數據分析：企業的賢內助

大家都在講大數據，其實數據大小不重要，重要的是怎樣挖掘出其中的價值，一本書籍，看的快慢不重要，重要的怎樣能快速理解書中的道理，思考出重點價值，有的可用在生活上，有的可以提升自己，有的藏在心理，說不準什麼時候會用到，雖然有很多有價值道理，會隨着時間，悄悄的從記憶中溜走，消失在腦海裏，但至少留下了痕跡，不斷的鍛鍊思考，對書中的內容，有着獨到的見解，看法，日積月累的養成習慣，思維將會與曾經判若兩人，這種改變的思維，將會隨着閱讀，每天都在成長，成長到自己覺得不可思議的地步。

這次不推薦書，分享傳統行業數字化轉型感悟。本書爲我打開了數字化運營的門。[微笑] 且將行業競爭看成是“戰爭”的一種組成形式。 首先，傳統企業需要通過敏捷化組織，逐步從傳統渠道“以產品爲中心”轉型至“以客戶爲中心”。 傳統企業要響應外部的變化，需要“聚焦”核心業務，並根據企業發展規模不斷重新“定位”；其次，在明確業務“關鍵鏈”之後，打造核心業務價值同時，通過敏捷化小組不斷嘗試新的業務形態，簡稱“試錯”。這裏涉及到 互聯互通、流程化、數據化與信息化統一管理。 所以最終的競爭都會落到企業本身，組織管理能力、協作能力和程度直接決定着企業在行業中乃至垮行業的生命力。 《士兵突擊》曾經說過一句話----- 飛機終將會被擊落，戰艦最後也會被擊沉，一場真正殘酷的戰爭，到最後，任何高精尖的武器都會耗盡，戰爭的根本，還是人和人的對抗，人和人的戰爭。 其次，“數字化運營”企業數據不會主動創造價值，但是他能展現現狀。 “數字化運營”目標就是認可人與人的差異，特別是人性與人性的差異。不同的人看到“老人與少女”圖理解均不一樣（正着看是老人，倒着看是少女）。因爲人都是透過自己的經驗在看世界，所以就企業而言統一運營視角與關注點纔是重要的。如何做？答案是，統一業務數據化視角，明確業務“數據運營”能力點。 企業內部“生態體系”但是最終還是得依靠人，來執行“業務流程優化”。但是至少在數據層面能考量，“優化”效果。

數據分析：企業的賢內助：當賢內助，光有熱情不夠 陳哲給數據分析師起了一個很親民的稱呼——企業的“賢內助”。這個比喻挺好懂，企業是在外打拼的丈夫，數據分析師就是幕後出謀劃策的幫手。但通篇讀下來，“賢內助”這個身份需要具備的專業厚度，遠超想象。 這本書最大的亮點是講故事。數據分析本身是門晦澀的學問，作者選擇用人物對話和故事來推進，把讀者帶入具體情境。比如把數據分析師比作廚師，數據就是食材，分析就是烹飪。看別人做一遍，比自己啃公式直觀得多。案例來自真實經營場景，從戰略、投資到營銷決策，有讀者評價“豁然開朗”，感覺知識被梳理通了。 但成也故事，敗也故事。有讀者翻開第一章就想放棄，覺得對話形式拖慢了節奏——想學乾貨的人，未必有耐心聽人物聊天。全書在章節編排上兼顧了高管、入門者和分析師三類讀者，立意高遠，但實操層面依然不夠細。有讀者認爲“大而全”，真要上手還得額外補課。這本書更像一份地圖，告訴你山在哪裏，但爬山的體力還得自己練。 這本書豆瓣評分7.8，專業上夠嚴謹，表達上夠生動，但過分追求可讀性反而稀釋了深度。它不是一本速成手冊，而是一本啓蒙讀物。如果你想找一個輕鬆入門的引路人，它會是個不錯的嚮導；如果你想直接上手幹活，建議換一本更乾的。賢內助可以幫你理清思路，但最終拍板做決策的，還是你自己。

