精华内容
下载资源
问答
  • 2017-04-06 09:30:21

    项目管理协会(PMI)的标准和指南
    1,需要评估
    2,商业分析规划
    3,需求启发和分析
    4,跟踪和监督
    5,解决方案评价
    现在的网络上传不了图片只能发文字的内容了。可惜没格式了。


    商业分析


    商业分析

    识别商业需求,推荐相关解决方案
    ,并启发、文档化和管理需求的一系列活动集合。

    一,需要评估

    识别问题或机会

    鱼骨图,是一种因果图

    鱼骨图,也称石川图,分析根本原因工具

    评估组织的当前状态

    建议满足商业需求的行动

    组合商业证证

    二,商业分析规划

    商业分析的重要性

    引导或者提炼干系人分析

    创建商业分析计划

    需求的优先级

    价值

    成本

    难度

    监管

    风险

    跟踪方法

    需求的类型

    详细程度

    将要建立和维护的关系

    需求的属性

    推动需求生命周期的需求状态(例如:批准,推迟,拒绝等)

    执行跟踪的工具

    有关如何将建立和维护跟踪的过程决策

    定义需求核实和需求确认过程

    定义需求变更流程

    规划商业分析工作

    三,需求启发和分析

    启发信息意味着什么

    启发计划

    启发准备

    开展启发活动

    启发活动的文档输出

    完成启发

    启发的问题和挑战

    分析需求

    模型化与优化需求

    模型描述

    模型目的

    模型分类

    模型选择

    使用模型细化需求

    建模语言

    范围模型

    过程模型

    规则模型

    数据模型

    接口模型

    记录解决方案需求

    确认需求

    核实需求

    批准会议

    解决和需求有关的冲突

    四,跟踪和监督

    跟踪

    需求跟踪的收益

    有助于确保每项需求都能增加商业价值

    有助于满足客户期望

    有助于管理范围

    需求属性

    需求编号,唯一

    简短文字描述

    目标

    商业需求

    目的和目标

    项目目标

    产品开发阶段

    设计

    构建

    测试

    实施

    验证

    WBS(工作分解结构)

    状态

    如已激活,已批准,已延期,已取消,已增加

    列入理由

    优先级

    负责人

    来源

    版本

    完成日期

    干系人满意度

    稳定性

    复杂性

    验收标准

    关系和依赖性

    批准需求

    基准化已批准需求

    使用跟踪矩阵来监督需求

    需求生命周期

    管理需求变更

    五,解决方案评价

    解决方案评价的目的

    评价的建议思维

    解决方案的评价计划

    确定评价什么

    何时以及如何验证解决方案的结果

    评价验收标准和解决缺陷

    促进通过/不通过的决策

    获得解决方案的签字确认

    评价解决方案的长期绩效

    解决方案替换/淘汰


    更多相关内容
  • BABOK,CBAP,商业分析知识体系指南 v3[A_Guide_to_the_Business_Analysis_Body_of_Knowledge v3]
  • 业务分析知识体系指南(中文版)-BABOK Business Analysis 就是一组任务和技能的集合,它是不同的利益 相关者之 间的桥梁,目的是为了让这些利益相关者更好的理解组织的 架构、政策和运作模 式,并且为了使得组织...
  • 基于知识图谱构建商业银行大数据风控体系的研究与实践.pdf
  • 商业银行经济管理学与财务知识分析体系.pptx
  • 商业分析(业务需求分析)的几个大包:商业分析实践指南(扫描比较淡,后有更清晰的可以替换),商业分析知识体系指南(BABoK 2.0和3.0,英文原版),七步掌握业务分析。每个包都包括电子pdf版的详细标签和md笔记...
  • 收藏!一文掌握数据分析知识体系

    千次阅读 2020-08-26 09:12:43
    本文全面梳理了数据分析知识体系,从数据分析的定义讲起,详细介绍了分析思维模型和经典分析模型及指标体系。 一 数据分析定义 数据分析是指有针对性的收集、加工、整理数据,并采用统计、挖掘技术分析和...

    导读:什么是数据分析?需要掌握哪些技能?如何进行数据分析?本文全面梳理了数据分析知识体系,从数据分析的定义讲起,详细介绍了分析思维模型和经典分析模型及指标体系。

     

     

    一  数据分析定义

     

    数据分析是指有针对性的收集、加工、整理数据,并采用统计、挖掘技术分析和解释数据。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

     

    1  数据定义

     

    数据是客观事实,对于客观事物发生,发展的数字化记录。随着科学技术的发展,数据的概念内涵越来越广泛包括数值,文本,声音,图像,视频。

     

     

    数据可以分为定性数据和定量数据。

     

    • 定性数据是用来描述事物的属性,名称等,它一种标志,没有序次关系。例如,“性别”,“男”编码为1,“女”编码为2。

     

    • 定量数据描述量化属性,或用于编码。如交易金额、额度、商品数量、积分数、客户评分等都属于量化属性。

     

    定量数据可以继续划分:定序数据、定距数据与定比数据。

     

    • 定序数据(Ordinal):数据的中间级,用数字表示个体在某个有序状态中所处的位置,不能做四则运算。例如,“受教育程度”,文盲半文盲=1,小学=2,初中=3,高中=4,大学=5,硕士研究生=6,博士及其以上=7。

     

    • 定距数据(Interval):具有间距特征的变量,有单位,没有绝对零点,可以做加减运算,不能做乘除运算。例如,温度。

     

    • 定比变量(Ratio):数据的最高级,既有测量单位,也有绝对零点,例如职工人数,身高。

     

     

    2  数据分析大事记

     

    计算机时代崛起

     

    计算机的发展和计算技术的发展极大地增强了数据分析的过程。1880年,在使用计算机之前,美国人口普查局花了7年的时间来处理收集到的信息并完成最终报告。使用此设备,在18个月内完成了1890年的人口普查。

     

    关系数据库诞生

     

    关系数据库由埃德加·科德(Edgar F. Codd)在1970年代发明,并在1980年代非常流行。关系数据库(RDBM)允许用户编写Sequel(SQL)并从其数据库中检索数据。关系数据库和SQL提供了能够按需分析数据的优势,并且仍在广泛使用。它们易于使用,对于维护准确的记录非常有用。

     

    数据仓库诞生

     

    在1980年代后期,收集数据的数量继续显着增长,部分原因是硬盘驱动器的成本较低。在此期间,开发了数据仓库的体系结构,以帮助将来自操作系统的数据转换为决策支持系统。数据仓库通常是云的一部分,或者是组织的大型机服务器的一部分。与关系数据库不同,数据仓库通常经过优化,可快速响应查询。

     

    商业智能(BI)崛起

     

