数据分析：企业的贤内助

大家都在讲大数据，其实数据大小不重要，重要的是怎样挖掘出其中的价值，一本书籍，看的快慢不重要，重要的怎样能快速理解书中的道理，思考出重点价值，有的可用在生活上，有的可以提升自己，有的藏在心理，说不准什么时候会用到，虽然有很多有价值道理，会随着时间，悄悄的从记忆中溜走，消失在脑海里，但至少留下了痕迹，不断的锻炼思考，对书中的内容，有着独到的见解，看法，日积月累的养成习惯，思维将会与曾经判若两人，这种改变的思维，将会随着阅读，每天都在成长，成长到自己觉得不可思议的地步。

这次不推荐书，分享传统行业数字化转型感悟。本书为我打开了数字化运营的门。[微笑] 且将行业竞争看成是“战争”的一种组成形式。 首先，传统企业需要通过敏捷化组织，逐步从传统渠道“以产品为中心”转型至“以客户为中心”。 传统企业要响应外部的变化，需要“聚焦”核心业务，并根据企业发展规模不断重新“定位”；其次，在明确业务“关键链”之后，打造核心业务价值同时，通过敏捷化小组不断尝试新的业务形态，简称“试错”。这里涉及到 互联互通、流程化、数据化与信息化统一管理。 所以最终的竞争都会落到企业本身，组织管理能力、协作能力和程度直接决定着企业在行业中乃至垮行业的生命力。 《士兵突击》曾经说过一句话----- 飞机终将会被击落，战舰最后也会被击沉，一场真正残酷的战争，到最后，任何高精尖的武器都会耗尽，战争的根本，还是人和人的对抗，人和人的战争。 其次，“数字化运营”企业数据不会主动创造价值，但是他能展现现状。 “数字化运营”目标就是认可人与人的差异，特别是人性与人性的差异。不同的人看到“老人与少女”图理解均不一样（正着看是老人，倒着看是少女）。因为人都是透过自己的经验在看世界，所以就企业而言统一运营视角与关注点才是重要的。如何做？答案是，统一业务数据化视角，明确业务“数据运营”能力点。 企业内部“生态体系”但是最终还是得依靠人，来执行“业务流程优化”。但是至少在数据层面能考量，“优化”效果。

数据分析：企业的贤内助：当贤内助，光有热情不够 陈哲给数据分析师起了一个很亲民的称呼——企业的“贤内助”。这个比喻挺好懂，企业是在外打拼的丈夫，数据分析师就是幕后出谋划策的帮手。但通篇读下来，“贤内助”这个身份需要具备的专业厚度，远超想象。 这本书最大的亮点是讲故事。数据分析本身是门晦涩的学问，作者选择用人物对话和故事来推进，把读者带入具体情境。比如把数据分析师比作厨师，数据就是食材，分析就是烹饪。看别人做一遍，比自己啃公式直观得多。案例来自真实经营场景，从战略、投资到营销决策，有读者评价“豁然开朗”，感觉知识被梳理通了。 但成也故事，败也故事。有读者翻开第一章就想放弃，觉得对话形式拖慢了节奏——想学干货的人，未必有耐心听人物聊天。全书在章节编排上兼顾了高管、入门者和分析师三类读者，立意高远，但实操层面依然不够细。有读者认为“大而全”，真要上手还得额外补课。这本书更像一份地图，告诉你山在哪里，但爬山的体力还得自己练。 这本书豆瓣评分7.8，专业上够严谨，表达上够生动，但过分追求可读性反而稀释了深度。它不是一本速成手册，而是一本启蒙读物。如果你想找一个轻松入门的引路人，它会是个不错的向导；如果你想直接上手干活，建议换一本更干的。贤内助可以帮你理清思路，但最终拍板做决策的，还是你自己。