微信讀書讀完的第322本書，《數據分析：企業的賢內助》。 本書通過有趣的故事，通俗的語言，豐富的營銷、財務、投資知識，展現數據分析的具體工作內容與流程，瞭解數據分析的方法，拓展對“數據分析”的認知，培養數據分析的思維與能力。 1、數據分析是什麼？ 數據分析包括營銷分析、運營分析、財務分析等。 公司設立組織架構，這些分析部門，有可能是集中在數據分析部，也可能分散在營銷部、財務部等。 營銷分析：運用營銷模型等，對營銷進行分析，比如產品-市場擴展矩陣（現有/新產品與市場）、GE矩陣（匹配度與吸引力）、ADP模型（性價比、市場容量、分銷、態度） 財務分析，也是數據分析的一部分，包含“財務”與“分析”，財務BP是財務分析與業務相結合。 明白數據分析在企業中的角色，以及數據分析的範疇。 2、數據分析有什麼作用？ 戰略決策、投資項目評估（項目收益與風險分析）、營銷決策等，可積累數據分析的分析思維、分析模板與模型。 3、數據分析的能力要求是什麼？ 具備統計學、心理學、社會學、人口學、營銷學、財務管理的知識， 具備邏輯清晰、堅持不懈、細緻入微、態度嚴謹、溝通順暢等素質。 熟悉數據分析軟件(SPSSSASSTATISTICMATLAB等）、瞭解數據分析的方法、熟悉數據分析項目的過程 。 數據敏感性和思維邏輯性是道，而分析方法和操作技能是術。 不斷訓練自己對一件業務的認知，如果你要分析這個項目，會用怎樣的分析思維，把分析思維羅列起來，與書中的思維方式比對，增加分析的模型範式。 思維方式決定方法論，分析的思維方式，很大程度決定着方向與結果。 4、如何做數據分析？ （1）方案設計：明確分析思路,思維導圖 做分析要解決什麼問題？分析的對象是誰？選取多大的空間範圍？覆蓋多長的時間範圍？考慮哪些內容？使用多少方法模型？需要多少投入？ 將需求分解成不同維度的研究內容（假設、論證方法），不重不復。 （2）數據分析方法： A、數據採集：抽樣設計、問卷設計（信度、效度檢測） B、數據處理：數據錄入、清洗、加工 C、數據分析（描述性分析、對比性分析、差異性顯著） （3）展現演示：圖表呈現、報告撰寫（能用圖表就不用數據，能用圖片就不用文字、能用動態呈現就不用靜態展示）。 本書是一本工具書，乾貨很多，需要在實踐中不斷參考、消化本書的內容，得到具體的實操。

#小曾曾讀書筆記#《數據分析：企業的賢內助》：讀罷本書，有兩點最爲直觀的感受：行文敘事方式清新脫俗；從宏觀方法論到微觀落地操作均有涵蓋。 本書從數據分析師能力要求、數據分析六步法——設計方案、數據採集、數據處理、數據分析、數據展現、報告撰寫——兩大方面進行故事性闡述，生動明瞭，通俗易懂。 在戰略分析、投資分析、營銷分析版塊，提供了特別多實用的分析方法論和原理，對自己特別受用。不同於一般數據分析類數據會講解數據指標體系和業務具體模式分析，本書更加註重的是方法論的沉澱和引導、Excel圖表的落地實踐以及對數據分析全流程的宏觀把控。 讀完，或許有自己的一些收穫。 最後總結下書中的知識點： 1、做戰略決策要看兩點——方案吸引力和企業匹配度。方案吸引力回答備選方案好不好，值不值得去做的問題。企業匹配度回答企業實力強不強，能不能做得了的問題。只有方案與實力相匹配，纔是有效的戰略決策。 2、數據分析目標：1）做過多少個項目？2）業務背景有哪些？是否跨行業？3）做過多少種類型的模型？做了多少個模型？4）基於模型做過多少次完整的marketing閉環？ 