    20世纪80年代-90年代,数十家BI厂商进入市场。数据仓库技术的发展大大推动了商业智能的发展,传统存储在各个地方的业务数据开始集中在一起。应运而生的技术还包括ETL(数据抽取、转换、加载)和OLAP(联机分析处理)。

     

    数据挖掘崛起

     

    数据挖掘始于1990年代,是在当时多个学科发展的基础上发展起来的。随着数据库技术的发展应用,数据的积累不断膨胀,导致简单的查询和统计已经无法满足企业的商业需求,急需一些革命性的技术去挖掘数据背后的信息。

     

    大数据来临

     

    2000年到2010年是大数据兴起和备受关注的时期,谷歌的“三驾马车”:谷歌文件系统、MapReduce和 BigTable。亚马逊也发表了一篇关于 Dynamo系统的论文。这几篇论文奠定了大数据时代的基础。随着大数据的到来,海量的数据以及新的技术发展,帮助公司将数据转化为洞察力。

     

    数据科学家

     

    2012年9月, Tom Davenport和DJ Patil 在《哈佛商业评论》上发表了“数据科学家:21世纪最性感的工作” 。

     

    增强分析

     

    2017年,Rita Sallman,Cindi Howson和Carlie Idonies在Gartner的研究论文中引入了增强分析的概念,并将其描述为一种新的数据分析方法,可使用机器学习和自然语言生成(NLG)自动化见解。增强型数据分析大大提升了数据分析效率,降低数据分析的门槛,人人都可以像数据科学家一样,对数据进行多维度的自动钻取,自动加载各种模型进行深度分析。

     

    3  数据分析 VS 数据科学 VS 商业智能

     

    商业智能(Business intelligence )

     

    泛指用于业务分析的技术和工具,通过获取、处理原始数据,将其转化为有价值的信息指导商业行动。维基百科定义为一个组织将所有资源转化为认知的能力。

     

     

    数据科学(data science)

     

    是一个多学科领域,专注于从大量原始和结构化数据中找到切实可行的见解。该领域主要注重发掘我们没有意识到我们还不清楚的事情的答案。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

     

     

    三者关系

     

    • 数据分析是一个相当广的领域,其中包含了数据科学。数据科学是最近比较火的一个名词,与传统的数据分析相比都是从数据中找到知识和见解,只是在使用的技能和方式下有一定差异。

     

    • 并不是所有的数据分析都是商业的,所以他们两有一个定的交集。

     

    • 有的数据科学过程并不直接是商业分析,但却是数据分析。比如在石油行业中“钻井作业优化”需要数据科学工具和技术,属于数据科学家的日常工作。但是,我们不能将其和商业分析关联起来。

     

     

    4  数据分析师 vs 数据科学家

     

    虽然数据分析师和数据科学家都与数据打交道,但主要的区别在于他们如何处理数据。数据分析师检查大型数据集,以确定趋势、开发图表和创建可视化表示,以帮助企业做出更多的战略决策。另一方面,数据科学家使用原型、算法、预测模型和自定义分析设计和构建新的数据建模和生产流程。

     

     

    数据科学家、数据工程师和软件工程师技能图谱:

     

     

    二  为什么要分析

     

    分析的本质是让业务更加清晰,让决策更加高效。在市场经济的条件下,企业面对激烈的竞争,差异化的市场,多变的环境,常常会面临各种难题。数据分析是用来解决企业的难题,识别机会,规避风险,问题诊断。

     

    总结下来,数据分析可以帮助我们:

     

     

    • 发生了什么:追溯过去,了解真相。

     

    • 为什么发生:洞察事务发生的本质,寻找根源。

     

    • 未来可能发生什么:掌握事务发展的规律,预测未来。

     

    • 我们该怎么做:基于你已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析,帮助你确定可以采取的措施,也就是:驱动行动。

     

    三  如何分析?

     

    分析的6个步骤:

     

     

    1  明确分析目的

     

    业务理解

     

    从事数据分析工作的前提就是懂业务,即熟悉行业知识、公司业务及流程,有自己的业务见解。如果脱离行业认知和公司业务背景,分析的结果没有太大的使用价值。

     

    如何做到懂业务?首先我们要明白我们业务的商业模式是怎么样的?即我们通过什么样的方式发生关系并最终产生什么样的商业价值。其次我们要了解我们商业模式的核心组成要素,例如我们的客户细分、收入来源、关键业务、核心的资源、成本的结构等等。除此之外我们要对核心的环境因素有所了解,例如宏观经济、市场影响、行业趋势等等。

     

    明确目的

     

    数据分析第一步,不是分析数据而是把业务的问题或者目标定义清晰。通过这次数据分析想要解决一个什么样的问题,达成一个业务目标是什么?

     

    业务理解业务结果
    业务目标/问题结果性目标

     

    2  确定分析思路和框架

     

    在明确分析的目的之后,我们需要梳理分析思路,并确定分析框架,即从哪些角度进行分析,采用哪些分析指标。在梳理分析思路的时候,将常见的思维模型应用与分析,能够帮我们更加清晰的理解背后的逻辑线索,做到”不重不漏“(MECE)。常见的思维模型有:结构化思维模型、时间模型、逻辑演绎模型、重要性思维模型。

     

    当然在今天,除了思维模型,其实我们已经沉淀了很多经典的分析模型,这些分析模型历经随便的沉淀和检验。如果你熟悉这些分析框架你的思考会更加快速,有效。你不需要在另起炉灶,就能达到事半功倍。例如:SWOT分析模型、STP分析模型、RATER指数模型。

     

    掌握分析思维模型

     

    思维模型就是我们对客观世界的一种主观抽象描述,通过思维模型来分析问题,从而更为准确地找到解决问题的方法。查理·芒格说过:“思维模型是你大脑中做决策的工具箱。你的工具箱越多,你就越能做出最正确的决策。”

     

    1)结构化模型

     

    以事物的结构为思考对象,来引导思维、表达和解决问题的一种思考方法。例如麦肯锡的金字塔原理,5W2H七要素分析法。

     

    a)5W2H分析法

     

    又叫七问分析法,是二战中美国陆军兵器修理部首创。简单、方便,易于理解、使用,富有启发意义,广泛用于企业管理和技术活动,对于决策和执行性的活动措施也非常有帮助,也有助于弥补考虑问题的疏漏。

     

     

    b)结构化思维

     

    是指一个人在面对工作任务或者难题时能从多个侧面进行思考,深刻分析导致 问题出现的原因,系统制定行动方案,并采取恰当的手段使工作得以高效率开展,取得高绩效。

     

     

    c)MECE原则

     

    MECE,是Mutually Exclusive Collectively Exhaustive,中文意思是“相互独立,完全穷尽”。也就是对于一个重大的议题,能够做到不重叠、不遗漏的分类,而且能够借此有效把握问题的核心,并解决问题的方法。