微信读书读完的第322本书，《数据分析：企业的贤内助》。 本书通过有趣的故事，通俗的语言，丰富的营销、财务、投资知识，展现数据分析的具体工作内容与流程，了解数据分析的方法，拓展对“数据分析”的认知，培养数据分析的思维与能力。 1、数据分析是什么？ 数据分析包括营销分析、运营分析、财务分析等。 公司设立组织架构，这些分析部门，有可能是集中在数据分析部，也可能分散在营销部、财务部等。 营销分析：运用营销模型等，对营销进行分析，比如产品-市场扩展矩阵（现有/新产品与市场）、GE矩阵（匹配度与吸引力）、ADP模型（性价比、市场容量、分销、态度） 财务分析，也是数据分析的一部分，包含“财务”与“分析”，财务BP是财务分析与业务相结合。 明白数据分析在企业中的角色，以及数据分析的范畴。 2、数据分析有什么作用？ 战略决策、投资项目评估（项目收益与风险分析）、营销决策等，可积累数据分析的分析思维、分析模板与模型。 3、数据分析的能力要求是什么？ 具备统计学、心理学、社会学、人口学、营销学、财务管理的知识， 具备逻辑清晰、坚持不懈、细致入微、态度严谨、沟通顺畅等素质。 熟悉数据分析软件(SPSSSASSTATISTICMATLAB等）、了解数据分析的方法、熟悉数据分析项目的过程 。 数据敏感性和思维逻辑性是道，而分析方法和操作技能是术。 不断训练自己对一件业务的认知，如果你要分析这个项目，会用怎样的分析思维，把分析思维罗列起来，与书中的思维方式比对，增加分析的模型范式。 思维方式决定方法论，分析的思维方式，很大程度决定着方向与结果。 4、如何做数据分析？ （1）方案设计：明确分析思路,思维导图 做分析要解决什么问题？分析的对象是谁？选取多大的空间范围？覆盖多长的时间范围？考虑哪些内容？使用多少方法模型？需要多少投入？ 将需求分解成不同维度的研究内容（假设、论证方法），不重不复。 （2）数据分析方法： A、数据采集：抽样设计、问卷设计（信度、效度检测） B、数据处理：数据录入、清洗、加工 C、数据分析（描述性分析、对比性分析、差异性显著） （3）展现演示：图表呈现、报告撰写（能用图表就不用数据，能用图片就不用文字、能用动态呈现就不用静态展示）。 本书是一本工具书，干货很多，需要在实践中不断参考、消化本书的内容，得到具体的实操。

#小曾曾读书笔记#《数据分析：企业的贤内助》：读罢本书，有两点最为直观的感受：行文叙事方式清新脱俗；从宏观方法论到微观落地操作均有涵盖。 本书从数据分析师能力要求、数据分析六步法——设计方案、数据采集、数据处理、数据分析、数据展现、报告撰写——两大方面进行故事性阐述，生动明了，通俗易懂。 在战略分析、投资分析、营销分析版块，提供了特别多实用的分析方法论和原理，对自己特别受用。不同于一般数据分析类数据会讲解数据指标体系和业务具体模式分析，本书更加注重的是方法论的沉淀和引导、Excel图表的落地实践以及对数据分析全流程的宏观把控。 读完，或许有自己的一些收获。 最后总结下书中的知识点： 1、做战略决策要看两点——方案吸引力和企业匹配度。方案吸引力回答备选方案好不好，值不值得去做的问题。企业匹配度回答企业实力强不强，能不能做得了的问题。只有方案与实力相匹配，才是有效的战略决策。 2、数据分析目标：1）做过多少个项目？2）业务背景有哪些？是否跨行业？3）做过多少种类型的模型？做了多少个模型？4）基于模型做过多少次完整的marketing闭环？ 3、优秀数据分析师四重境界分别指：深度、信度、效度、通度。四种专业态度：避免从众心理；避免偏见；合理怀疑；换位思考。五大分析要素：图纸、材料、步骤、工具、方法。数据分析六步法：设计方案、数据采集、数据处理、数据分析、数据展现、撰写报告。 4、分层抽样的拇指原则：样本若分成不同的组，总样本量要保证每组的样本量都不能低于100个；当每组样本还需按不同的特性或配额划分成更小的组时，要保证每个小组的样本量至少为20～50。 5、问卷设计7准则:1）简单易懂；2）易接受，避免尴尬甚至拒访；3）测试点要单一；4）要避免问题的倾向性或诱导性；5）问题的选项要全面，不能有遗漏；6）选项之间要独立，不能有包含的关系；7）问题表述具体化，避免产生歧义。 6、预测原则：类推原则；惯性原则；相关原则；概率原则。 7、时间序列由四部分构成：长期趋势T、季节变动S、周期变动C、不规则变动I。基于经验，时间序列常用乘法模型：Y=T×C×S×I。C、S、I都是相对数，通过影响T来影响Y。正向影响则大于1，负向影响小于1，没有影响等于1。 8、4P营销组合，即开发产品（Product）、制定价格（Price）、铺建渠道（Place）、市场推广（Promotion）。分别对应方法论为：Product-KANO模型；Price-PSM价格敏感度测试模型；Place-品牌知觉图；Promotion-定标比超分析。 9、好报告的建议一定要能落地，为此要做到三点：搞清给谁提建议、结合业务提建议、不回避不良结论。

