精华内容
下载资源
问答
  • python做数据分析三大神器库:numpy,pandas,matplotlib
  • SEM 数据分析思维 相信很多人在做百度竞价数据分析时都会感觉思维混乱,找不到重点,从而盲目优化 也许并不是数据本身的问题,而是思维方式的问题 在很多领域里都提出:发现问题分析问题 解决问题的概念,同样在竞价推广...
  • 而且数据的准备和数据的理解,正是科学的数据分析思维必备条件之一。想要准备好自己的数据,需要从以下六个方面进行处理:第1点,是需要准备好正确的数据格式 第2点,在于对数据的基本处理,包括数据标签、数据编码...
  • 数据分析(一)——数据分析思维

    千次阅读 多人点赞 2020-10-04 18:47:27
    这篇文章具体的给大家介绍数据分析中最为核心的技术之一—— 数据分析思维 的相关内容。 一、数据分析的三种核心思维   作为新手数据分析师或数据运营,在面对数据异常的时候,好多小伙伴都会出现:“好像是A引起...

      上篇文章我们初步介绍了数据分析的概要,大概从数据分析现在的应用现状数据分析的概念数据分析的分析方法为什么要学习数据分析以及数据分析的结构层次等几方面给大家介绍了数据分析,让大家初步对数据分析有一个大概的了解。这篇文章具体的给大家介绍数据分析中最为核心的技术之一—— 数据分析思维 的相关内容。

    一、数据分析的三种核心思维

      作为新手数据分析师或数据运营,在面对数据异常的时候,好多小伙伴都会出现:“好像是A引起的” ,“好像也和B渠道有关”,“也可能是竞争对手C做了竞争动作”等主观臆测。面对数据报表,也不知道应该从产品维度、时间维度、地域维度还是渠道维度去拆分。很显然,这样的思维是乱的,所以做数据分析很重要的一点是:要具备结构化的分析思维。接下来给大家介绍数据分析的三种核心思维——结构化、公式化、业务化。

    1、数据分析思维——结构化

      在日常的生活中,当我们针对一个问题进行分析时,分析的思路总是一团乱麻?分析到一半就进行不下去了,或者分析完了也得不出一个结论,效率是极其低下的。具体的如图所示:

      但是对于一个专业的数据分析师来说,他会针对一个问题进行系统的剖析,很快就会形成一种由点到线、由线到面、由面到体的一种思维过程,很快就会得出一个很好的结论,侠侣及其高的。具体思维过程如图所示:

      例如有以下一个案例:

      现在有一个线下销售的产品。我们发现8月的销售额度下降,和去年同比下降了20%。我想先观察时间趋势下的波动,看是突然暴跌,还是逐渐下降。再按照不同地区的数据看一下差异,有没有地区性的因素影响。我也准备问几个销售员,看一下现在的市场环境怎么样,听说有几家竞争对手也缩水了,看一下是不是这个原因。顾客访谈也要做,但是往常一直找不出原因,这次我也不抱希望,姑且试试吧。要是还找不出原因,那我也很绝望啊。

      针对这个案例,如果我们在没有介绍结构化之前,大部分工作人员的分析过程如下所示:

      画出来的思维导图大概是这个样子。

      但是如果我们用介绍过的结构化来思考这个问题。将我们的分析思维结构化,将我们的论点归纳何整理,另外,我们也将论点进行进一步的递进以及相应的拆解,最后进行将论点进行完善和补充。就会形成一张很好的思维导图。具体思维过程如下:

      其实以上过程可以可以归纳为:核心论点结构拆解MECE验证等几个相关的步骤。具体来说:

    • 核心论点:寻找金字塔的塔顶,它可以是假设,是问题,是预测,是原因。
    • 结构拆解:自上而下,将核心论点层层拆解成分论点,上下之间呈因果戒依赖关系。
    • MECE:相互独立,完全穷尽。论点之间避免交叉和重复,分论点们要尽量完善。
    • 验证:丌论核心论点还是分论点,都应该是可量化的,用数据说话。它们必然是可验证的。

      通过应用以上的结构化的过程,以上案例的原因分析过程的思维导图如图所示:

      思考分析过程大致如下:

      以上介绍了结构化分析的好处之后,接下来给大家介绍这种结构化分析的工具,其实有很多,包括xmind(这个软件挺好用的,本人一直用的这个软件)、Process On(这是一个在线的画思维导图、流程图的软件),甚至我们经常用的便利贴都可以作为数据分析的结构化工具。结构化的过程包括:

    • 查看资料及背景,将结论列成一张表/卡片
    • 把表上的结论,依据主题分类
    • 将同一类型的结论,按顺序区分
    • 讨论同一级别的共通结论,将其结论放在上一段位置

      结构化很方便,并且很容易应用在实际的数据分析中,然而,结构化分析也会存在一定的问题。接下来,给大家介绍另外一种数据分析思维的方法——公式法。

    2、数据分析思维——公式化

      正如以上所说结构化有一些弊端,包括:不够数据,而且难免有发散的缺点。针对这个缺陷,数据分析思维的另外一种方式——公式法应用而生。公式法可以上下互为计算、且左右呈关联,另外公式法最为核心的就是:一切结构皆可优化直到最小不可分割。具体的公式法包括:

      针对上述的案例,如果用公式法进行分析的话,在以上的基础上还可以考虑造成这些结果的原因,从根本底层出发,具体内容如下:

    1、 销售额由什么组成的?销量和客单价相乘
    2、利润由什么组成的?销售额收益和成本相减
    3、销售额是单一的维度么?不是。销售额是多个商品/SKU的总和
    4、 地区的销量由什么组成?是不同线下渠道的累加
    5、销量还能再细挖么?不妨想成人均销量和购买人数

      具体的思维导图如图所示:

      我们之前提到过,公式法在分析过程中主要包括+、-、x、÷,那么我们在实际分析问题中,分别在情况下应用这四种符号呢?各种符号的具体应用如下:

    1、+: 不同类别的业务叠加可以用加法。
    2、-:减法常用来计算业务间的逻辑关系。
    3、x或者÷:乘法和除法是各种比例或者比率

      我们通过应用上面介绍的公式法来分析上面提到的案例,过程如下:

      这就是我们常用的公式法,通过我们之前介绍的结构化、公式法可以解决一些我们经常用到的一些问题,但是还有一些问题通过这两种分析方法解决不了。因此,需要还需要另外的一种数据分析方法——业务化。接下来,给大家详细介绍业务化。

    3、数据分析思维——业务化

      我们首先引入以下一个案例:

      随着社会的不断发展,国家为了保护环境大量提倡共享单车,那么如何预估我们所在地区的共享单车投放量?假设你是一名数据分析工程师,你应该如何解决这个问题?

      拿到这个问题,我们的思维大概是从这几个点进行分析的:

    1. 从城市流劢人口计算
    2. 从人口密度计算
    3. 从城市交通数据计算
    4. 从保有自行车计算

      如果,我们这样分析、考虑一个问题,可能会存在一定的问题:我们没有将单车的损耗因素考虑进去,这或许会对我们后期投放的决策有很大的影响。如果我们有了业务化的思维,我们就不会有这个错误。业务的思维对于数据分析师来说是至关重要的,这里大概做一介绍,下篇文章我们会详细介绍数据分析的业务相关的内容。
      从上面的介绍可以看出:如果我们分析问题仅仅是通过结构化+公式化,那么我们就会感觉道理懂了很多,但离分析水平大成,总还差了那么一些。不知道原因在哪里?因此对于缺乏业务话的数据分析师来说,他们仅仅是为分析而分析,却没有深入理解业务,这也就是我们经常说的不接地气,好的数据分析思维,本身应该也是具备业务思维。
      每当你分析一个问题时候,你应该反思你的分析贴不贴合业务,即:

    1、有没有从业务方的角度思考
    2、真的分析出原因了吗?
    3、能不能将分析结果落地

      我们再看一个案例

       一家销售公司业绩没有起色,我们需要对其原因进行分析。

      正常来说,我们一般分析的原因如下:

    • 销售人员的效率降低,因为士气低落
    • 产品质量不佳,和同期竞争对手比没有优势
    • 价格平平,顾客并不喜欢

      如果我们用用结构化思考+公式化将其问题拆解,获得的最终分析论点。很多时候,这个分析论点是现象。数据是某个结果的体现,但不代表原因。如果我们是数据分析师,我会设立哪些指标。另外,就是换位思考,假如我是参不其中的人,我会怎么考虑或者会有哪些行为?其实,我们用业务化的方式分析数据就是将结构化思维通过公式法将其转变为结构化数据,最后通过业务化的方法将其转变为结构化业务数据。具体过程如下:

      这就是我们介绍的三种数据分析的核心思维,通过对这三种分析方法的介绍,相信大家对此有了很深的了解,不过,要想深刻了解这三种方法,阅读此部分内容还是远远不够的,还需要我们多加练习。如果大家对这三种思维了解的差不多了,不妨来练习以下一个案例:

      某一天,某某学院的课程学习人数下跌了,某老板很着急,现在,你能不能通过三种思维方法,做出一个假设型的分析案例?

      这是个人通过学习做的一张思维导图,仅供参考,大家还可以完善:

    二、数据分析的思维技巧

      通过上面介绍的三种核心思维方法,这只是框架型的指引。实际应用中也应该借劣思维的技巧工具,达到四两拨千金的效果。并且,它们应该足够简单和有效。接下来,给大家介绍几种常用的分析方法:象限法假设法对比法二八法指数法多维法漏斗法

    1、象限法

      其实,我们日常生活中,象限法用的还是挺多的,我们首先看一张图来对象限法有一个大概的印象。

      象限法包括二维平面,当然也包括三维立体,具体如下:
    平面图
    立体图
      其实象限法的核心就是:一种策略驱劢的思维。其优点是:直观,清晰,对数据进行人工的划分。划分结果可以直接应用于策略。在应用方面:适用范围广、戓略分析、产品分析、市场分析、客户管理、用户管理、商品管理等方面。但是在应用象限法中我们应该必须注意的是:象限划分可以按中位数,也可以按平均数,或者是经验。接下来给大家介绍多维法。

    2、多维法

      多维法在日常的分析中应用的还是挺多的。以下就是一个多维法的应用:
    多维法
      我们在用多维法进行数据分析时,可以从以下角度进行分析:

    • 用户统计维度:性别、年龄…
    • 用户行为维度:注册用户、用户偏好、用户兴趣、用户流失…
    • 消费维度:消费金额、消费频率、消费水平…
    • 商品维度:商品品类、商品品牌、商品属性…

      多维法一般包括钻取上卷切片切块旋转等各种方法,具体如图所示:

      其实多维法的核心就是:是一种精细驱劢的思维,其优点是:处理大数据量,维度丰富且复杂的数据有较好的效果。但是维度过多,会消耗不少时间。当然我们在使用多维法分析数据时,必须要注意:对不同维度进行交叉分析时,需要注意辛普森悖论。接下来给大家介绍假设法。

    3、假设法

      在介绍假设法之前,首先引入一个案例:

      现在,马上,公司要派你去非洲出差,如果你只能携带一个背包,你会往里面装什么东西?你为什么要往里面装它?