     

     

    2)时间模型

     

    按照事物发展的时间线索,来进行分析。例如用户行为5阶段模型:需求的产生->信息收集->方案比较->购买决策->购买行为。

     

     

    3)逻辑演绎模型

     

    演绎模型分为:

     

    • 三段标准式演绎形式:大前提,小前提,结论。

     

    • 常见4W模式:描述现象、分析原因、判断趋势、提出对策。

     

    a)麦肯锡七步分析法

     

    麦肯锡七步分析法又称“七步分析法”是麦肯锡公司根据他们做过的大量案例,总结出的一套对商业机遇的分析方法。它是一种在实际运用中,对新创公司及成熟公司都很重要的思维、工作方法。

     

     

    b)逻辑树分析法

     

    逻辑树是将问题的所有子问题分层罗列,从最高层开始,并逐步向下扩展。

     

     

    4)重要性思维

     

    企业资源是有限的,需要把资源用在刀刃上。消费者的关注点有优先级,做好消费者关注的才能打动消费者。例如,四象限分析法提倡人们应有重点地把主要的精力和时间集中地放在处理那些重要但不紧急的工作上,这样可以做到未雨绸缪,防患于未然。

     

     

    5)经典思维模型

     

    • 德尔菲法:一种高效重要的判断预测工具

    • 六顶思考帽:有效实用的决策与沟通工具

    • KT决策法:最负盛名的决策模型

    • 头脑风暴法:激发团队创新的有效决策工具

    • 垃圾桶模型:一种企业内部的决策制定模式

    • 5W2H分析法:一种调查研究和思考问题的有效办法

    • 决策树分析法:现代管理决策者常用的有效工具

    • 综摄法:开发潜在创造力的一种创新方法

    • 戈登法:适用自由联想的技术创新技法

    • 奥斯本检核表法:创造技法之母,最著名、最典型的检核提问型创新法

    • 黄金思维圈法则

    • STAR原则

     

    掌握经典分析模型

     

    分析模型是对客观事物或现象的一种描述。为了分析其相互作用机制,揭示内部规律,可根据理论推导,或对观测数据的分析,或依据实践经验,设计一种模型来代表所研究的对象。经典的分析模型一般都是以营销、管理等为理论基础的。

     

    1)战略与组织

     

    • SWOT分析:战略规划的经典分析工具

    • PEST分析:组织外部宏观环境分析工具

    • BCG矩阵法:制定公司层战略最流行的工具

    • GE矩阵:企业決定发展战略的分析工具

    • 定向政策矩阵:战略业务组合计划分析工具

    • IE矩阵:标识企业分布地位的分析工具

    • 竞争态势矩阵:企业战略制定提供竞争优势的分析工具

    • 麦肯锡三层面分析:企业设计战略规划、开拓增长的有效工具

    • 波特五力分析:行业竞争战略最流行的分析工具

    • 战略集团分析法:行业内企业竞争格局分析工具

    • 战略钟模型:企业竞争战略选择分析工具

    • 核心竞争力分析:分析企业有效竞争和成长的重要工具

    • 波特价值链分析模型:寻求确定企业竞争优势的分析工具

    • 利益相关者分析:战略制定和战略评价分析工具

    • PIMS分析法:有效的战略评价分析工具

    • SPACE矩阵:企业外部环境及战略组合分析工具

    • QSPM矩阵:战略决策阶段重要分析工具

    • 三四规则矩阵:成熟市场中企业竞争地位分析工具

    • 7S模型:组织绩效与战略适应的分析工具20.3C战略三角模型:经典的营销战略管理工具

     

    2)营销服务

     

    • STP分析:现代营销战略的核心分析工具

    • 4Ps营销组合模型:制定市场战略最经典的营销理论工具

    • 产品生命周期模型:描述产品和市场运作方法的有力工具

    • 安索夫矩阵:应用最广泛的营销分析工具之一

    • 服务质量差距模型:服务质量简单有效的分析工具

    • 推销方格理论:直观有效的销售分析工具

    • 哈夫模型:最有效的计算商圈的分析工具之一

    • 服务金三角:服务组织管理的基石

    • CS战略:企业提高市场占有率的有力工具

    • SPIN销售法:系统化挖掘客户需求的销售工具

    • 营销战略新三角模型:战略业务架构分析工具

    • 服务利润链:服务管理最经典、最有效的分析工具

    • 满意镜:提高顾客满意与员工满意的工具

    • 顾客金字塔模型:有效的顾客细分管理工具

    • 植田T理论:典型的竞争性理论策略工具

     

    3)人力资源

     

    • 平衡计分卡:最具影响力的战略绩效管理工具

    • 360度绩效考核:推进员工行为改变最有效的工具之一

    • KPI:国际通行的企业经营绩效成果测量和战略目标管理的工具

    • 3P模型:实施企业人力资源战略化管理的有效工具

    • 职位分析问卷法:最普遍和流行的人员导向职务分析系统

    • 关键事件技术:识别工作绩效的关键性因素的工作分析方法

    • 贝尔宾团队角色理论:目前最权威、应用最广的团队理论

    • 盖洛普Q12测评法:最经典的员工敬业度测评工具

    • 绩效棱柱模型:新颖的绩效测量和管理分析工具

    • Lifo管理系统:美国应用最广、发展最早的行为风格行为系统之一

    • 宽带薪酬设计:一种新的薪酬管理系统及操作流程

    • 霍兰德职业兴趣理论:通用的职业兴趣测验工具

    • 胜任素质模型:人力资源战略和组织整体战略紧密结合的重要工具

    • 职业锚:职业测评运用最广泛、最有效的工具之一

    • 海氏工作评价系统:目前国际上最为流行、使用最为广泛的岗位评估工具

     

    4)质量及生产管理

     

    • TPM:生产改善过程中的重要工具之一

    • TQM:一项持续变革的有效管理体系

    • 定置管理:强化现场管理和谋求系统改善的科学管理方法

    • 5S现场管理法:现场科学管理的基础工具

    • 六西格玛:世界最先进的质量管理法

    • JIT生产方式:使生产有效进行的新型生产方式

    • QFD法:一种顾客驱动的先进质量管理应用技术

    • 田口方法:质量管理利器、企业技术创新不可或缺的工具

    • 甘特图:最常用的项目控制管理的有效工具

    • OPT:改善生产管理技术的新方式

    • PDCA:循环有效控制管理过程和工作质量的工具

    • AUDIT法:保证产品质量的先进质量管理控制方法

    • 大规模定制:21世纪最重要的、最具竞争优势的生产模式

    • 朱兰三步曲:质量战略思想和管理的有力武器

    • 零缺陷管理法:企业质量管理方法的又一次革命

    • QC七大手法:一组对质量管理活动的数据进行客观分析的有力工具

    • 丰田生产方式:一套系统完整的生产管理方式

     