3、優秀數據分析師四重境界分別指：深度、信度、效度、通度。四種專業態度：避免從衆心理；避免偏見；合理懷疑；換位思考。五大分析要素：圖紙、材料、步驟、工具、方法。數據分析六步法：設計方案、數據採集、數據處理、數據分析、數據展現、撰寫報告。 4、分層抽樣的拇指原則：樣本若分成不同的組，總樣本量要保證每組的樣本量都不能低於100個；當每組樣本還需按不同的特性或配額劃分成更小的組時，要保證每個小組的樣本量至少爲20～50。 5、問卷設計7準則:1）簡單易懂；2）易接受，避免尷尬甚至拒訪；3）測試點要單一；4）要避免問題的傾向性或誘導性；5）問題的選項要全面，不能有遺漏；6）選項之間要獨立，不能有包含的關係；7）問題表述具體化，避免產生歧義。 6、預測原則：類推原則；慣性原則；相關原則；概率原則。 7、時間序列由四部分構成：長期趨勢T、季節變動S、週期變動C、不規則變動I。基於經驗，時間序列常用乘法模型：Y=T×C×S×I。C、S、I都是相對數，通過影響T來影響Y。正向影響則大於1，負向影響小於1，沒有影響等於1。 8、4P營銷組合，即開發產品（Product）、制定價格（Price）、鋪建渠道（Place）、市場推廣（Promotion）。分別對應方法論爲：Product-KANO模型；Price-PSM價格敏感度測試模型；Place-品牌知覺圖；Promotion-定標比超分析。 9、好報告的建議一定要能落地，爲此要做到三點：搞清給誰提建議、結合業務提建議、不迴避不良結論。

雖然書的內容沒有問題，營銷的知識點全面，甚至出現了的財務模型，營銷計劃+財務模型基本上就是一份商業計劃書了，但是我還是給出不推薦的評價。 首先，如果你從來沒有學過spss，sas這些數據分析，那麼請保護你的思維，如果不是迫不得已，這輩子都不要接觸，這玩意就是以後荼毒思維的毒藥，會把你的思維變得單一且機械，剝奪了你的反脆弱性，也就是創新的可能。爲什麼 ？如果數據預測能成功，這個世界上就沒有不成功的產品了，不論Python還是問卷，這些變量都是你自己定出來的，從一開始基本的結果已經被鎖定，你只是證明了你想證明的東西，當你新可樂出現的時候，可口浪費400萬美金，測出來的結果和實際完全不一樣，另外營銷最強的可口策略成功不到5%，誰給你的勇氣說睡數據分析能預測未來。諾基亞測蘋果的份額不會超過8%，unimark預言個人電腦不能成爲主流，蘋果董事會希望喬布斯停止蘋果，因爲測算出來不會成功! 數據分析比財務模型更加可以，財務模型，尤其是公司CFO一定要找MBA背景的，如果沒有多元思維模型的CFO會被價值網絡綁架的死死的，徹底摧毀新的S創新曲線的誕生。 第二，商科引入數據分析的目的是什麼？你見過那個公司起步的時候用這些玩意，用這個過程本身就是一種消耗，就像管理本來是爲了增加效率，但是隨着發展結果管理的框架成了束縛，而且還需要更多的管理人員去管理系統中的管理人員，系統越來越緩慢冗餘。接着說回來，數據分析的意義在哪裏？鍾型曲線的高斯正態分佈是測算經濟的，好笑的這東西從來沒有預測出來一次經濟危機 ，正常的來說人們喫虧一次就不會再被騙，但奇怪的這東西越來越火，這可真的要感謝無良的經濟學家們，這東西可以弄得特別複雜，一大堆名詞甩出來，什麼自變量，因變量，不可控變量，定比，定距，ANOVA，迴歸分析，什麼尼爾森係數，P值顯著性真些東西一出來，客戶大呼專業，然後乖乖掏錢。