理都是非常有經驗，可惜案例實在是太少了，廣度足，但是都蜻蜓點水

是一本數據分析入門的必讀的。通俗簡單，能夠對數據分析的相關概念有大致的瞭解。這本書蘊含的思想邏輯和分析原則，要好好體會，對以後的學習有很大的幫助。