      我相信的大家的回答会有很多,但是最恰当的回答是:虽然非洲这个地方我并不熟悉,但众所周知非洲的情况,那么现在我得考虑炎热的情况…。其实很多时候,数据分析是没有数据可明确参考的:比如新进入一个市场,公司开拓某样产品。老板让你预测一年后的销量,戒者产品的数据基础非常糟糕,你根本拿不到数据。这就需要我们用假设法。
      假设有这么一个案例需要你分析其原因:

      公司在节日进行了一次营销活动,APP上的销量数据整体比上周上升了20%。因为统计失误问题,拿不到明细数据,也就是说,活动效果是一个黑盒。现在的问题是,销量本身就有可能因为节日而提高,那么怎么证明活动是有效或者无效的呢?

      其实,我们可以假设活动是有效的。然后进行以下的分析:

    • 思考一下,活劢有效的话,会发生什么事情?

      会有一定数量的用户购买,如果能证明这条,那么我们有理由相信活劢是有效的

    • 用户通过活劢购买商品,会发生什么可观测的行为呢?假设有一些用户会评论留言,那么可以统计提及活动的字眼
      当用户提及了这次营销活劢,接下来的问题是,有效了多少?10%,20%?
    • 假设参不活劢的用户行为没有变化,那么通过历史数据的用户评论占比,反推购买人数。

      我们对这个问题进一步深入:

      你是自营电商的数据分析师,现在想商品提价后,收入会不会有变化?你会怎么做?

    1、假设商品提价后,销量一定会下跌,问题是销量下跌多少?
    2、首先假设流量不会有变化,流量和渠道营销正相关,商品价格影响转化率,那么现在确定转化率的波动。
    3、找出平时的转化率(譬如为20%),预估提价后的转化率变化。假设各类型用户对价格敏感度不同,那么将用户划分忠诚XX、普通XX、羊毛XX…
    4、不同用户层次数量不同,反应不同。忠诚用户转化率变化极低,羊毛几乎不会转化…这些数据可以凭借经验做出假设。最后汇总。

      其实假设法核心:是一种启发思考驱劢的思维,另外其优点在于当没有直观数据或者线索能分析时,以假设先行的方式进行推断,这是一个论证的过程。这种方法更多是一种思考方弅,假设—验证—判断。但是,在用假设法的时候我们必须要注意:不止可以假设前提,也能假设概率或者比例,一切都能假设,只要自圆其说即可。接下来给大家介绍指数法。

    4、指数法

      指数法在日常生活中应用很广泛的,比如:

    1、中国今年的经济指标如何?
    2、美国NBA最佳球星是谁?
    3、竞争对手产品表现的如何?
    4、你最喜欢的idol是谁?
      一般来讲,NBA比赛数据贡献值:(得分+篮板+劣攻+抢断+封盖)-(出手次数-命中次数)-(罚球次数-罚球命中次数)-(失误次数/球员上场比赛的场次)

      很多时候,我们有数据,但不知道怎么应用。就是因为缺乏了一个有效性的方向。这个方向可以成为目标指数。通过将数据加工成指数,达到聚焦的目的。其中的指数法主要包括:线性加权反比例log法。很多时候,这几种方法主要应用于Excel做数据分析的时候。
      其实,指数法的核心是:一种目标驱动的思维。其优点是:目标驱动力强,直观、简洁、有效。对业务有一定的指导作用。一旦设立指数,不易频繁变动。另外其中的应用在于:与假设法不同的是:假设法是缺乏有效的数据,指数法是无法利用数据而将其加工成可利用的。当我们要用指数法的时候必须要注意的是:指数法没统一的标准,很多指数更依赖经验的加工。接下来,给大家介绍二八法。

    5、二八法

      其实二八法是不常用的,让我们看一下二八法:

      二八法中还有一个帕累托图也是比较常用的。具体如图所示:

      说了这么多,那么到底二八法指的是什么?接下来,我们详细介绍二八法:二八法中的二是指20%,其中的八是指80%。具体是指:

       数据中,20%的变量将直接产生80%的效果,数据分析更应该围绕这20%作文章。持续关注TopN的数据,是一个非常好的习惯,尤其在部分行业。虽然指标很多,但往往某些指标更有价值,二八法则不仅能分析数据,也能管理数据。

      其实二八法的核心是:一种只抓重点的思维。其中的优点有:和业务紧密相关,和KPI更紧密相关。几乎花费最少的精力就能达到不错的效果,性价比很优。应用很广,主要包括:二八法则存在于几乎所有的领域,所以这种分析思维没有局限。但是当我们在用二八法中必须要注意的是:在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘。接下来,给大家介绍对比法。