虽然书的内容没有问题，营销的知识点全面，甚至出现了的财务模型，营销计划+财务模型基本上就是一份商业计划书了，但是我还是给出不推荐的评价。 首先，如果你从来没有学过spss，sas这些数据分析，那么请保护你的思维，如果不是迫不得已，这辈子都不要接触，这玩意就是以后荼毒思维的毒药，会把你的思维变得单一且机械，剥夺了你的反脆弱性，也就是创新的可能。为什么 ？如果数据预测能成功，这个世界上就没有不成功的产品了，不论Python还是问卷，这些变量都是你自己定出来的，从一开始基本的结果已经被锁定，你只是证明了你想证明的东西，当你新可乐出现的时候，可口浪费400万美金，测出来的结果和实际完全不一样，另外营销最强的可口策略成功不到5%，谁给你的勇气说睡数据分析能预测未来。诺基亚测苹果的份额不会超过8%，unimark预言个人电脑不能成为主流，苹果董事会希望乔布斯停止苹果，因为测算出来不会成功! 数据分析比财务模型更加可以，财务模型，尤其是公司CFO一定要找MBA背景的，如果没有多元思维模型的CFO会被价值网络绑架的死死的，彻底摧毁新的S创新曲线的诞生。 第二，商科引入数据分析的目的是什么？你见过那个公司起步的时候用这些玩意，用这个过程本身就是一种消耗，就像管理本来是为了增加效率，但是随着发展结果管理的框架成了束缚，而且还需要更多的管理人员去管理系统中的管理人员，系统越来越缓慢冗余。接着说回来，数据分析的意义在哪里？钟型曲线的高斯正态分布是测算经济的，好笑的这东西从来没有预测出来一次经济危机 ，正常的来说人们吃亏一次就不会再被骗，但奇怪的这东西越来越火，这可真的要感谢无良的经济学家们，这东西可以弄得特别复杂，一大堆名词甩出来，什么自变量，因变量，不可控变量，定比，定距，ANOVA，回归分析，什么尼尔森系数，P值显著性真些东西一出来，客户大呼专业，然后乖乖掏钱。别搞笑了，这东西用在能控制变量的实验科学的对比组还有点用，但也避免不了n+1的黑天鹅，但是最起码能提供聚合效动，给出一个豁然性的方向去尝试。但是商科别说样本量少，那就是没有样本，商科是案例法，从一个案例中归纳，难道生活中可以控制住公司的所有条件，然后调整单一因素做对比组嘛？基于光环效应和幸存者偏差来看“基业长青”，结果号称动用上百个研究员总结出来的铁律，结果里面所谓的好公司大多数连标普500都没路过，狗选的都比这些所谓的专家强，结果现在还有推基业这种垃圾书籍。硅谷的霍夫曼最怕也是做商业计划的初创，一旦拿到的投资，基本就凉了，因为他会严格按照计划去做，但是商业哪来的计划，都是一步步推出来的，比如马云先做淘宝，因为要解决信任问题开始做支付宝，谁都不可能想到公司的最终形态，只是有一个想要解决的问题，一切都围绕怎么更好的解决这个问题，比如支付宝只是让生意更加好做的手段，马云的目标就是让天下没有难做的生意，所以一切都为了这个愿景服务。尤其是之前上学的时候听到同学说，数据分析是以后最有用的，如果想成为一个人思维简单的机器人，它绝对是当仁不让的。教你的老师基本都是没有商业经验和创业经验的胆小鬼，从根上来说商科这些东西就是搞笑的和骗钱的。因为学了这些很少无创业，因为有分险呀，但是给别人做分析可以把自己的反脆弱性建立在牺牲别人基础上。 商科和经济学真的是太美妙了，美妙的可以合理合法干着受别人尊重的工作。真好呀