    5)财务管理工具

     

    • 阿特曼Z-score模型:最著名的预测企业破产的方法

    • ABC成本法:企业控制成本的有力工具

    • 杜邦分析法:企业业绩评价体系中最为有效的工具之一

    • 比率分析法:财务分析最基本的工具

    • 经济附加值:当今最热门的财务创意

    • 财务分析雷达图:企业经济效益综合分析工具

    • 零基预算法:对企业的预算决策进行控制的有效工具

    • 净现值法:企业投资决策中最基本、最常用的一种方法

    • 沃尔评分法:对企业财务信用能力综合评价的方法

    • 本量利分析:实施目标成本管理的一个重要工具

     

    6)项目与物流

     

    • SCOR模型:第一个标准的供应链流程参考模型,供应链一体化的得力工具

    • ECR系统:一种新型的供应链管理策略

    • 快速反应策略:企业实现供应链竞争优势的有效管理工具

    • 绿色供应链管理:可持续发展的供应链管理模式

    • 责任矩阵:项目计划十分重要的工具

    • 关键路径法:项目管理中应用最为广泛的方法之一

    • 逻辑框架法:项目质量评价的综合评价方法

    • PERT网络分析法:有效的项目进度管理工具

    • VMI模型:国际前沿的供应链库存管理模式

    • 工作分解结构:项目管理众多工具中最有价值的工具之一

     

    7)常见的分析模型

     

    a)SWOT分析模型

     

    用来确定企业自身的竞争优势、竞争劣势、机会和威胁,从而将公司的战略与公司内部资源、外部环境 有机地结合起来的一种科学的分析方法。

     

     

    b)STP分析

     

    客户细分(Segmentation)、目标客户选择(Targeting)、目标客户定位(Positioning)。

     

    c)经典的客户满意度模型

     

    RATER指数模型、KANO模型。例如:RATER指数是全美最权威的客户服务研究机构美国论坛公司投入数百名调查研究人员用近十年的时间对全美零售业、信用卡、银行、制造、保险、服务维修等十四个行业的近万名客户服务人员和这些行业的客户进行了细致深入的调查研究,发现一个可以有效衡量客户服务质量的RATER指数。

     

     

    d)PEST分析模型

     

    是指宏观环境的分析模型,宏观环境又称一般环境,是指一切影响行业和企业的宏观因素。对宏观环境因素作分析,不同行业和企业根据自身特点和经营需要,分析的具体内容会有差异,但一般都应对政治(Political)、经济(Economic)、社会(Social)和技术(Technological)这四大类影响企业的主要外部环境因素进行分析。简单而言,称之为PEST分析法。

     

     

    e)波特五力分析模型

     

    是迈克尔·波特(Michael Porter)于80年代初提出,对企业战略制定产生全球性的深远影响。用于竞争战略的分析,可以有效的分析客户的竞争环境。五力分别是:供应商的议价能力、购买者的议价能力、潜在竞争者进入的能力、替代品的替代能力、行业内竞争者现在的竞争能力。五种力量的不同组合变化 最终影响行业利润潜力变化。

     

     

    f)经典营销管理模型4P、4C、4S、4R、4V、4I

     

    以满足市场需求为目标的4P理论,以追求顾客满意为目标的4C理论,以建立顾客忠诚为目标的4R理论等。

     

     

    g)用户行为理论

     

    h)AARRR模型

     

    AARRR是Acquisition、Activation、Retention、Revenue、Refer这五个单词的缩写,分别对应用户生命周期中的5个重要环节:获取用户、提高用户活跃度、提高用户留存率、获取收入、自传播。AARRR模型因其掠夺式的增长方式也被称为海盗模型,同时它也是一个典型的漏斗模型可以用来评估连续的业务流程节点转化率。通过该模型可以有针对性的对出现问题的重要节点进行优化,达到提升ROI的目的。

     

     

    指标体系设计

     

    指标体系的设计是一个业务数据化的过程。好的指标设计能够抽象目标具体化,具有直接实践意义。

     

    1)什么是指标

     

    通常我们讲述的指标是指将业务单元精分后量化的度量值,譬如:DAU、订单数、金额等。当然,原子指标还会基于维度、修饰词、统计口径而构建出派生指标。指标的核心意义是它使得业务目标可描述、可度量、可拆解。

     

    2)什么是好指标

     

    好的数据指标是比较性的,可以是一个比率。因为比率的可操作性强、天生比较性指标、适用于比较各种因素间的相生和相克。例如:“本周转化率比上周高0.5个百分点”显然比“转化率为2%”更有意义。会计和金融分析师仅需迅速查看几个比率就能对一个公司的基本状况做出判断。例如:市盈率、毛利率、利润率,等等。

     

    好的数据指标是简单易懂的。如果人们不能容易记住或讨论某个指标,那么通过改变它来改变公司的作为将会十分困难。

     

    好的数据指标可以衡量当前业务的真实情况。

     

    好的数据指标会改变行为。这是最重要的评判标准。

     

    3)什么是指标体系

     

    将数据指标系统性的组织起来,可以按照业务模型。指标体系会对按照指标不同的属性分类及分层。

     

    指标不成体系会怎样?

     

    • 从业务视角看:经常碰到的一种现象是业务上线了之后发现数据不够用,缺指标或缺维度。

     

    • 从技术视角看:基于需求的变更,业务团队技术同学将需要重新去更改设计和开发埋点,数据团队技术则需要重新采集、清洗、存储数据。 

     

    4)常见指标体系构建过程

     

    业务理解业务数据化
    业务目标/问题结果性目标
    业务运营模式-业务可以关联起来的关键因素关键过程指标
    关键业务因素和环境因素关键指标下的延展指标
    业务关键策略/项目业务运作的核心指标

     

    指标设计规范

     

    随着数据量的增大,数据指标也会越来越多,即使是同样的命名,但定义口径却不一致。这对于各部门理解难度大,同时也造成了重复计算存储的资源浪费。阿里OneData指标规范,以维度建模作为理论基础,构建总线矩阵,定义业务域、数据域、业务过程、度量/原子指标、维度、维度属性、修饰词、修饰类型、时间周期、派生指标等,帮助我们形成统一数据标准。

     

     

    第一关键指标原则

     

    第一关键指标(OMTM:One Metric That Matters)原则就是在当前阶段高于一切,你需要集中全部注意力的数字。

     

    使用第一关键指标的理由:

     

    • 它回答了现阶段最重要的问题。

    • 它促使你建立清晰的目标。

    • 它关注的是整个公司层面的健康。

    • 它可以提高行动力。

     