    6、对比法

      有一位数据分析师曾经说过:“好的数据指标,一定是比例戒者比率。好的数据分析,一定会用到对比。”,这也说明对比法在数据分析中的重要性。接下来,我们给出一个案例:

    • 老王卖水果,今天卖了1000元水果,这个数据有分析价值么?
    • 老王卖水果,今天卖了1000元,昨天卖了800源,这个数据有分析价值么?
    • 老王卖水果,今天卖了1000元。隔壁的老马卖了2000元,这个数据分析有价值么?
      +老王卖水果,今天卖了1000元,昨天卖了800元,隔壁的老马昨天卖了3000元,今天卖了2000元,这个数据分析有价值么?
    • 老王花了3000元的营销成本卖了1000元水果,这个数据分析价值么?
    • 老王其实是王健林,他有几百亿资产,他卖水果卖了1000元,这个数据分析有价值么?

      我们在给出一个案例:

      节日大促,女生消费占比从60%变为70%,女生节日爱消费?
      首先这个结论是有问题的。因为虽然占比提高了,并不代表绝对值提高了。某商品平时销售额100万女生占60万,节日销售额80万女生占56万,女生就真的消费变高了?
      谁说节日销售额会提高?别忘了竞争对手。最后就是孤树不证。

      对比法将以上的分析做一个思维导图如下:

      对比法的核心是:一种挖掘数据规律的思考方式,其中的优点是:对比法可以发现很多数据间的规律,它可以与任何思维技巧结合,比如多维对比、象限对比、假设对比等。主要应用在于:对比更多是一种习惯,是数据分析的牛角尖,一次合格的分析,一定要用到n次对比。当我们用对比法进行数据分析时候,一定要注意:在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘。接下来给大家介绍最后一种数据分析方法——漏斗法。

    7、漏斗法

      漏斗法是我们经常用的数据分析法,以下就是漏斗法的分析结果:

      其实漏斗法的核心是:一种流程化思考方式,其优点是:单一的漏斗分析没有用,转化率20%,但是能说明什么呢?它要和其他分析思维结合,比如多维,比如对比。其中主要应用在:涉及到变化和流程的都能用。当我们用漏斗法的时候,必须要注意:单一的转化率没有
      以上就是七种主要的数据分析方法,希望我们可以分别掌握其核心以及优势和应用场合,多加以练习,在合适的场合用不同的数据分析方法,最后从多角度的方式做出分析出一份报告。

    三、在业务中锻炼数据分析思维

    1、好奇心

      数据分析中的一个典型的案例:啤酒与尿布。那么,为什么啤和尿布放在一起呢?

    • 买了尿布的人会买啤酒,但是买啤酒的人会买尿布么?
    • 尿布旁边应该摆放其他东西么?啤酒是否是最好选择?
    • 怎么摆放啤酒?部分还是全部品类?
    • 场景型的摆放是否比品类摆放更好?
    • 数据呢?

    2、在生活中练习数据分析思维

      我们在日常生活中都有数据分析的案例。比如:

    1、这个夜市一天的人流量是多少?一年的人流量又是多少
    2、「南昌老三样」每天的营业额是多少?
    3、这个夜市,哪家店的利润是最高的?它比最低的高出多少?原因是什么?
    4、如何从数据分析的角度提高最低店的营业额?
    5、夜店准备弄一次活动,如何设计一套数据评估方案评估活动效果?
    6、为什么领导戒者同事不认同这次分析?原因是什么?
    7、如果我的职位比现在高两级,我会去怎么分析?
    8、让我再次分析一年前做的那个案例,我会怎么去优化和改进?

      总之,我们应该在实际生活中去练习数据分析的思维。

    总结

      从上篇文章开始,我们开始了介绍数据分析,本篇文章主要是为大家介绍了数据分析思维,主要给大家介绍了数据分析的三种核心思维方式:结构化、公式化以及业务化。另外还介绍了几种核心的思维分析技巧,主要包括:象限法、多维法、对比法、假设法、指数法、二八法、对比法以及漏斗法。最后还介绍了在业务中如何锻炼自己的数据分析思维。下一篇文章会给大家介绍数据分析中的业务。生命不息,奋斗不止,我们每天努力,好好学习,不断提高自己的能力,相信自己一定会学有所获。加油!!!

    展开全文
  • 在《数据分析的思维与工具》这篇文章中,我们提到,应该更加注重数据分析思维的培养,那么数据分析的思维主要有哪些呢?这里总结了 8 种数据分析的思维,并用一些小故事进行举例说明。
  • 数据分析思维及方法

    2021-09-29 09:37:32
    数据分析是指用适当的统计分析方法对收集来的大量数据... 课程主要就认识数据分析,数据分析思维,数据分析方法,数据分析业务场景应用,配套企业项目案例展开。由浅入深,引领学员浸泡逐步掌握企业级数据分析的技巧。
  • 1.1 如何理解数据 可从以下两个方面理解数据: 每一列的含义 数据分类 从数据分类里,进一步地可以分为: 用户数据:比如用户的姓名、年龄、职业等; 行为数据:如浏览了哪些产品,停留时长等; 产品数据:如产品...

