數(shù)據(jù)分析4要素，常用的“套路”也要會(huì)

要做一名優(yōu)秀數(shù)據(jù)分析師，首先對(duì)數(shù)據(jù)分析崗位有基本的概念，其次，要明白數(shù)據(jù)分析中有哪些套路和方法，如此，才能舉一反三，才能不同場(chǎng)景數(shù)據(jù)分析切換自如。下面我們高屋建瓴，抽繭剝絲般講講數(shù)據(jù)分析四大要素。

-任何數(shù)據(jù)分析過程都逃不掉四大要素-

任何數(shù)據(jù)分析過程都包括四大要素：場(chǎng)景+數(shù)據(jù)+工具+方法，數(shù)據(jù)分析起點(diǎn)必須來源于某個(gè)場(chǎng)景下的需求，根據(jù)需求目標(biāo)（場(chǎng)景），搭建分析框架（方法），提取需要的數(shù)據(jù)指標(biāo)（數(shù)據(jù)），用適合的工具實(shí)現(xiàn)，最后提煉結(jié)論，給出建議或策略。

01 場(chǎng)景

首先，移動(dòng)互聯(lián)網(wǎng)化+傳統(tǒng)企業(yè)轉(zhuǎn)型觸網(wǎng)使數(shù)據(jù)獲取難度大大降低，其次，云存儲(chǔ)和云計(jì)算使存儲(chǔ)和計(jì)算成本降低，最后，人工智能和商業(yè)智能使數(shù)據(jù)價(jià)值凸顯，越來越多企業(yè)愿意花大錢于數(shù)據(jù)基礎(chǔ)建設(shè)，那么數(shù)據(jù)分析場(chǎng)景也越來越豐富，從行業(yè)來看，主要有互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、金融、汽車、房地產(chǎn)和供應(yīng)鏈等。

每個(gè)行業(yè)具體業(yè)務(wù)場(chǎng)景也會(huì)不同，比如同樣是互聯(lián)網(wǎng)，可以分為游戲、社交、電商、安全、新零售、娛樂、外賣、航旅、共享經(jīng)濟(jì)、搜索、人工智能.....，應(yīng)用場(chǎng)景和邊界不斷擴(kuò)展，不同場(chǎng)景分析套路和重點(diǎn)也不完全相同，但有一點(diǎn)，場(chǎng)景越豐富，數(shù)據(jù)分析崗越有必要和價(jià)值，思路和想象也可無限擴(kuò)展。

02 數(shù)據(jù)

百科定義：數(shù)據(jù)指對(duì)客觀事件進(jìn)行記錄并可以鑒別的符號(hào)，是對(duì)客觀事物的性質(zhì)、狀態(tài)以及相互關(guān)系等進(jìn)行記載的物理符號(hào)或這些物理符號(hào)的組合。它是可識(shí)別的、抽象的符號(hào)。它不僅指狹義上的數(shù)字，還可以是具有一定意義的文字、字母、數(shù)字符號(hào)的組合、圖形、圖像、視頻、音頻等，也是客觀事物的屬性、數(shù)量、位置及其相互關(guān)系的抽象表示。

數(shù)據(jù)特征：變異性和規(guī)律性，變異性是指不同事件量化的數(shù)據(jù)不同，具有差異性，正是因?yàn)閿?shù)據(jù)變異性，數(shù)據(jù)分析才有必要；規(guī)律性是指包羅萬象的數(shù)據(jù)中，數(shù)據(jù)是有規(guī)律可尋的，從而得出有價(jià)值的結(jié)論，正是因?yàn)橐?guī)律性數(shù)據(jù)分析才有價(jià)值。

數(shù)據(jù)類型：數(shù)據(jù)可分為結(jié)構(gòu)性和非結(jié)構(gòu)性數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)是指可以用數(shù)字量化的，相對(duì)規(guī)整的數(shù)據(jù)，比如生產(chǎn)、業(yè)務(wù)、交易和客戶信息等的結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)分析和方法很長(zhǎng)時(shí)期都集中在這類數(shù)據(jù)上，這塊的方法和工具也相對(duì)成熟；但相比結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)量更大，也蘊(yùn)含著非常豐富的價(jià)值，比如合約、發(fā)票、書信與采購(gòu)記錄等營(yíng)運(yùn)內(nèi)容；如文書處理、電子表格、簡(jiǎn)報(bào)檔案與電子郵件等部門內(nèi)容；如HTML與XML等格式信息的Web內(nèi)容；以及如聲音、影片、圖形等媒體內(nèi)容。非結(jié)構(gòu)數(shù)據(jù)處理算法和方法在近幾年有很大的進(jìn)步，比如在圖像、語(yǔ)音、翻譯等有廣泛應(yīng)用。