    选择第一关键指标的同时它还会解释下一个关注点。

     

    常见指标名词

     

    你所在商业领域决定了你应关注的指标。常见商业模式分类有电商类、内容类、社区类、软件工具类、游戏类。

     

    1)电商类

     

    电商类的指标常见分类:

     

     

    常见的指标定义如下:

     

    • PV(page view):即页面浏览量,用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问,访问量累计。在一定统计周期内用户每次刷新网页一次也被计算一次。

     

    • UV(unique visitor):即独立访客,访问网站的一台电脑客户端为一个访客。

     

    • DAU(Daily Active Users)日活跃用户:每日登陆过的用户数。

     

    • WAU(Weekly Active Users)周活跃用户:七天内登陆过的用户数。

     

    • MAU(Monthly Active Users)月活跃用户:30天内登陆过的用户数。

     

    • 收藏人数:统计日期内,通过该渠道访问该商品并收藏该商品的去重买家人数。

     

    • 收藏次数:统计时间内,宝贝被来访者收藏的次数,一件宝贝被同一个人收藏多次记为多次。

     

    • 加购人数:统计时间内,访客将商品加入购物车的访客去重数。

     

    • 加购次数:选定周期下,该行业下商品物品被加入购物车的次数。

     

    • 支付金额:买家拍下后支付给的金额,未剔除售中售后退款金额,预售阶段付款在付清尾款当天才计入内,货到付款订单确认收货时计入内。

     

    • 支付子订单数:也被称为支付笔数,比如某个买家在某个店铺购买了多个宝贝一起下单支付,订单后台会展现每个产品每个SKU粒度下会有一条记录,这个就是一个子订单。

     

    • 支付转化率:统计时间内,支付买家数/访客数,即来访客户转化为支付买家的比例。

     

    • 店内搜索次数:在所选的终端(PC或无线)上,在店铺内搜索关键词的次数,一个关键词被同一个人搜索多次,记为多次。关键词的一次搜索后多次翻页查看搜索结果,搜索次数记为一次。

     

    2)游戏类

     

    游戏类产品考虑的指标很多,根据最想要知道的指标大致可以分为四大类:用户、付费、推广和游戏。

     

    • 用户类:平均同时在线人数(ACU)、最高同时在线人数(PCU)活跃用户数(包括日/周/月活跃)、留存率(次日/三日/七日/月)、活跃用户、每日新增用户数、每日流失人数。

     

    • 付费类:活跃付费账户(APA)、付费率(PUP)、每位用户平均收入 ARPU(Average Revenue Per User)

     

    • 游戏类:游戏道具消费排行、比例,平均在线时间(人均、最高、最低),游戏用户等级分布,游戏用户持有虚拟货币量(人均、最高、最低)

     

    • 推广类:下载量(日、周、月),注册用户量、激活率(日、周)。

     

     

    参考资料

     

    https://data-flair.training/blogs/data-scientist-vs-data-analyst/

    https://www.datapine.com/blog/data-science-vs-data-analytics/

    https://www.leiphone.com/news/201703/u6UW2CFBbGa4bRrN.html

    http://www.woshipm.com/pmd/1418055.html

    https://radacad.com/do-you-need-a-date-dimension

    https://www.zhihu.com/question/20117449

    https://zhuanlan.zhihu.com/p/43529971

    https://www.cnblogs.com/fanyu2019/p/11502913.html

    展开全文
  • 最全大数据技术知识体系

    千次阅读 2019-04-26 11:31:27
    大数据技术知识体系 大数据技术知识体系 --持续更新,建议收藏 最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡,麦肯锡称:“数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。人们...

    大数据技术知识体系

     

    大数据技术知识体系 --持续更新,建议收藏

    最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡,麦肯锡称:“数据,已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。人们对于海量数据的挖掘和运用,预示着新一波生产率增长和消费者盈余浪潮的到来。”数据,让一切有迹可循,让一切有源可溯。我们每天都在产生数据,创造大数据和使用大数据,只是,你,仍然浑然不知。

    企业组织利用相关数据和分析可以帮助它们降低成本、提高效率、开发新产品、做出更明智的业务决策等等。大数据的价值,远远不止于此,大数据对各行各业的渗透,大大推动了社会生产和生活,未来必将产生重大而深远的影响。对海量数据进行存储、计算、分析、挖掘处理需要依赖一系列的大数据技术。然而大数据技术其涉及的技术有分布式计算、高并发处理、高可用处理、集群、实时性计算等,汇集了当前IT领域热门流行的IT技术。本文对大数据技术知识体系进行划分,总共分为基础技术、数据采集、数据传输、数据组织集成、数据应用、数据治理。

    在这里还是要推荐下我自己建的大数据学习交流群:199427210,群里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据软件开发相关的),包括我自己整理的一份最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴加入。

    一、大数据基础技术

    数据分片路由

    在大数据的背景下,数据规模已经由GP跨越大屏PB的级别,单机明显已经无法存储与处理如此规模的数据量,只能依靠大规模集群来对这些数据进行存储和处理。对于海量的数据,通过数据分片(Shard/Partition)来将数据进行切分到不同机器中去,分片以后,如何能够找到某一条记录。这就是数据的分片和路由。

    数据复制&一致性

    在大数据的存储系统中,为了增加系统的可靠性,往往会将同一份数据存储多个副本。数据是如何复制?以及数据复制后带来的一致性问题如何的解决?

    大数据常用算法与数据结构

    对于大数据或者大规模的分布式系统来说,如何能够高效快速地进行海量数据的处理非常关键,而采用合适的数据结构和算法对于达成此目标至关重要。

    二、数据采集

    大数据的采集处于大数据生命周期的第一个环节,从数据采集的类型看不仅仅要涵盖基础的结构化数据,半结构化数据,以及非结构化数据音频、视频、图像等。常见的数据采集方式包括系统日志采集、网络数据采集、设备数据采集。

    系统日志采集

    设备数据采集

    设备数据采集主要是指针对一些物理设备的数据采集,常见的如传感器,探针。

    三、数据传输

    经过采集的数据通过数据通道被传输存储。集中存储的数据源的数据发生变化也能通过数据通道尽快地通知对数据明感的相应应用或者系统构建,使得它们能够尽快的捕获数据的变化。数据传输包含如下相关技术:消息队列、数据同步、数据订阅、序列化。