別搞笑了，這東西用在能控制變量的實驗科學的對比組還有點用，但也避免不了n+1的黑天鵝，但是最起碼能提供聚合效動，給出一個豁然性的方向去嘗試。但是商科別說樣本量少，那就是沒有樣本，商科是案例法，從一個案例中歸納，難道生活中可以控制住公司的所有條件，然後調整單一因素做對比組嘛？基於光環效應和倖存者偏差來看“基業長青”，結果號稱動用上百個研究員總結出來的鐵律，結果裏面所謂的好公司大多數連標普500都沒路過，狗選的都比這些所謂的專家強，結果現在還有推基業這種垃圾書籍。硅谷的霍夫曼最怕也是做商業計劃的初創，一旦拿到的投資，基本就涼了，因爲他會嚴格按照計劃去做，但是商業哪來的計劃，都是一步步推出來的，比如馬雲先做淘寶，因爲要解決信任問題開始做支付寶，誰都不可能想到公司的最終形態，只是有一個想要解決的問題，一切都圍繞怎麼更好的解決這個問題，比如支付寶只是讓生意更加好做的手段，馬雲的目標就是讓天下沒有難做的生意，所以一切都爲了這個願景服務。尤其是之前上學的時候聽到同學說，數據分析是以後最有用的，如果想成爲一個人思維簡單的機器人，它絕對是當仁不讓的。教你的老師基本都是沒有商業經驗和創業經驗的膽小鬼，從根上來說商科這些東西就是搞笑的和騙錢的。因爲學了這些很少無創業，因爲有分險呀，但是給別人做分析可以把自己的反脆弱性建立在犧牲別人基礎上。 商科和經濟學真的是太美妙了，美妙的可以合理合法幹着受別人尊重的工作。真好呀

強烈推薦！數據分析師必備！沒有之一！ 爲什麼知乎博客從來沒有人推薦這本書，真的是滿滿乾貨，比《增長黑客》《精益數據分析》《數據之美》都要務實太多 這本書是真真正正的數據分析師寫出來的，裏面總結了數據分析師會遇到的各種難題和解決辦法，對我真的是太有用。分析思路的確定，數據的處理，模型的選擇，圖表的優化，報告的撰寫，每一步都踩了很多坑，慢慢地摸爬滾打中，藉此書激勵自己好好努力！

第一次看這本書時，時間應該是兩三年前，當時做數據相關的產品工作，希望系統性地瞭解數據分析的流程和系統性地分析思路。但市面上很多書籍 都限於技術層面，在應用場景和案例方面缺乏深入的實例，讀起來乏味，或者止於理論。這本書，算是一本講解數據分析的“道”和“術”且適合非技術人員閱讀的書籍，書中以廚師做飯做比喻，系統講解了方案設計、數據採集、數據處理、數據分析和數據展現五個方面的完整流程，與我們實際過程中一致。本書的不足之處在於兩點:一是各模塊的深度有限，需輔助其他的書籍來交叉閱讀效果更好;二是excel做數據處理的工具，相對於具有sql或python/R編程能力的分析師或技術來說，效率較低。但瑕不掩瑜，我已經不下三次把這本書推薦給身邊想了解數據分析的同學了。相關建議如下: 1.想入行分析師，或希望學會數據分析能力的同學 ，可通讀一遍，尤其關注方案設計、數據分析思路部分。與自己看數據時的思路做對比，或參考文中提供的思維模型（KANO/SWOT/5W2H等）去試着分析自己面臨的問題，內化知識，效果更加。 2.想對數據採集方法、數據模型（事件分析漏斗分析、留存分析、分佈分析、點擊分析等）瞭解更多的，可閱讀神策數據桑文鋒的《數據驅動:從方法到實踐》。 3.瞭解更多的數據分析方法與應用，可閱讀talkingdata於洋的《遊戲數據分析的藝術》，只看目錄，就能發現很多有意思的部分，比如收入分析、圖關係分析。 4.網站分析方面，推薦王彥平的《人人都是網站分析師:從分析師的角度解讀和理解數據》。