无敌储物戒txt数据分析在国内是最近几年才火热起来的,因为处在移动互联网的时代,每一家公司都会积累大量的数据,在掌握了对数据分析的方法后,数据就有了无限的价值。
常见的如在零售行业,作为销售人员,每个季度可能要给老板汇报产品销售情况。你需要分析产品的销售利润如何、哪些产品卖的好、哪些产品是亏损的、亏损又是原因是什么等等。
或者作为一家连锁服装店的经理,在搞促销活动后,老板希望你能选出一个最适合店铺全面推广的促销方案。你需要分析每种方案的转化率如何、带来的销售额是多少、哪种方案的活动成本是最低等等。
又或者作为一家银行贷款的业务经理,面对违约的客户,你可能需要建立一套客户的用户画像,分析逾期情况,来避免公司的损失。
传统企业或者一些中小型公司可能并没有专门的数据分析岗位,一线业务人员往往需要直接具备数据分析能力。比如销售人员、财务人员、市场营销人员,或者是互联网行业中的产品经理和运营岗位人员。
用户活跃数量是衡量一款互联网产品是否成功的一项重要指标。作为数据分析师,你需要随时关注APP的日活变化、监控是否有异常情况的产生、分析日活上升下降的原因、提升用户留存率等。
在王者荣耀里,上线一款新英雄后,该如何构建指标体系去分析新英雄上线后的效果呢?
或者产品经理向你提出,希望你帮忙提高公司产品的付费用户比例,你会怎么去分析呢?
看来,数据分析覆盖到各行各业,不管是传统企业,还是互联网企业,对数据分析师的需求都是非常大的。
数据分析分为两个方向,一个是商业分析,另一个是数据挖掘,两个方向的发展路线不一样。
商业分析更侧重的是业务能力,重视分析思维,需要一定的运营和产品能力。而数据挖掘是往技术路线走,重视算法、数学及编程能力。
相对来说,商业数据分析更容易入门,而数据挖掘门槛较高,对于学工科的人来说会更合适些,比如学统计学、数学或计算机相关专业毕业的。
确实,不管是在商业分析中还是在数据挖掘中,数据提取和清洗环节都会占据分析过程中很大一部分时间和精力。
因为实际工作中,数据往往不是我们“想要的样子”,需要我们对原始数据进行规范化,整理成我们分析的数据格式。
就好比做饭,炒菜往往几分钟搞定,但最花时间的是买菜以及对食材清洗处理过程,大家可能都有过这体会。
大部分互联网公司都会选择把业务数据存储在数据库中,而Mysql是最广泛使用的一种关系型数据库管理系统。
SQL是Mysql用于访问和处理数据库标准的计算机语言。在分析前,往往需要从数据库中提取数据,SQL技能是数据分析师一项很基础的能力。
学习商业数据分析,一定要掌握一款BI可视化工具,这里为什么把Tableau作为商业数据分析师必备的能力呢?
第一,Tableau足够强大,作为一款敏捷的BI分析工具,数据分析中各种复杂的业务场景Tableau都能满足。
第二,Tableau简单易上手,仅仅通过拖拽操作就能完成可视化分析,做出漂亮的图表。Tableau的高级计算,更能够类似编程的方式实现问题的多层次分析,这是传统的BI分析工具比如Excel,做不到的。
第三,Tableau是目前BI行业使用最多的商业分析工具之一,掌握Tableau是进入数据分析领域的一块敲门砖。
如果习惯使用Excel做分析,也可以搭配使用微软推出的PowerBI来完成可视化分析。
在BI行业,Tableau和PowerBI远超过其他产品,处于行业中领导者位置。
商业数据分析师还需要具备的能力:业务能力,沟通能力,项目推动能力等。Python虽然不是必须掌握的,但花时间学习了对工作无疑是锦上添花的。
此外,写作也是一项重要能力,在写数据分析报告,PPT演讲稿时,都需要你有一定的文案写作能力。
我们可以看出,数据挖掘更侧重的是对算法学习,算法的本质是通过数学推导得出来的,也需要你很好地掌握数学基础。
数据挖掘也需要你有一定的编程能力,学习编程就绕不开计算机基础知识的学习。数据挖掘很多算法Python都是支持的,可直接调用。所以说不管是爬虫抓取数据,还是数据清洗,又或者用编程工具做数据分析,都需要编程来实现,需要你掌握一定的编程能力。
说完数据分析师需要具备的能力,接下来我们再来看一下商业数据分析的基本流程。
需求分析阶段,主要是确认分析的问题和目的,我们可以借助思维导图、Excel表格、Word文档来梳理需求。
这里要讲一点是有关受众,受众就是看你报告的人。如果你是给业务部门或者公司领导层做报告,那就不应该引用太多专业词汇,尽量写的通俗易懂。如果是给同行业的数据分析师做分享,那多引用点专业术语也无妨。
当我们是某个领域的精通者时,会不知不觉假设其他人和我们具有相同的理解能力,尤其是对专业术语的使用。
考虑一下大多数人,他们实际上对不了解专业的认知水平有限,并且对你熟悉的事物也不太熟悉。
商业数据分析师不用太多关注数据源是怎么收集的,如是用爬虫抓取,还是通过日志埋点的方式获取。
在数据分析前,我们要养成良好的「数据审核」习惯,保持对数据的敏锐性,这将会使你成为越来越优秀的数据分析师。
如何进行数据清洗呢,我们可以遵循以下四个准则,适用于大部分数据清洗场景。
其中,对比分析法是数据分析中最常用的方法,一切数据只有对比起来才有意义。
多维分析法就是细分分析法,指的是从不同方面剖析一个事物,是我们认识世界的基础。
转化分析的核心在于定义过程,主要用来分析互联网中产品流程或关键节点的转化效果。
帕累托分析法指的是经济学原理中的二八法则,原意指的是某西方国家20%的人口拥有80%的财富的现象。该分析方法常用于对产品的优化分析,帕累托分析的理想状态是20%的产品将占据80%的销售额。
常见的模型分析方法有漏斗分析模型、留存分析模型、RFM价值模型。漏斗分析也属于转化分析的一种,留存分析常用做用户活跃度的分析,RFM价值模型是对用户细分的一种分析方法。
公式拆解法是将问题逐个拆解成不同指标的分析方法。比如在分析超市销售利润下降问题时,我们可以将利润拆解成:利润=收入-成本,再进一步分析是收入下降还是成本升高导致,如果是收入下降,我们还可以进一步对收入进行公式拆解,直到最终找到问题原因。
四象限分析法又称为波士顿矩阵,是一种策略分析模型,是制定公司战略最流行的方法之一。
数据分析过程可以借助商业分析工具,比如Tableau、PowerBI。也可以借助编程工具实现,比如Python、R语言。有需要的话还可以引入算法进行分析。
这一步的工作你可以有更多的思考。比如如何让平常的工作更加自动化?在接到一个需求后怎么不用每次都重复上次分析?如何给业务部门创造更多的价值,而不仅仅是只完成给你提的基础需求。
数据展现步骤需要你选择合适的图表进行可视化分析,以下是常见的图表类型选择。
撰写工具的选择,如果是文字报告的形式,建议用文档来呈现,比如Word、石墨文档、腾讯文档等。如果是当众演讲,建议用PPT,也可以用Tableau的故事来讲述数据故事。
最后你可以主动收集来自业务部门的反馈与评价,看看是否已达到刚开始的分析需求,还有有哪些不完善的地方有待提升,本次分析能否总结成通用分析模型供下次使用等等。
|