數(shù)據(jù)簡(jiǎn)史：數(shù)據(jù)規(guī)模和存儲(chǔ)方式在1991年之前，增長(zhǎng)是緩慢的，之后在互聯(lián)網(wǎng)的推動(dòng)下，數(shù)據(jù)量開始爆發(fā)，2005年hadoop誕生，標(biāo)志著人類對(duì)海量數(shù)據(jù)處理有了解決方案，近幾年在很多學(xué)者和企業(yè)的推波助瀾下，數(shù)據(jù)價(jià)值越來越受到企業(yè)重視。

03 工具

工欲善其事必先利其器，工具在數(shù)據(jù)分析過程中也是非常重要的一環(huán)，下面列舉些常用的工具類型：

1>筆記本電腦，電腦配置還是要高點(diǎn)兒，尤其是在數(shù)據(jù)量比較大的公司，如果計(jì)算內(nèi)存小，很容易出現(xiàn)死機(jī)，嚴(yán)重影響工作效率。至于電腦操作系統(tǒng)是選擇os，還是ws，建議選擇后者，從電腦普及率來看是ws更高，ws分析工具更全，功能更強(qiáng)大；

2>基礎(chǔ)分析和展示工具：數(shù)據(jù)分析中最常用的數(shù)據(jù)匯總和展示工具是excel和ppt，excel是最常用的數(shù)據(jù)分析工具，哪怕是在大的數(shù)據(jù)公司，比如阿里巴巴、美團(tuán)、騰訊、百度，通常會(huì)先在云上把需要的指標(biāo)進(jìn)行初步匯總，取出放到excel中分析，excel功能很強(qiáng)大，除了透視匯總，圖表、分類外，還有簡(jiǎn)單模型、規(guī)劃求解等功能。

因此，excel是最基礎(chǔ)也最常用的分析工具，數(shù)據(jù)分析師必須要好好掌握；數(shù)據(jù)分析完成后，通常要把成果展示給聽眾，ppt是非常好的選擇，數(shù)據(jù)分析報(bào)告ppt不像營(yíng)銷同學(xué)做的花哨，形式為輔，核心是結(jié)論、信息傳達(dá)，數(shù)據(jù)作為論據(jù)，如果能將數(shù)據(jù)分析報(bào)告類ppt做的很美觀，也很厲害，可以參考咨詢公司的報(bào)告，比如麥肯錫、埃森哲等，網(wǎng)上可以找到很多。

3> 數(shù)據(jù)提取工具：數(shù)據(jù)提取如果數(shù)據(jù)量比較小，很多公司會(huì)有直接下載的功能，但如果數(shù)據(jù)量比較大，就需要自己加工了，常用的數(shù)據(jù)查詢工具有sql、hive，很多大的互聯(lián)網(wǎng)公司都是用hive，hive和sql語(yǔ)法有點(diǎn)類似，也是很多數(shù)據(jù)倉(cāng)庫(kù)同學(xué)必須掌握的語(yǔ)言，作為一名大公司的數(shù)據(jù)分析同學(xué)，hive是必須要掌握的，hive最早是谷歌搞出來的，不少公司在此基礎(chǔ)上封裝成自己的語(yǔ)言，加些自己的函數(shù)等，但總體語(yǔ)法和架構(gòu)是一樣的。

4>可視化工具：ppt中有些可視化的功能，但在可視分析上還不是特別專業(yè)，市場(chǎng)上認(rèn)可度比較高的可視化分析工具有tableau、spotfire等，前者市場(chǎng)推廣做的更好，知名度更高，后者功能更強(qiáng)大，可視化組件更豐富。如果想給人耳目一新的感覺，這些可視化工具是不錯(cuò)的選擇，而且所見即所得，tableau和spotfire都收費(fèi)，前者差不多1萬元左右，如果是學(xué)生，可以申請(qǐng)教育版的，這樣可以省一筆錢。當(dāng)然，大的互聯(lián)網(wǎng)公司也會(huì)有自己的數(shù)據(jù)產(chǎn)品，相對(duì)外部工具，數(shù)據(jù)接入更容易。