這本書全全面詳實地介紹了GoogleAnalysis的使用和原理，如站內搜索分析，歸因分析。目前國內的百度統計等網站統計，都源於GA，想了解網站分析鼻祖GA的同學可以看看。 5.想轉行數據產品的，可閱讀李鑫《數據產品經理的必修課》。書中對數據PM的日常工作梳理得非常清晰，覆蓋的能力圖譜也非常全面。 6.行業趨勢，推薦閱讀數瀾科技的《數據中臺:讓數據用起來》。其中，第4章 企業數據應用成熟度評估 和第7章 數據中臺體系架構，推薦優先閱讀。 希望以上書單，對大家有所幫助[微笑]

我是市場營銷專業的，兩點感受： 1. 整個架構，內容像是在做市場調研，而非數據分析 2.  內容完整度還算可以，小白看沒問題 3. 與我這兩年做的數據分析，內容和檔次都差很多 4. 真實環境中，分析是一個基於具體業務的理性分析決策行爲，底層是數據邏輯支撐。而數據處理則會佔據90%時間，本書還是有點誇誇其談。

第三章、優秀之路 一、四重境界——深度 深度是指數據分析對項目的支持程度，當項目面臨決策難題時，數據分析若要有深度，則要全面回答3個問題：（是什麼，爲什麼，怎麼辦？） ❏項目的現狀和問題是什麼？ ❏問題爲什麼會產生？ ❏項目該怎麼辦？ -善於提問，善於思考🤔，實踐中多悟多用。 -二、四重境界——信度 •第二重境界是信度。信度是指分析結果的可靠程度。要有信度，需滿足三個條件：對比要可比、差異要顯著、描述要全面。 •1、對比要可比。事實上，在我們的身邊充斥着大量不具有可比性的對比分析，它嚴重影響了分析結果的可信度。 •2、差異要顯著。企業在做精細化營銷時，往往要用數據來理解不同用戶的差異。那麼數據相差多大才表明不同用戶間的確存在差異呢？ • a、組間差異與組內差異，[]那麼如何判斷差異來源呢？需要顯著性檢驗。常用的顯著性檢驗有T檢驗和方差分析[ 差異研究的目的在於比較兩組數據或多組數據之間的差異，通常包括以下幾類分析方法，分別是方差分析、T檢驗和卡方檢驗。核心的區別在於：數據類型不一樣。如果是定類和定類，此時應該使用卡方分析；如果是定類和定量，此時應該使用方差或者T檢驗。 方差分析(Analysis of Variance，簡稱ANOVA)，又稱“變異數分析”，是R.A.Fisher發明的，用於兩個及兩個以上樣本均數差別的顯著性檢驗。 由於各種因素的影響，研究所得的數據呈現波動狀。造成波動的原因可分成兩類，一是不可控的隨機因素，另一是研究中施加的對結果形成影響的可控因素。]。T檢驗只適用於兩組樣本，而方差分析則適用於多組樣本。 •3、描述要全面。如居民平均工資收入，使用基尼係數[ 設實際收入分配曲線（洛倫茲曲線，從最窮人數佔比到最富人數佔比）和收入分配絕對平等曲線之間的面積爲A，實際收入分配曲線右下方的面積爲B。並以A除以（A+B）的商表示不平等程度。這個數值被稱爲基尼係數或稱洛倫茨係數。 ]。 •三、四重境界——效度 •效度是指分析的效率。效度的衡量標準有兩個：速度和成本。速度越快、成本越低，則效度越高。 •在效度方面，社交網絡分析[]之所以優於傳統方法，在於它能夠抓住重點。中心羣體和隨機人羣相比，中心羣體更重要，因此，社交網絡分析以中心羣體作爲研究對象。用重點單位來發現規律和趨勢[]，就能事半功倍，產生效度。 •四、四重境界之通度 •溝通的順暢度即通度，通度高低直接影響數據價值的發揮水平。 •如何提高數據分析的通度？