    消息队列

    消息队列是涉及大规模分布式系统时候经常使用的中间件产品,主要解决日志搜集,应用耦合,异步消息,流量削锋等问题实现高性能,高可用,可伸缩和最终一致性架构。

    数据同步

    在数据仓库建模中,未经任何加工处理的原始业务层数据,我们称之为ODS(Operational Data Store)数据。在互联网企业中,常见的ODS数据有业务日志数据(Log)和业务DB数据(DB)两类。对于业务DB数据来说,从MySQL等关系型数据库的业务数据进行采集,然后导入到数据仓库中,是进一个重要环节。如何准确、高效地把MySQL数据同步到数据仓库中?一般常用的解决方案是批量取数并Load。数据同步解决各个数据源之间稳定高效的数据同步功能。

    数据订阅

    数据订阅功能旨在帮助用户获取实时增量数据,用户能够根据自身业务需求自由消费增量数据,例如实现缓存更新策略、业务异步解耦、异构数据源数据实时同步及含复杂ETL的数据实时同 步等多种业务场景。

    序列化

    序列化 (Serialization)是将对象的状态信息转换为可以存储或传输的形式的过程。数据序列化用于模块通讯时,将对象序列化为通信流,高效的传输到另一个模块,并提供反序列化还原数据。对于大数据传输场景下序列化的性能、大小也直接影响了数据传输的性能。

    四、数据组织集成

    数据存储

    大数据存储面向海量、异构、大规模结构化非结构化等数据提供高性能高可靠的存储以及访问能力,通过优化存储优化存储基础设施、提供高性能。高吞吐率、大容量的数据存储方案,解决巨大数据量的存储问题,同事为打过莫数据分析、计算、加工提供支撑。

    分布式文件/对象存储系统

    分布式存储系统面向海量数据的存储访问与共享需求,提供基于多存储节点的高性能,高可靠和可伸缩性的数据存储和访问能录,实现分布式存储节点上多用户的访问共享。

    目前业界比较流行的分布式存储系统如下:

    HDFS、OpenStack Swift、Ceph、GlusterFS、Lustre、AFS、OSS

    分布式关系型数据库

    随着传统的数据库技术日趋成熟、计算机网络技术的飞速发展和应用范围的扩大,以分布式为主要特征的数据库系统的研究与开发受到人们的注意。关系型数据库也是建立在关系模型基础上的数据库,借助于集合代数等数学概念和方法来处理数据库中的数据。由于集中式关系型数据库系统的不足(性能、扩展性),分布式关系型数据库目前越来越多。

    目前业界比较流行的分布式关系型数据库如下:

    DRDS、TiDB、GreenPlum、Cobar、Aurora、Mycat

    分析型数据库

    分析数据库是面向分析应用的数据库,与传统的数据库不同,它可以对数据进行在线统计、数据在 线分析、随即查询等发掘信息数据价值的工作,是数据库产品一个重要的分支。

    Kylin、AnalyticDB、Druid、Clickhouse、Vertica、MonetDB、InfiniDB、LucidDB

    搜索引擎

    大数据时代,如何帮助用户从海量信息中快速准确搜索到目标内容,就需要搜索引擎。大数据搜索引擎是一个提供分布式,高性能、高可用、可伸缩的搜索和分析系统。目前常见的搜索引擎技术如下:

    Elasticsearch、Solr、OpenSearch

    图数据库

    图数据库源起欧拉和图理论,也可称为面向/基于图的数据库,对应的英文是Graph Database。图形数据库是NoSQL数据库的一种类型,它应用图形理论存储实体之间的关系信息。图形数据库是一种非关系型数据库,它应用图形理论存储实体之间的关系信息。最常见例子就是社会网络中人与人之间的关系。图数据库的基本含义是以“图”这种数据结构存储和查询数据,而不是存储图片的数据库。它的数据模型主要是以节点和关系(边)来体现,也可处理键值对。它的优点是快速解决复杂的关系问题。目前业界比较流行的图数据库如下:

    Titan、Neo4J、ArangoDB、OrientDB、MapGraph、ALLEGROGRAPH

    列存储数据库

    列式数据库是以列相关存储架构进行数据存储的数据库,主要适合于批量数据处理和即时查询。相对应的是行式数据库,数据以行相关的存储体系架构进行空间分配,主要适合于大批量的数据处理,常用于联机事务型数据处理。目前业界比较流行的列存储数据库如下:

    Phoenix、Cassandra、Hbase、Kudu、Hypertable

    文档数据库

    文档型数据库是NoSQL中非常重要的一个分支,它主要用来存储、索引并管理面向文档的数据或者类似的半结构化数据。目前业界比较流行的文档型数据库如下:

    MongoDb、CouchDB、OrientDB、MarkLogic

    键值存储数据库

    Redis、Memcached、Tair

    数据计算

    大数据计算主要完成海量数据并行处理、分析挖掘等面向业务需求。大数据计算通过将海量的数据分片,多个计算节点并行化执行,实现高性能、高可靠的数据处理,同时提供分布式任务管理和调度的支撑。针对不同的数据处理需求,主要有大规模批量处理、流式计算、图计算、即席分析等多种计算。

    流式计算(Streaming compute)

    流式计算:利用分布式的思想和方法,对海量“流”式数据进行实时处理。流式计算更加强调计算数据流和低时延。这边所谓的流数据( streaming data)是一种不断增长的,无限的数据集。

    流式计算是否等于实时计算?习惯上实时和流式等价,但其实这种观点并不完全正确。数据的发生的时间和处理时间有可能是不一致的,只能说流式计算是一种低延迟的计算方式。

    注意:本文将微批处理和流处理混在一起。

    业界常见的流式计算框架:Storm、Flink、Yahoo S4、Kafka Stream、Twitter Heron、Apache Samza、Spark Streaming

    大规模批量计算(batch compute)

    大规模批量计算是对存储的静态数据进行大规模并行批处理的计算。批量计算是一种批量、高时延、主动发起的计算。 习惯上我们认为离线和批量等价,但其实是不准确的。离线计算一般是指数据处理的延迟。这里有两方面的含义第一就是数据是有延迟的,第二是是时间处理是延迟。在数据是实时的情况下,假设一种情况:当我们拥有一个非常强大的硬件系统,可以毫秒级的处理Gb级别的数据,那么批量计算也可以毫秒级得到统计结果。

    业界常见的大规模批量计算框架:Tez、MapReduce、Hive、Spark、Pig、大数据的编程模型Apache Beam

    即席查询分析(ad-hoc query)

    大数据进行即席查询分析近两年日益成为关注领域。即席查询(Ad Hoc)是用户根据自己的需求,灵活的选择查询条件,系统能够根据条件快速的进行查询分析返回结果。即席查询和分析的计算模式兼具了良好的时效性与灵活性,是对批处理,流计算两大计算模式有力补充。大规模批量计算解决了大数据量批处理的问题,而即席查询分析则解决了适合商业智能分析人员的便捷交互式分析的问题。