    今天和大家一起精读一本最近很火热的数据分析新书——《数据分析思维:分析方法和业务知识》,作者猴子·数据分析学院。

    全书分为两大块,第一块内容是方法论,也就是前三章,介绍了数据分析的方法、数据指标体系和一些基础的内容。

    第二块是实战部分,讲了电商、金融、在线教育、运营商、零售等不同行业的业务知识和案例分析。

    这篇文章就是在阅读了这本书第一章的一个读书笔记加上我自己的理解,让我们一起来精读。

    1.业务指标

    1.1 如何理解数据

    可从以下两个方面理解数据:

    • 每一列的含义
    • 数据分类
      从数据分类里,进一步地可以分为:
      • 用户数据:比如用户的姓名、年龄、职业等;
      • 行为数据:如浏览了哪些产品,停留时长等;
      • 产品数据:如产品名称、类别等。
    分类列名
    用户数据昵称、性别、年龄、地域 、访问设备、何时关注
    行为数据阅读数、分享数、收藏数、在看数、点击菜单数
    产品数据文章标题、日期、阅读量

    1.2 常用的指标有哪些

    用户数据指标

    对用户分类,可以分为新增用户、活跃用户和留存用户3大类,从这三大类可以得到相应的指标:

    • 日新增用户数:各渠道来源

    这是我公众号的日新增用户数,甚至可以从不同的渠道来看,如搜一搜、他人转载、名片分享等渠道。

    • 活跃率

    这里牵扯到如何定义“活跃”这个概念,不同的产品有不同的定义方法,但广泛地来讲,活跃率=活跃用户数/总用户数

    • 留存率

    留存用户就是留下来的用户,和它相对应的是流失用户,根据时间不同,留存率可以分为次日留存率、第3日留存率,第7日留存率,第30日留存率等。

    比如次日留存率=第1天新增用户中,在第2天使用过该产品的用户数/第1天新增用户数

    40-20-10法则:新用户次日留存率为40%,7日留存率为20%,30日留存率为10%是比较好的。

    行为数据指标

    • PV:Page View ,访问次数
    • UV:Unique Visitor,访问人数
      比如一个网页,1天被1个人打开了10次,那么它的PV是10,UV是1.

    比如我公众号的菜单栏【干货学习】-【可视化】这个子菜单PV是9,UV是7.

    • 转发率
    • 转化率

    如广告转化率=点击广告的人数/看到广告的人数

    • k因子

    k因子=平均每个用户向多少人发出邀请 x 接收到邀请的人转化为新用户的转化率

    k因子用来衡量推荐的效果,K>1,则新增用户数会像滚雪球一样增大。

    产品数据指标

    总量

    • GMV成交总额
    • 成交数量
    • 访问时长

    人均

    • 人均付费APRU/客单价
    • 付费用户人均付费ARPPU
    • 人均访问时长

      付费
    • 付费率:付费人数/总用户数
    • 复购率:重复购买率

    产品
    比如热销产品top N

    推广付费指标

    • 展示位广告:按展示次数计费,CPM,多少人看了
    • 搜索广告:按点击次数计费,多少人点了
    • 信息流广告:按实际投放效果付费,如CPD按下载付费,CPI按安装付费,CPS按完成购买的用户数或销售额付费

    1.3 如何选择指标

    如何选择指标,在《精益数据分析》这本书里其实讲的已经很透彻了。
    什么是好的数据指标:精益数据分析

    • 比例
    • 北极星指标:衡量业务的核心指标

    1.4 指标体系和报表

    什么是指标体系

    使用多个指标从不同的维度评估业务,指标+体系

    指标体系有什么用

    • 监控业务
    • 寻找问题
    • 优化工作

    如何建立指标体系

    • 明确部门KPI,找到一级指标:一级指标并非只能一个指标
    • 了解业务运营情况,找到二级指标:拆解
    • 梳理业务流程,找到三级指标
    • 通过报表监控指标,不断更新指标体系:日报,周报,月报

    关于指标体系,其实从收集需求、规划方案、采集数据、数据验证到效果评估每个流程都需要多部门协调,这个过程中会用到很多分方法,如AARRR模型,之前也写过:数据分析应关注AARRR模型的哪些指标

    现代管理学之父彼得·德鲁克说过一句很经典的话:

    如果你不能衡量它,那么你就不能有效增长它。

    从这句话中我们也能体会到数据之于业务的意义。

    好了,今天的精读就到这了,开启精读一本书这个系列的原因很简单,有一天我在找区块链相关的资料,小明同学推荐了我一本书《区块链基础知识25讲》,这本书还挺厚的,当时也是比较着急,自己看那么厚的纸质书还是电子版都不实际,突然我从CSDN上看到了别人的读书笔记,精读的那种,2个小时就把这本书讲了啥大概了解了。我发现像我一样有这种需求的人还是很多,因此就出现了这个精读系列。

    展开全文
  • 数据分析思维》猴子

    千次阅读 2021-06-08 22:11:24
    数据分析思维》猴子---------------方法篇---------------1. 业务指标1.1 如何理解业务指标?1.2 常用的指标 ---------------方法篇--------------- 1. 业务指标 1.1 如何理解业务指标? 第一步,弄清每一列的...

    ---------------方法篇---------------

    1. 业务指标

    1.1 如何理解业务指标?