“三用三不用”原則：能用圖表就不用數據；能用圖片就不用文字；能用動態呈現就不用靜態展示。 二、態度 避免從衆心理 避免偏見 合理懷疑，在做數據分析時，分析師要合理懷疑，通過假設檢驗等方法 換位思考，從多角度看待數據和使用數據。 德爾菲法（Delphi method）[ 採用背對背的通信方式徵詢專家小組成員的預測意見，經過幾輪徵詢，使專家小組的預測意見趨於集中，最後做出符合市場未來發展趨勢的預測結論。德爾菲法又名專家意見法或專家函詢調查法，是依據系統的程序，採用匿名發表意見的方式，即團隊成員之間不得互相討論，不發生橫向聯繫，只能與調查人員發生關係，以反覆的填寫問卷，以集結問卷填寫人的共識及蒐集各方意見，可用來構造團隊溝通流程，應對複雜任務難題的管理技術。] 三、要素 分析思路[ 分析師的圖紙就是分析思路。要想清楚5W2H： ❏做分析要解決什麼問題（Why）？ ❏分析的對象是誰（Who）？ ❏選取多大的空間範圍（Where）？ ❏覆蓋多長的時間範圍（When）？ ❏考慮哪些內容（What）？ ❏使用什麼方法模型（How）？ ❏需要多少投入（How much）？]——圖紙/項目計劃書，模型[ 我沒有分析思路怎麼辦？如果你是爲企業做數據分析，你的思路有多寬取決於你腦子裏有多少營銷模型。比如： 分析競爭對手，你要想到波特五個力； 分析外部環境，你要想到PEST分析； 分析用戶偏好，你要想到科特勒的用戶決策流程] 材料[ 文案資料和調研數據都是分析師的材料，從容易度看，調研數據不及文案資料； 從可用性看，文案資料不及調研數據。 ]——需求與資源匹配 步驟[ 數據分析也有六步曲： 明確分析思路—數據採集—數據處理— 數據分析—圖表展現—報告撰寫。]—— 工具——圖一是分析步驟與匹配的常用分析工具 圖二是Excel使用的五重境界，其中重要模塊有迴歸分析、方差分析、T檢驗、規劃求解。 方法[ 按照所解決的問題，數據分析方法分別爲描述、因果、預測和諮詢四類方法。 按照所應用的領域，數據分析方法分爲量化戰略、量化投資、量化經營三類方法。 ] 總結[ 四重境界是——深度、信度、效度和通度。 四種態度是——避免從衆心理、避免偏見、合理懷疑、換位思考。 五大要素是——圖紙、材料、步驟、工具、方法。 數據分析分六步——設計方案、數據採集、數據處理、數據分析、數據展現、撰寫報告。] 第四章、設計方案 數據分析師就好比廚師：設計方案就是下單；數據採集就是備料；數據處理就是切配；數據分析就是烹飪；數據呈現就是打荷。 4.1問題[ 幾個關鍵問題：爲什麼要立項做數據分析？項目週期有多久？分析哪些地區？分析誰？誰分析？分析哪些內容？如何分析？需要多少經費支持？]， 4.1.1方案的作用[ 對研究機構而言，研究方案（又叫項目建議書）主要是用來競標的。企業有一個項目，會有很多家研究機構都想做，那到底給誰做呢？可以公平競標，看看誰的研究方案寫得好，報價也相對合理。對企業而言，研究方案需要領導審批，主要是用來解決領導所關心的一些決策問題的。對我們而言，研究方案可用來指導我們的數據採集和分析工作，一案在手，成竹在胸。] 4.1.2方案的構成[ ❏原因（Why）——研究目的 ❏時間（When）——項目週期 ❏地點（Where）——調查地點 ❏人物（Who）——研究對象與項目組成員 ❏事件（What）——研究內容 ❏方法（How）——數據採集方法與研究方法 ❏程度（How much）——項目報價] 圖3,研究方案解決的問題和構成七要素 4.1.3原則 1.