    业界常见的框架:Impala、Hawq、Dremel、Drill、Phoenix、Tajo、Presto、Hortonworks Stinger

    全量计算&增量计算

    很多大数据的任务中,数据是一个增量收集和更新的过程,这时候对于数据的处理可以使是全量加上增量计算的方式。增量计算只对部分新增数据进行计算来极大提升计算过程的效率,可应用到数据增量或周期性更新的场合。典型例子就是搜索引擎的周期性索引更新。

    相关基础知识:Lambda架构、Kappa架构、IOTA架构

    业界常见框架:Microsoft Kineograph、Galaxy、Google Percolator、Druid

    图计算

    图计算是一类在实际应用中非常常见的计算类型。许多大数据都是以大规模图或网络的形式呈现,如社交网络、传染病传播途径、交通事故对路网的影响许多非图结构的大数据,也常常会被转换为图模型后进行分析。图数据结构很好地表达了数据之间的关联性。要处理规模巨大的图数据,传统的单机处理方式已经无力处理,必须采用大规模机器集群构成的并行数据库。

    相关基础知识:GAS编程模型、BSP模型、节点为中心编程模型、计算范型

    业界常见框架:Pregel、GraphChi、Spark GraphX、PowerGrah、Apache Giraph、Apache Hama

    分布式协调系统

    大规模分布式系统中需要解决各种类型的协调需求,例如当当系统中加入一个进程或者物理机,如何自动获取参数和配置,当进程和物理机发生改变如何通知其他进程;单主控服务发生瘫痪,如何能够从备份中选取新的主控服务。分布式协调系统适用于大型的分布式系统,可以提供 统一命名服务、状态同步服务、集群管理、分布式应用配置项的管理等服务。

    业界常见框架:Chubby、阿里Diamond、阿里ConfigServer、zookeeper、Eureka、Consul

    集群资源管理和调度

    资源管理调度的本质是集群、数据中心级别的资源统一管理和分配,以提高效率。其中,多租户、弹性计算、动态分配是资源管理系统要核心解决问题。

    管理调度框架:Omega、Brog、Mesos、Corona、Yarn、Torca

    管理和监控工具:Ambari、Chukwa、Hue

    工作流管理引擎

    随着企业的发展,他们的工作流程变得更加复杂,越来越多的有着错综复杂依赖关系的工作流需要增加监控,故障排除。如果没有明确的血缘关系。就可能出现问责问题,对元数据的操作也可能丢失。这就是有向无环图(DAG),数据管道和工作流管理器发挥作用的地方。

    复杂的工作流程可以通过DAG来表示。DAG是一种图结构。信息必须沿特定方向在顶点间传递,但信息无法通过循环返回起点。DAG的构建快是数据管道,或者是一个进程的输入成为下一个进程的输入的顺序进程。

    构建这些管道可能会很棘手,但幸运的是,有几个开源的工作流管理器可用于解决这个问题,允许程序员专注于单个任务和依赖关系。

    业界常见框架:Oozie、Azkaban、Luigi、Airflow

    数据仓库

    随着数据库技术和管理系统的不断发展和普及,人们已不再满足于一般的业务处理。同时随着数据量的不断增大,如何能够更好地利用数据,将数据转化成商业价值,已经成为人们越来越关心的问题。举例来说,数据库系统可以很好地解决事务处理,实现对数据的“增删改查”等功能,但是却不能提供很好的决策分析支持。因为事务处理首先考虑响应的及时性,多数情况都是在处理当前数据,而决策分析需要考虑的是数据的集成性和历史性,可能对分析处理的时效性要求不高。所以为了提高决策分析的有效性和完整性,人们逐渐将一部分或者大部分数据从联机事物处理系统中剥离出来,形成今天的数据仓库系统。

    数据挖掘

    分析挖掘是通过算法从大数据红提炼出具有价值的信息和知识的过程。以机器和算法为主导,充分发挥机器在数据分析挖掘中的效率和可靠性的优势,提供对结构化数据以及文本、图像、视频和语言等非结构数据分析挖掘。数据分析挖掘包括一些通用的数据挖掘方法,也包括深度学习,机器学习,统计分析等。

    五、数据应用

    大数据应用是整个大数据生命周期中最重要的一个环节之一。随着大数据应用越来越广泛,应用的行业也越来越低,每天都可以看到大数据的一些新奇的应用,从而帮助人们从中获取到真正有用的价值。下面和大家介绍下大数据应用方面相关技术。

    基本概念

    数据可视化

    人类的眼睛是一对高带宽巨量视觉信号输入的并行处理器,拥有超强模式识别能力,配合超过 50% 功能用于视觉感知相关处理的大脑,使得人类通过视觉获取数据比任何其他形式的获取方式更好,大量视觉信息在潜意识阶段就被处理完成,人类对图像的处理速度比文本快 6 万倍。

    数据可视化正是利用人类天生技能来增强数据处理和组织效率。

    六、数据治理

    过去的十年,我们经历了数据量高速膨胀的时期,这些海量的、分散在不同角落的异构数据导致了数据资源的价值低、应用难度大等问题。如何将海量数据应用于决策、营销和产品创新?如何利用大数据平台优化产品、流程和服务?如何利用大数据更科学地制定公共政策、实现社会治理?所有这一切,都离不开大数据治理。可以说,在大数据战略从顶层设计到底层实现的“落地”过程中,治理是基础,技术是承载,分析是手段,应用是目的。这个时候数据治理体系建设可能不是一个选择,而是唯一的出路。

    数据规范标准

    元数据管理

    元数据MetaData狭义的解释是用来描述数据的数据,广义的来看,除了业务逻辑直接读写处理的那些业务数据,所有其它用来维持整个系统运转所需的信息/数据都可以叫作元数据。比如数据表格的Schema信息,任务的血缘关系,用户和脚本/任务的权限映射关系信息等等。

    管理这些附加MetaData信息的目的,一方面是为了让用户能够更高效的挖掘和使用数据,另一方面是为了让平台管理人员能更加有效的做好系统的维护管理工作。

    主数据管理

    大数据架构管理

    数据安全

    没有安全做保障,一切大数据应用都是空谈。数据业务未来最大的挑战就是如何安全落地。特别是随着一些列数据安全的问题发生,对大数据的保护成为全球关注的热点。各个企业特别是掌握了海量用户信息的大型企业,有责任也有义务去保护数据的安全。

    展开全文
  • 超全整理!Python数据分析知识体系

    千次阅读 2017-05-06 19:16:43
    自从1991年诞生以来,Python现在已经成为最受...在数据分析和交互、探索性计算以及数据可视化方面,Python将不可避免地接近于其他开源和商业领域的特定编程语言/工具,如R、matlab、SAS、stata等。 下面是笔者在学习