    在这里插入图片描述

    第一步,弄清每一列的含义

    第二步,数据分类

    1. 用户数据:我是谁
    2. 行为数据:我做了什么
    3. 产品数据:卖什么

    1.2 常用的指标

    现代管理学之父:“如果你不能衡量,那么你就不能有效增长”

    用某个统一的标准去衡量业务,这个统一的标准就是指标
    在这里插入图片描述

    1.2.1 用户数据指标

    在这里插入图片描述

    1.2.1.1 新增用户指标——日新增用户

    新增用户的价值

    1. 没有新增用户,用户数就会慢慢减少,产品越来越惨淡
    2. 按渠道维度拆解新增用户,可用来判断渠道推广的效果

    1.2.1.2 活跃用户(不活跃用户)指标——活跃率

    不同产品对活跃的定义不同,分析之前一定要先搞清其定义

    根据时间将活跃率分为——日活跃率、周活跃率及月活跃率
    在这里插入图片描述

    在统计人数时,一定要去除重复的数据

    1.2.1.3 留存用户(流失用户)指标——留存率

    留存率的价值

    1. 评估产品功能对用户的黏性
    2. 反映了不同时期获得新用户的流失情况

    主要的留存率指标包括——次日留存率、3日留存率、7日留存率、30日留存率
    在这里插入图片描述
    Facebook的40-20-10法则——新用户次日留存率达到40%,7日留存率达到20%,30日留存率达到10%,则认为产品的数据表现是好的

    1.2.2 行为数据指标

    1.2.2.1 PV和UV

    根据PV或UV大小的比较,可以看到用户喜欢产品的哪个功能,从而根据用户行为来优化产品

    1.2.2.2 转发率

    转 发 率 = 转 发 某 功 能 的 用 户 数 看 到 该 功 能 的 用 户 数 转发率=\frac{转发某功能的用户数}{看到该功能的用户数} =

    1.2.2.3 转化率

    转化率的计算方法与具体业务场景有关

    在这里插入图片描述

    1.2.2.4 K因子

    K因子:即一个发起推荐的用户可以带来多少新用户,可用来衡量推荐的效果

    当K>1时,新增用户会像滚雪球一样变大;当K<1时,新增用户数达到某个规模时,就会停止自传播增长

    1.2.3 产品数据指标

    1.2.3.1 衡量总量的指标

    包括成交总额、成交数量、访问时长

    成交总额(GMV)——包括了销售额、取消订单金额、拒收订单金额和退货订单金额

    1.2.3.2 衡量人均的指标

    在这里插入图片描述
    人均付费,在游戏行业又叫ARPU,电商行业称为客单价

    付费用户人均付费,又称为ARPPU

    1.2.3.3 衡量付费的指标

    在这里插入图片描述
    付费率能够反映产品的变现能力和用户质量

    复购率反映用户的付费频率

    1.2.3.4 产品相关的指标

    常见的有热销产品数、好评产品数、差评产品数等

    1.2.4 推广付费指标

    在这里插入图片描述
    一般的,如果推广一个新产品,要选择App 的下载数付费(CPD)
    当具备一定品牌影响力之后,再用按点击次数付费(CPM)或投放实际效果付费(CPA)

    展开全文
  • 破解之道:8种数据分析思维,8种实际应用数据分析方法; 问题2:数据分析?分析啥,不知道咋整? 破解之匙:20+个数据指标详解,4种指标体系构建,从0到1掌握指标体系构建流程; 问题3:数据分析?这些理论点具体...
  • 电商数据分析思维导图.png
  • 数据分析中的10种思维方法 一逻辑思维 二向上思维 三下切思维 四求同思维 五求异思维 六抽离思维 七联合思维 八离开思维 九接近思维 十理解层次 逻辑思维 逻辑思维明白价值链明白各项数据中的关系; 关键:明白其中的...
  • 数据分析思维|数据指标异动分析

    千次阅读 2020-12-30 23:13:53
    这是加薪的第七篇推文,关于数据分析思维—数据指标异动分析。在日常生活工作中,我们经常会遇到“产品XX数据指标出现异常波动,或上升或下跌”的问题,XX指标包括但不限于日活、次日留存率、注册转化率、GMV、客...

     

    这是加薪的第七篇推文,关于数据分析思维—数据指标异动分析。在日常生活工作中,我们经常会遇到“产品XX数据指标出现异常波动,或上升或下跌”的问题,XX指标包括但不限于日活、次日留存率、注册转化率、GMV、客单价等等。我们该如何着手处理分析呢?

     

    文章主要内容

    • 数据异常分析核心要点

    • 数据指标异常 常见情况

    • 案例分析:日活下降分析五步法

    • 总结与思考

    【文章约2900字,预计阅读时间17分钟】

     

     

     

    1 数据异常分析核心要点

    一般来讲,产品的某些数据指标都会有固定的波动周期,而每个周期内数据的变化趋于稳定,但在数据监控体系里的日报、周报、月报中某数据指标突然不再符合预期的稳定变化,这就是我们所说的数据出现异常波动。在这种情况下,我们就需要去深挖数据异常产生的原因。

    数据异常分析核心就是结合以往经验及各种信息,找出最有可能的原因假设,通过将数据指标拆分,多维度分析来验证假设,定位问题所在。过程中可能会在原假设基础上建立新的假设或者调整原假设,直到定位原因。

    通过每一次异常分析来定位数据波动的问题及原因,建立日常运营工作和数据异常波动之间的关联性,进而可以从中找到促进数据增长的思路和方法,改变数据结果。

     

     