一個假設[ 不要把撰寫研究方案當成寫計劃書，而是要作爲講演稿來準備。有很強的宣傳性 ] 2.兩個要求[ ❏理論要上天。 理論要上天是指在研究方案裏一定要有科學實用的理論模型和方法，比如KANO模型、PSM模型等來吸引企業的眼球，體現研究的專業性。 ❏經驗要入地。 ] 3.三個問題[ ❏客戶需要什麼樣的信息？ ❏客戶爲什麼需要這樣的信息？ ❏客戶用這些信息做什麼？ ] 4.四個想象[ ❏想象自己是行業專家。 ❏想象自己親自執行操作。 ❏想象自己撰寫報告。 ❏想象自己使用報告結果。 ] 4.2，奏響方案七步曲 1）明確研究目的[ 那麼，如何明確研究目的呢？需要與領導有效溝通，清楚領導所面臨的問題，深挖領導做分析的真正意圖。 是定量研究還是個性研究？ 接到領導需求第一反應是領導的目的是什麼，按照此流程來應對: 1、問問題（背景、目的、想達到的效果） 2、要資源（說出自己的想法和流程，是否有可以支持到的信息或者人力資源） 3、搞落地（知道領導需求了，資源也要到了，怎麼把策劃方案變成現實，就需要考慮最關鍵的一步也就是落地)]：明確研究目的是研究方案的首要問題，是數據分析工作的起點。 2）分解研究內容；①分解思路與步驟[ 先演繹再歸納是邏輯樹分析的要點。 ]，②分解原則[ 不重不漏：用統計學語言解釋，就是各項內容應構成一個完備事件組。所有內容的並集是全集（即各種情況都考慮到了，做到不漏）；任意兩項內容的交集是空集（即任意兩項內容不能有交叉，做到不重）。]，不重不漏 3）找準研究對象；調查誰？[ 研究對象是回答向誰（Who）調查的問題。如何尋找研究對象呢？要由研究目的和內容來決定。] 4）選擇方式方法； 5）計劃項目周[ 如何計劃項目週期呢？ 在計劃項目週期時要綜合考慮項目難度、數據採集方法、樣本量以及客戶對時間的要求等因素，按照項目操作的流程做出合理的設計，並需要與客戶最終確認。]期：時效性 6）估算項目報價；經濟性[ 客戶要做分析，就要在分析的作用和所花的成本間衡量，希望數據分析能在成本最低的情況下解決自身所面臨的問題]，如何確定[ 項目報價要綜合考慮以下幾方面的因素。 ❏項目所採用的調查方法：不同的調查方法，單位成本不同。 ❏樣本量：樣本量越大，抽樣誤差越小，但項目報價越高。 ❏研究對象：研究對象越難約訪，項目報價越高。 ❏時間進度：進度越緊張，項目報價越高。 ❏項目需求方所能承受的經費範圍。]？ 7）確定項目組成員；如何？[ ❏誰是項目的負責人？ ❏還有誰參與這個項目？ ❏項目組成員的教育背景如何？ ❏項目組成員的研究經驗有哪些？ ❏項目組成員是否做過同類型的項目？]姓名，背景，職責等 圖4研究方案的七步曲與數據分析六特性 4.3實踐，案例分析+總結 圖5,研究方案的設計框架圖 第五章，數據採集 5.1 解讀數據的特徵[ ❏基於時效性，數據採集要有項目週期。 ❏基於概率性，數據採集要有抽樣設計。 ❏基於分散性，針對不同的數據來源要有不同的採集方法和問卷設計。 ❏基於再創性，要對採集到的數據信息深入地分析和解讀。] 時效性[ 所謂時效性是指數據的發生和運用要有個提前期，失去時效性，就失去了潛在機會。] 分散性[ ）沒有固定發生地。