    自从1991年诞生以来,Python现在已经成为最受欢迎的动态编程语言之一,Python最大的特点是拥有一个巨大而活跃的科学计算社区。进入21世纪以来,在行业应用和学术研究中采用Python进行科学计算的势头越来越猛。
    在数据分析和交互、探索性计算以及数据可视化方面,Python将不可避免地接近于其他开源和商业领域的特定编程语言/工具,如R、matlab、SAS、stata等。
    下面是笔者在学习用Python进行数据分析过程中对Python数据分析的知识体系进行梳理,能够帮助大家在学习过程中对Python数据分析有个整体把握。

    Python数据分析知识体系

    展开全文
  • 商业数据分析从入门到入职(1)商业数据分析综述

    千次阅读 多人点赞 2020-09-10 17:33:07
    商业数据分析的从业要求包括基础知识、工具、业务能力和软技能;在数据获取、数据处理等5个阶段有各自所需要的技能;评价一个事务需要从多个角度衡量,基本的分析流程包括理解商业问题、准备阶段、数据分析和解释...
  • 人工智能知识体系

    千次阅读 2018-12-13 15:54:39
    本阶段主要从数据分析、概率论和线性代数及矩阵和凸优化这四大块讲解基础,旨在训练大家逻辑能力,分析能力。拥有良好的数学基础,有利于大家在后续课程的学习中更好的理解机器学习和深度学习的相关算法内容。同时...
  • 策划了《BI建设地图》,围绕BI建设成功,从“顶层明确数据化价值——BI全周期项目规划—数仓技术盘点—业务价值应用—数据驱动文化培养”,分别梳理了5大模块知识,能够帮助数据人建立对BI全流程的知识体系,成为...
  • 拥有本篇文章,意味着你拥有一本完善的书籍,本篇文章整理了数据仓库领域,几乎所有的知识点。
  • 那人工智能知识体系有哪些内容呢? 下面是新一代人工智能知识体系大全图谱: 中国人工智能发展现状与未来 对于中国而言,人工智能的发展是一个历史性的战略机遇,对缓解未来人口老龄化压力、应对可持续...
  • 商业分析模型简述

    千次阅读 2020-06-16 18:05:59
    目录 一、波特五力分析模型(Porters 5 forces Model) ...六、商业模式画布图(Business Model Canvas) 一、波特五力分析模型(Porters 5 forces Model) 五力分析模型是迈克尔·波特(Michael Porter)于8...
  • 互联网指标体系构建及分析方法

    千次阅读 多人点赞 2021-12-26 08:06:55
    帮助互联网创业公司搭建从0到1的指标体系建设,重点关注第一关键指标(One Metric)、AARRR(海盗)模型;根据自身产品的MVP阶段、增长阶段、变现阶段的划分以及数据的大、全、细、时特点,利用代码埋点、可视化埋点...
  • 这一过程也是质量管理体系的支持过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。是有组织有目的地收集数据、分析数据,使之成为信息的过程。 数据分析分类 数据分析划分为描述性统计分析、探索性...
  • 服务器运维监控知识体系

    千次阅读 2020-05-15 14:24:57
    从来没讲过运维,因为我觉得运维这种东西不需要太多的知识面,然后我一个做了运维朋友告诉我大错特错,他就是从3K的运维一步步到40K的,甚至笑着说:我现在感觉自己什么都能做。 既然讲,就讲最重要的吧。 监控是...
  • 项目管理知识体系指南(PMBOK 指南) 第6版——笔记

    万次阅读 多人点赞 2019-05-31 16:16:13
    项目管理十大知识领域,五大管理过程组,49个过程。如下表格: 项目:项目的定义 : (Project Management Institute) 项目是为创造独特的产品、服务或成果而进行的临时性工作。 三特点:独特、临时、渐进 项目...
  • [转]PKM-个人知识体系建设

    千次阅读 2019-09-24 10:47:29
    这里集中了本站所有关于个人知识库、个人知识体系方面的文章,下面是展开的目录: PKM理论和方法 艾宾浩斯与他的遗忘曲线 记忆核系统 资料整理的方法 电子资料整理技巧 图书馆馆藏电子资料管理...
  • 【与数据同行】已开通综合、数据仓库、数据分析、产品经理、数据治理及机器学习六大专业群,加微信号frank61822702为好友后入群。新开招聘交流群,请关注【与数据同行】公众号,后台回...
  • :博主是一名正在学习证券知识的学生,在每个领域我们都应当是学生的心态,也不应拥有身份标签来限制自己学习的范围,所以博客记录的是在学习过程中一些总结,也希望和大家一起进步,在记录之时,未免存在很多疏漏和...
  • 阅读之前看这里????:博主是正在学习数据分析的一员,博客记录的是在学习过程中一些总结,也希望和大家一起进步,在记录之时,未免存在很多疏漏和不全,如...数据分析师之所需要了解的产品系列知识(三)——定义产品成
  • SQL编程专题:【数据分析/商业分析】面试题整理——SQL专题 文章目录统计学机器学习SQL大数据业务知识python 统计学 怎么做假设检验 偏态分布怎么处理 假设检验的基本原理,为什么会是反证的思想 假设检验的p值...
  • 商业数据分析--思路总结

    千次阅读 2020-12-11 21:03:24
    一、概念 什么是商业 B2B/B2C/B2B2C/C2B/B2VC 什么是商业运作供应链-产品/服务-销售渠道-(营销/风控)-用户-售后客服->财务表现+数据表现 商业运作组织有哪些? 前线(销售/渠道/业务)-中...什么是商业分析? 用数
  • 本文以知识图谱为切入点,重点讲解了阿里巴巴B2B在电商结构化信息挖掘和场景应用等方面的经验。 知识图谱并不是一个全新的概念,它经历了知识工程、专家系统、语义网络等多种形式。 01、知识工程与专家系统 在...
  • 架构设计——架构知识体系

    万次阅读 多人点赞 2018-08-23 13:45:58
    架构设计——架构知识体系   1、什么是架构和架构本质 在软件行业,对于什么是架构,都有很多的争论,每个人都有自己的理解。 此君说的架构和彼君理解的架构未必是一回事。 我们主要针对互联网服server系统...
  • 前面我们系统梳理了系统分析师的思维导图,没看过的朋友建议将图片下载。 思维导图1-5 思维导图6-10 思维导图11-15 思维导图16-20 本轮学习,我将带大家将历年的真题梳理下,把重点内容和重点考点标记出来,逐一击破...
  • 建立自己的知识体系,就像从一个四海为家的人到给自己建一栋安居的房子,你应该先问问自己为什么要这样做?构建自己的核心价值么?这句话在职业规划中老生常谈了,你有么? (1)我为什么要去学习? 作为...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 50,608
精华内容 20,243
关键字:

商业分析知识体系