    2 数据指标异常 常见情况

    数据指标出现异常:上升或下跌,通常有以下情况:

    • 一次性波动:只在某个时间节点发生波动。一次性上升/下跌背后原因一般都是短期/突发事件,比如系统更新导致数据统计错误,突发的渠道投放冻结等。

    • 周期性波动:周期性发生上升/下跌,比如双十一、周末、春节等季节性因素。一般业务开展都有周期性,比如考勤工具类APP,就是以周为单位循环。工作日和周末就是有明显差异波动。

    • 持续性波动:从某时间开始,一直出现上升/下降趋势。而持续性上升/下跌背后原因往往都是深层次的,比如用户需求转移,渠道投放长期暂停,大环境等因素,导致出现持续性。

    以上三种情况分别对应问题不同的严重程度。对于数据指标周期性下跌一般都不需要做特殊处理;一次性下跌往往比较突然,要关注事件持续性持续性下跌,特别是不见好转,持续时间越长问题越严重。需要注意:不能单纯看日周月报表中趋势图的走势,要结合波动的幅度来看,幅度越大,说明出现的异常问题越值得注意。

     

    3 案例分析|某APP日活下降分析

    第一步:确认数据以及统计来源准确性

    在这里强调一下:数据真实性是根基实际上因为数据源出问题,导致的指标异常非常非常多。所以在开始着手分析前,必须首先确认数据的真实性;经常会遇到服务器异常、数据后台统计出现错误、在数据报表上出现异常值。所以,遇到问题第一顺位先确认数据没有错,找数据统计相关的产品和开发确认下数据的真实性

     

    第二步:了解数据指标具体业务和异常情况

    明确问题:

    • 日活究竟下跌了多少?持续时间是多久

    • 相比昨天、上周都分别跌了多少?(同比、环比

    • 确认指标波动幅度是不是在合理的范围

    • 引起日活下跌的因素有哪些?这些因素分别的影响程度有多大?

    • 与这些因素相关的运营以及产品部门对日活的影响程度有多大?

    • 这些部门会不会因为产品迭代或者运营策略改变影响日活?

    • 确认日活下跌对整体产品业务线KPI的影响程度?

    • 了解日活下跌对产品业务线有哪些影响?

    • 以前日活下跌后,都采取过哪些措施

    清楚了数据指标(日活)的具体情况,有了轻重缓急的判断,下一步就可以进行指标拆解,缩小怀疑范围,建立分析假设。而建立假设,有助于去伪存真的进行验证,进一步逼近真实原因。

     

     

    第三步:数据指标拆解

    如日活=新增用户+老用户留存+流失用户回流,二级指标拆解如下:

    分别计算每个维度下不同活跃用户数。通过这种方法,对导致日活下降的用户群体或渠道有大致范围的了解。比如定位到是新用户引起的日活下降,则还需把新用户日活按渠道进一步拆分:新用户=渠道1+渠道2+渠道3+其他渠道;通过渠道拆分,会清楚发现是具体哪个渠道效果发生的问题,下一步就可以根据实际业务进一步做假设

     

    第四步:根据业务做进一步假设

    具体分析可以采用“内部-外部”事件因素考虑。

     在一定时间内同时发生的业务可能有多种,主要关注数据指标的起点、拐点、终点。

    • 起点指标刚下跌时,发生了什么事件;往往起点事件是问题发生的直接原因

    • 拐点:在指标持续下跌过程中,是否某个事件的出现,让问题变得更严重,或者开始转暖。拐点意味着,可以通过运营手段改善指标

    • 终点:当某个事件结束后,指标恢复正常。或当开始某个事件后,指标下跌结束。终点事件的两种形态,代表着两种改善指标的方法:等问题自己过去,或者主动出击解决问题

     

    内部事件因素

    • 获取用户:渠道转化率降低、渠道平台问题等

    • 满足用户需求:新功能变更等引起某类用户不满

    • 促活运营手段:签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等

    • 内部功能和运营策略调整:产品、运营、技术在数据异常时间点附近做了什么策略调整

    外部事件因素

    采用PEST分析(宏观经济环境分析)

    • 政治:政策影响

    • 经济:短期内主要是竞争环境,如竞争对手活动

    • 社会:舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化

    • 技术:创新解决方案的出现、分销渠道变化等

    短期变化找内因,长期异动找外因。

    在条件允许范围内,结合自身业务经验确定几个最可能的原因假设,给这些假设排数据验证的优先级,逐一排查,深入分析,比如本次指标下跌是因为新功能不符合预期、渠道投放力度不够、竞品太厉害、版本更新大bug、流失严重等。

     

    第五步:预测未来、采取措施

    预测未来是否还会下跌,应该采取什么方式避免下跌。同时,与业务沟通反馈分析结论,探讨后续方案的执行;再针对原因解决问题,制定优化策略。最后,要预测影响会持续到什么时间;与运营、产品沟通反馈分析结论,探讨后续方案的执行。

     

     

    4 总结

    以上,就是梳理的“数据指标出现异常波动时,该如何着手数据异常分析?”的思路框架,现在总结一下:

    指标异动分析五步骤

    • 步骤一:确认数据以及统计来源的准确性 

    • 步骤二:了解清楚数据指标具体业务情况和异常情况

    • 步骤三:将数据指标进行拆解。

    • 步骤四:异常范围定位,根据业务进一步做假设,具体情况具体分析。

    • 步骤五:预测未来是否还会下跌?应该采取什么方式避免下跌?与业务沟通反馈分析结论,探讨后续方案的执行。再针对原因解决问题,制定优化策略。

    总之实际业务中,数据异常的影响原因可能是多方面的,有时也需要建立统计分析模型来做一些定量分析,可能要花几天时间不断排查问题。所以平时工作中需要多留意数据变化,随着对业务的熟悉和数据敏感度的提升,针对数据异常分析我们也会越来越熟练,更快的找到问题所在。

     

    【参考链接】:http://api.woshipm.com/dataanalysis/3747507.html?sf=mobile 

     

     

     

    ● 数据分析思维|指标体系搭建

    ● 数据分析思维|流量分析

    ● 数据分析思维|竞品分析

    ● 数据分析思维|用户增长

    ● 数据分析思维|营销活动分析

    ● 项目实战|CDNow用户消费行为分析

     

     

    扫码关注更多精彩

     

    展开全文
  • 数据分析思维案例实战

    千次阅读 2019-08-03 19:28:35
    ├─章节1课程介绍 │ 课时1课程介绍.mp4 │ ├─章节2各类企业的数据分析工作 │ 课时02 国企数据分析工作.mp4 │ 课时03BAT企业数据分析工作.mp4 │ 课时04中小型企业数据分析工作....│ 课时06数据分析多元思维...
  • 数据分析思维导读:当谈到用数据解决问题时,我经常用这样的语言去诠释:“如果你不能量化它,你就不能理解它,如果不理解就不能控制它,不能控制也就不能改变它”。数据无处不在,信息时代的最主要特征就是“数据...
  • 数据分析思维案例实战学习笔记

    千次阅读 2020-10-21 15:00:41
    1) 日报、周报、月报:每天看数据、短期复盘、决策 2) 临时数据: 弄清本质需求 3) 工作技巧:机器人发日报、目标建立、寻找领导帮助 3. 专题分析 1)需求解读 原始需求、了解需求、本质需求。沟通 2)建立逻辑...
  • 13种数据分析思维

    千次阅读 2018-10-25 20:36:42
    爱数据学习社welcome“数据分析的目的在于驱动决策”,为了不让这句话成为空话,请先装备以下13种思想武器,相信将来你一定能用上!一、信度与效度思维这部分也许是全文最难理解的部分,但我觉得也最为重要。没有这...
  • 大数据时代统计学课堂教学中数据分析思维培养探究.pdf
  • 思维导图-知识地图-电商数据分析
  • )我们在生活中,会经常听说两种推理模式,一种是归纳 一种是演绎,这两种思维模式能够帮助数据分析师完成原始的业务逻辑积累,在此基础上快速定位业务问题,提升分析效率,但是对于刚入门的数据分析师,在项目经验...
  • 对于运营数据分析,我相信很多小伙伴会存在以下问题: 面对异常数据经常出现“好像做了什么?好像发生了什么?所以可能造成了影响”的主观臆测? 面对数据报表,不知道该怎么分析?不知道该分析什么? 数据分析...
  • 一、逻辑思维: 二、向上思维: 三、下切思维: 四、求同思维: 五、求异思维: 六、抽离思维: 七、联合思维: 八、离开思维: 九、接近思维: 十、理解层次
  • 七周成为数据分析师 第七周:Python- CSDN博客 七周成为数据分析师 第六周:统计学- CSDN博客 七周成为数据分析师 第五周:Mysql- CSDN博客 七周成为数据分析师 第四周:数据可视化- CSDN博客 七周成为数据分析...
  • 6种常见的HR数据分析思维

    千次阅读 2020-04-30 11:28:20
    以终为始思维数据分析中有一句话叫:数据分析不是免费的。意思就是整个分析过程,包括收集数据、整理数据和分析数据会耗费大量的时间和精力。如何避免浪费时间做无用功?一开始就提出正确的问题,搞清楚解决问题的...
  • 本书可以被看作商业分析(business analytics)领域入门级通俗且有趣的读物,深入浅出,雅俗共赏。适合数据分析师、工程师、产品经理、销售、BD、以及数据企业中高管阅读
  • 《成为数据分析师》为掌握数据分析技能提供了一条清晰可行的路线图,无须深奥的计算和复杂的统计,只要简单的3 阶段6 步骤,就能练就数据思维,快速掌握必备数据分析技能
  • 来源:天善智能-秦路-七周成为数据分析师 内容:第一周-数据分析思维,重点内容总结归纳整理。
  • 数据分析总结一:数据分析思维

    千次阅读 多人点赞 2018-12-29 17:01:46
    数据分析思维对于数据分析师来说尤为重要,本文从三个方面叙述关于数据分析思维的学习: 一、三种核心思维 1、结构化 现在有一个线下销售的产品。 我们发现11月的销售额度下降,和去年同比下降了 20%。我想先观察...
  • Python金融数据分析入门到实战

    万人学习 2019-09-26 17:08:33
    由股票数据的获取、技术指标的实现,逐步进阶到策略的设计和回测,由浅入深、由技术到思维地为同学们讲解Python金融数据分析在股票量化交易中的应用。 以Python为编程语言 解锁3大主流数据分析工具 Python做金融具有...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 173,323
精华内容 69,329
关键字:

数据分析思维