數據沒有固定發生地，因此需要多渠道採集數據，除了上網和去圖書館查資料外，還要留意電視、雜誌等媒體的信息，關注統計局、行業協會、研究機構的數據或者直接做市場調研。 2）零散分佈，相互關聯才完整。數據是零散的，真正能還原和利用數據的都是勤于思考、努力尋找數據關聯性的人。] 概率性[ 數據的概率性表徵了隨機事件發生的可能性，如果一件事情發生的概率是1/n，不是指n次事件裏必有1次發生該事件，而是指在大量重複試驗的條件下，該事件發生的頻率接近於1/n這個數值。換句話說，大量重複是顯現概率規律的前提條件。] 再創性 5.2，二手數據案頭淘 ①一手，二手數據[ ❏一手數據是通過查找或購買無法獲取的，只能通過親自調研獲取，相應的採集方法是實地調查。 ❏二手數據是別人已經整理出來的，只要查找或購買就能獲取，相應的採集方法是案頭調查。 二手數據更易獲取，一手數據可用性更強。] ②二手數據的價值[ .爲實地調查創造條件，是一手數據的有效補充 .爲企業發展決策提供依據， 用於企業的經常性研究工作， 二手數據更適合企業做經常性的研究工作。一手數據費時費力，難以頻繁進行；而二手數據則不同，成本低、時間短，採集簡單，有很強的靈活性，隨時可以根據企業需要進行收集和分析，指導企業日常工作。] ③二手數據的查找 ④匹配度分析 5.3，一手數據實地跑 數據採集：調查方法、抽樣設計和問卷設計 採集方法：實驗法、訪問法[ 定性與定量 定性研究主要回答“是什麼”、“爲什麼”的問題，目的是探測消費行爲背後的偏好、習慣、遇到的問題、生活方式和建議等，主要用於探索性和因果性分析。 定量回答是多少、到底量有多大的問題。 有無媒介]、觀察法三種訪問法的分類訪問法訪訪問法的分類 表5-5 各種訪問法的優缺點和適用性比較 調查方式：多快好省用抽樣[ 抽樣調查具有經濟性、易操作性和廣泛適用性。因此，抽樣調查是我們最常用的調查方式，那麼具體如何來抽樣呢？可以從兩個方面來回答這個問題。第一，抽樣技術如何選擇？第二，樣本量如何確定？] 2.抽樣技術的選擇 簡單抽樣[ 簡單隨機抽樣適合於什麼樣的總體？個體差異不大的總體，也就是說由於個體差異不大，不管誰被抽取到了，都不太會影響對總體的分析。] 分層抽樣[ 分層抽樣包括分類和抽樣] 3.樣本量的確定[ 抽樣，就要確定樣本量。樣本量的確定是一個比較複雜的問題，它的大小不取決於總體的多少，而是取決於研究對象的變化程度、所允許的誤差大小以及所要求的推斷置信程度。在確定樣本量時，既要有定性的考慮，又要有定量的考慮。 從定性的角度來看，需要考慮決策的重要性、研究性質、變量的個數、資源限制等。具體地說，重要的決策、結論性研究、多變量、資源充足則樣本量要大一些。 從定量的角度來看，不同的估計對象（總體均值或成數），不同的抽樣方式（重複抽樣或不重複抽樣），樣本量的計算公式是不同的。] ❏一種是定量的確定方法——根據所允許的抽樣誤差範圍確定樣本量。 ❏一種是定性的確定方法——根據特定目的確定樣本量。 問卷設計細思量 數據採集的框架結構圖 第六章、數據處理（理論和相關軟件操作要結合） 6.1 入庫：數據錄入 6.1.1 錄入結構 6.1.2 編碼 6.2 沖洗：數據清洗 6.2.1 查重 6.2.2 改缺 6.2.3 糾錯 6.3 切堆：數據加工 6.3.1 數據抽取 6.3.2 數據排序與分組 6.4 打焯：數據描述 6.4.1 集中與離散趨勢 6.4.2 頻數分佈 6.4.3 交叉分佈 總結 數據處理框架圖 第七