强烈推荐！数据分析师必备！没有之一！ 为什么知乎博客从来没有人推荐这本书，真的是满满干货，比《增长黑客》《精益数据分析》《数据之美》都要务实太多 这本书是真真正正的数据分析师写出来的，里面总结了数据分析师会遇到的各种难题和解决办法，对我真的是太有用。分析思路的确定，数据的处理，模型的选择，图表的优化，报告的撰写，每一步都踩了很多坑，慢慢地摸爬滚打中，借此书激励自己好好努力！

第一次看这本书时，时间应该是两三年前，当时做数据相关的产品工作，希望系统性地了解数据分析的流程和系统性地分析思路。但市面上很多书籍 都限于技术层面，在应用场景和案例方面缺乏深入的实例，读起来乏味，或者止于理论。这本书，算是一本讲解数据分析的“道”和“术”且适合非技术人员阅读的书籍，书中以厨师做饭做比喻，系统讲解了方案设计、数据采集、数据处理、数据分析和数据展现五个方面的完整流程，与我们实际过程中一致。本书的不足之处在于两点:一是各模块的深度有限，需辅助其他的书籍来交叉阅读效果更好;二是excel做数据处理的工具，相对于具有sql或python/R编程能力的分析师或技术来说，效率较低。但瑕不掩瑜，我已经不下三次把这本书推荐给身边想了解数据分析的同学了。相关建议如下: 1.想入行分析师，或希望学会数据分析能力的同学 ，可通读一遍，尤其关注方案设计、数据分析思路部分。与自己看数据时的思路做对比，或参考文中提供的思维模型（KANO/SWOT/5W2H等）去试着分析自己面临的问题，内化知识，效果更加。 2.想对数据采集方法、数据模型（事件分析漏斗分析、留存分析、分布分析、点击分析等）了解更多的，可阅读神策数据桑文锋的《数据驱动:从方法到实践》。 3.了解更多的数据分析方法与应用，可阅读talkingdata于洋的《游戏数据分析的艺术》，只看目录，就能发现很多有意思的部分，比如收入分析、图关系分析。 4.网站分析方面，推荐王彦平的《人人都是网站分析师:从分析师的角度解读和理解数据》。这本书全全面详实地介绍了GoogleAnalysis的使用和原理，如站内搜索分析，归因分析。目前国内的百度统计等网站统计，都源于GA，想了解网站分析鼻祖GA的同学可以看看。 5.想转行数据产品的，可阅读李鑫《数据产品经理的必修课》。书中对数据PM的日常工作梳理得非常清晰，覆盖的能力图谱也非常全面。 6.行业趋势，推荐阅读数澜科技的《数据中台:让数据用起来》。其中，第4章 企业数据应用成熟度评估 和第7章 数据中台体系架构，推荐优先阅读。 希望以上书单，对大家有所帮助[微笑]

我是市场营销专业的，两点感受： 1. 整个架构，内容像是在做市场调研，而非数据分析 2.  内容完整度还算可以，小白看没问题 3. 与我这两年做的数据分析，内容和档次都差很多 4. 真实环境中，分析是一个基于具体业务的理性分析决策行为，底层是数据逻辑支撑。而数据处理则会占据90%时间，本书还是有点夸夸其谈。

第三章、优秀之路 一、四重境界——深度 深度是指数据分析对项目的支持程度，当项目面临决策难题时，数据分析若要有深度，则要全面回答3个问题：（是什么，为什么，怎么办？） ❏项目的现状和问题是什么？ ❏问题为什么会产生？ ❏项目该怎么办？ -善于提问，善于思考🤔，实践中多悟多用。 -二、四重境界——信度 •第二重境界是信度。信度是指分析结果的可靠程度。要有信度，需满足三个条件：对比要可比、差异要显著、描述要全面。 •1、对比要可比。事实上，在我们的身边充斥着大量不具有可比性的对比分析，它严重影响了分析结果的可信度。 •2、差异要显著。企业在做精细化营销时，往往要用数据来理解不同用户的差异。那么数据相差多大才表明不同用户间的确存在差异呢？ • a、组间差异与组内差异，[]那么如何判断差异来源呢？需要显著性检验。常用的显著性检验有T检验和方差分析[ 差异研究的目的在于比较两组数据或多组数据之间的差异，通常包括以下几类分析方法，分别是方差分析、T检验和卡方检验。核心的区别在于：数据类型不一样。如果是定类和定类，此时应该使用卡方分析；如果是定类和定量，此时应该使用方差或者T检验。 方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”，是R.A.Fisher发明的，用于两个及两个以上样本均数差别的显著性检验。 由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。]。T检验只适用于两组样本，而方差分析则适用于多组样本。 •3、描述要全面。如居民平均工资收入，使用基尼系数[ 设实际收入分配曲线（洛伦兹曲线，从最穷人数占比到最富人数占比）和收入分配绝对平等曲线之间的面积为A，实际收入分配曲线右下方的面积为B。并以A除以（A+B）的商表示不平等程度。这个数值被称为基尼系数或称洛伦茨系数。 ]。 •三、四重境界——效度 •效度是指分析的效率。效度的衡量标准有两个：速度和成本。速度越快、成本越低，则效度越高。 •在效度方面，社交网络分析[]之所以优于传统方法，在于它能够抓住重点。中心群体和随机人群相比，中心群体更重要，因此，社交网络分析以中心群体作为研究对象。用重点单位来发现规律和趋势[]，就能事半功倍，产生效度。 •四、四重境界之通度 •沟通的顺畅度即通度，通度高低直接影响数据价值的发挥水平。 •如何提高数据分析的通度？“三用三不用”原则：能用图表就不用数据；能用图片就不用文字；能用动态呈现就不用静态展示。 二、态度 避免从众心理 避免偏见 合理怀疑，在做数据分析时，分析师要合理怀疑，通过假设检验等方法 换位思考，从多角度看待数据和使用数据。 德尔菲法（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，使專家小組的预测意见趋于集中，最后做出符合市场未来发展趋势的预测结论。德尔菲法又名专家意见法或专家函询调查法，是依据系统的程序，采用匿名发表意见的方式，即团队成员之间不得互相讨论，不发生横向联系，只能与调查人员发生关系，以反复的填写问卷，以集结问卷填写人的共识及搜集各方意见，可用来构造团队沟通流程，应对复杂任务难题的管理技术。] 三、要素 分析思路[ 分析师的图纸就是分析思路。要想清楚5W2H： ❏做分析要解决什么问题（Why）？ ❏分析的对象是谁（Who）？ ❏选取多大的空间范围（Where）？ ❏覆盖多长的时间范围（When）？ ❏考虑哪些内容（What）？ ❏使用什么方法模型（How）？ ❏需要多少投入（How much）？]——图纸/项目计划书，模型[ 我没有分析思路怎么办？如果你是为企业做数据分析，你的思路有多宽取决于你脑子里有多少营销模型。比如： 分析竞争对手，你要想到波特五个力； 分析外部环境，你要想到PEST分析； 分析用户偏好，你要想到科特勒的用户决策流程] 材料[ 文案资料和调研数据都是分析师的材料，从容易度看，调研数据不及文案资料； 从可用性看，文案资料不及调研数据。 ]——需求与资源匹配 步骤[ 数据分析也有六步曲： 明确分析思路—数据采集—数据处理— 数据分析—图表展现—报告撰写。]—— 工具——图一是分析步骤与匹配的常用分析工具 图二是Excel使用的五重境界，其中重要模块有回归分析、方差分析、T检验、规划求解。 方法[ 按照所解决的问题，数据分析方法分别为描述、因果、预测和咨询四类方法。 按照所应用的领域，数据分析方法分为量化战略、量化投资、量化经营三类方法。 ] 总结[ 四重境界是——深度、信度、效度和通度。 四种态度是——避免从众心理、避免偏见、合理怀疑、换位思考。 五大要素是——图纸、材料、步骤、工具、方法。 数据分析分六步——设计方案、数据采集、数据处理、数据分析、数据展现、撰写报告。] 第四章、设计方案 数据分析师就好比厨师：设计方案就是下单；数据采集就是备料；数据处理就是切配；数据分析就是烹饪；数据呈现就是打荷。 4.1问题[ 几个关键问题：为什么要立项做数据分析？项目周期有多久？分析哪些地区？分析谁？谁分析？分析哪些内容？如何分析？需要多少经费支持？]， 4.1.1方案的作用[ 对研究机构而言，研究方案（又叫项目建议书）主要是用来竞标的。企业有一个项目，会有很多家研究机构都想做，那到底给谁做呢？可以公平竞标，看看谁的研究方案写得好，报价也相对合理。对企业而言，研究方案需要领导审批，主要是用来解决领导所关心的一些决策问题的。对我们而言，研究方案可用来指导我们的数据采集和分析工作，一案在手，成竹在胸。] 4.1.2方案的构成[ ❏原因（Why）——研究目的 ❏时间（When）——项目周期 ❏地点（Where）——调查地点 ❏人物（Who）——研究对象与项目组成员 ❏事件（What）——研究内容 ❏方法（How）——数据采集方法与研究方法 ❏程度（How much）——项目报价] 图3,研究方案解决的问题和构成七要素 4.1.3原则 1.一个假设[ 不要把撰写研究方案当成写计划书，而是要作为讲演稿来准备。有很强的宣传性 ] 2.两个要求[ ❏理论要上天。 理论要上天是指在研究方案里一定要有科学实用的理论模型和方法，比如KANO模型、PSM模型等来吸引企业的眼球，体现研究的专业性。 ❏经验要入地。 ] 3.三个问题[ ❏客户需要什么样的信息？ ❏客户为什么需要这样的信息？ ❏客户用这些信息做什么？ ] 4.四个想象[ ❏想象自己是行业专家。 ❏想象自己亲自执行操作。 ❏想象自己撰写报告。 ❏想象自己使用报告结果。 ] 4.2，奏响方案七步曲 1）明确研究目的[ 那么，如何明确研究目的呢？需要与领导有效沟通，清楚领导所面临的问题，深挖领导做分析的真正意图。 是定量研究还是个性研究？ 接到领导需求第一反应是领导的目的是什么，按照此流程来应对: 1、问问题（背景、目的、想达到的效果） 2、要资源（说出自己的想法和流程，是否有可以支持到的信息或者人力资源） 3、搞落地（知道领导需求了，资源也要到了，怎么把策划方案变成现实，就需要考虑最关键的一步也就是落地)]：明确研究目的是研究方案的首要问题，是数据分析工作的起点。 2）分解研究内容；①分解思路与步骤[ 先演绎再归纳是逻辑树分析的要点。 ]，②分解原则[ 不重不漏：用统计学语言解释，就是各项内容应构成一个完备事件组。所有内容的并集是全集（即各种情况都考虑到了，做到不漏）；任意两项内容的交集是空集（即任意两项内容不能有交叉，做到不重）。]，不重不漏 3）找准研究对象；调查谁？[ 研究对象是回答向谁（Who）调查的问题。如何寻找研究对象呢？要由研究目的和内容来决定。] 4）选择方式方法； 5）计划项目周[ 如何计划项目周期呢？ 在计划项目周期时要综合考虑项目难度、数据采集方法、样本量以及客户对时间的要求等因素，按照项目操作的流程做出合理的设计，并需要与客户最终确认。]期：时效性 6）估算项目报价；经济性[ 客户要做分析，就要在分析的作用和所花的成本间衡量，希望数据分析能在成本最低的情况下解决自身所面临的问题]，如何確定[ 项目报价要综合考虑以下几方面的因素。 ❏项目所采用的调查方法：不同的调查方法，单位成本不同。 ❏样本量：样本量越大，抽样误差越小，但项目报价越高。 ❏研究对象：研究对象越难约访，项目报价越高。 ❏时间进度：进度越紧张，项目报价越高。 ❏项目需求方所能承受的经费范围。]？ 7）确定项目组成员；如何？[ ❏谁是项目的负责人？ ❏还有谁参与这个项目？ ❏项目组成员的教育背景如何？ ❏项目组成员的研究经验有哪些？ ❏项目组成员是否做过同类型的项目？]姓名，背景，职责等 图4研究方案的七步曲与数据分析六特性 4.3实践，案例分析+总结 图5,研究方案的设计框架图 第五章，数据采集 5.1 解读数据的特征[ ❏基于时效性，数据采集要有项目周期。 ❏基于概率性，数据采集要有抽样设计。 ❏基于分散性，针对不同的数据来源要有不同的采集方法和问卷设计。 ❏基于再创性，要对采集到的数据信息深入地分析和解读。] 时效性[ 所谓时效性是指数据的发生和运用要有个提前期，失去时效性，就失去了潜在机会。] 分散性[ ）没有固定发生地。数据没有固定发生地，因此需要多渠道采集数据，除了上网和去图书馆查资料外，还要留意电视、杂志等媒体的信息，关注统计局、行业协会、研究机构的数据或者直接做市场调研。 2）零散分布，相互关联才完整。数据是零散的，真正能还原和利用数据的都是勤于思考、努力寻找数据关联性的人。] 概率性[ 数据的概率性表征了随机事件发生的可能性，如果一件事情发生的概率是1/n，不是指n次事件里必有1次发生该事件，而是指在大量重复试验的条件下，该事件发生的频率接近于1/n这个数值。换句话说，大量重复是显现概率规律的前提条件。] 再创性 5.2，二手数据案头淘 ①一手，二手数据[ ❏一手数据是通过查找或购买无法获取的，只能通过亲自调研获取，相应的采集方法是实地调查。 ❏二手数据是别人已经整理出来的，只要查找或购买就能获取，相应的采集方法是案头调查。 二手数据更易获取，一手数据可用性更强。] ②二手数据的价值[ .为实地调查创造条件，是一手数据的有效补充 .为企业发展决策提供依据， 用于企业的经常性研究工作， 二手数据更适合企业做经常性的研究工作。一手数据费时费力，难以频繁进行；而二手数据则不同，成本低、时间短，采集简单，有很强的灵活性，随时可以根据企业需要进行收集和分析，指导企业日常工作。] ③二手数据的查找 ④匹配度分析 5.3，一手数据实地跑 数据采集：调查方法、抽样设计和问卷设计 采集方法：实验法、访问法[ 定性与定量 定性研究主要回答“是什么”、“为什么”的问题，目的是探测消费行为背后的偏好、习惯、遇到的问题、生活方式和建议等，主要用于探索性和因果性分析。 定量回答是多少、到底量有多大的问题。 有无媒介]、观察法三种访问法的分类访问法访访问法的分类 表5-5 各种访问法的优缺点和适用性比较 调查方式：多快好省用抽样[ 抽样调查具有经济性、易操作性和广泛适用性。因此，抽样调查是我们最常用的调查方式，那么具体如何来抽样呢？可以从两个方面来回答这个问题。第一，抽样技术如何选择？第二，样本量如何确定？] 2.抽样技术的选择 简单抽样[ 简单随机抽样适合于什么样的总体？个体差异不大的总体，也就是说由于个体差异不大，不管谁被抽取到了，都不太会影响对总体的分析。] 分层抽样[ 分层抽样包括分类和抽样] 3.样本量的确定[ 抽样，就要确定样本量。样本量的确定是一个比较复杂的问题，它的大小不取决于总体的多少，而是取决于研究对象的变化程度、所允许的误差大小以及所要求的推断置信程度。在确定样本量时，既要有定性的考虑，又要有定量的考虑。 从定性的角度来看，需要考虑决策的重要性、研究性质、变量的个数、资源限制等。具体地说，重要的决策、结论性研究、多变量、资源充足则样本量要大一些。 从定量的角度来看，不同的估计对象（总体均值或成数），不同的抽样方式（重复抽样或不重复抽样），样本量的计算公式是不同的。] ❏一种是定量的确定方法——根据所允许的抽样误差范围确定样本量。 ❏一种是定性的确定方法——根据特定目的确定样本量。 问卷设计细思量 数据采集的框架结构图 第六章、数据处理（理论和相关软件操作要结合） 6.1 入库：数据录入 6.1.1 录入结构 6.1.2 编码 6.2 冲洗：数据清洗 6.2.1 查重 6.2.2 改缺 6.2.3 纠错 6.3 切堆：数据加工 6.3.1 数据抽取 6.3.2 数据排序与分组 6.4 打焯：数据描述 6.4.1 集中与离散趋势 6.4.2 频数分布 6.4.3 交叉分布 总结 数据处理框架图 第七