5>高階數(shù)據(jù)分析工具：如果你想用一些算法、模型解決日常的工作，可以學(xué)習(xí)R軟件、python，還有傳統(tǒng)的一些spss、matlab、spss modler等，除了這些工具外，大公司也會(huì)有自己的模型或算法平臺(tái)，可以通過java、python等語(yǔ)言直接調(diào)取已有算法包，也可以用這些語(yǔ)言重新封裝新的算法再使用。

市面上工具很多，但要做一名合格的數(shù)據(jù)分析師，掌握1/2/3中的工具就可以解決80%的商業(yè)分析問題，另外，20%需要高階的工具。

04 方法

數(shù)據(jù)分析思維數(shù)據(jù)分析方法包括兩個(gè)層面，一個(gè)是數(shù)據(jù)分析思維層面，另一個(gè)是套路層面，常用的數(shù)據(jù)分析思維有：

1> MEMC（Mutually Exclusive Collectively Exhaustive）——“相互獨(dú)立、完全窮盡”，這個(gè)是金字塔原理中非常經(jīng)典的復(fù)雜問題拆解方法，尤其是針對(duì)比較大的研究課題，可能開始無從下手，這個(gè)時(shí)候通過這種方法，可以把整體分解成很多局部模塊，再針對(duì)每個(gè)模塊進(jìn)行可能性假設(shè)和論證，最終得出滿意的答案。

2> 歸納，指從許多個(gè)別的事物中概括出一般性概念、原則或結(jié)論的思維方法，每次數(shù)據(jù)分析探索可能很多維度、視角都會(huì)嘗試，最終要寫成分析報(bào)告的時(shí)候需要提煉核心觀點(diǎn)，這就是一個(gè)信息歸納的過程。

3> 演繹，演繹推理是由普通性的前提推出特殊性結(jié)論的推理，我們?cè)跀?shù)據(jù)分析中經(jīng)常會(huì)沿用原有的經(jīng)驗(yàn)，很多都是采用演繹的方式進(jìn)行，比如 28法則是人類收入分配中有這種傾向，電商賣家收入也會(huì)有這種傾向。

4>對(duì)比思維，數(shù)據(jù)分析中很多時(shí)候要回答某個(gè)結(jié)果是好還是壞，需要有具體的參考系，常用的參考系有四類，去年同期對(duì)比如何，上期環(huán)比如何，和目標(biāo)比如何，和競(jìng)爭(zhēng)對(duì)手比如何，只有通過對(duì)比才有實(shí)際的意義，否則只是陳列數(shù)據(jù)。

5> 抽繭剝絲，數(shù)據(jù)分析要像剝洋蔥一樣，一層層往下分解，直接不能再分解，或者可落地解決為止，如果只停留在表象，會(huì)發(fā)現(xiàn)不接地氣，數(shù)據(jù)無法真正驅(qū)動(dòng)業(yè)務(wù)。

6> 5W1H，數(shù)據(jù)分析不一定都要回答6方面的問題，想表達(dá)的是如何面對(duì)復(fù)雜case，要了解這個(gè)需求的前因后果，只有先做綜合性的判斷，才能清楚地判斷需求是否靠譜，是要接著往下做，還是要放棄，很多需求是沒有意義的。另外，通過5W1H方式的溝通，會(huì)獲得解決方向靈感，以及判斷需求所能影響的范圍。

“套路”方法常用的套路層面，需要結(jié)合具體的業(yè)務(wù)場(chǎng)景，比如電商流量、安全、市場(chǎng)營(yíng)銷、會(huì)員運(yùn)營(yíng)、銷售管理等不同場(chǎng)景的數(shù)據(jù)分析套路是不完全一樣的，下面大概講下，后續(xù)會(huì)退出更詳細(xì)的

1>流量：常用的分析方法是流量漏掉，不管是在電商、搜索、還是在社交游戲，通過流量漏斗思路，做流量轉(zhuǎn)化效率優(yōu)化都是這塊的核心。

2>安全：安全最主要的思路是攻防（規(guī)則識(shí)別、模型識(shí)別），流程或政策優(yōu)化，比如針對(duì)賬號(hào)被盜這樣的風(fēng)險(xiǎn)，可以在登錄時(shí)增加校驗(yàn)流程，或者增加校驗(yàn)難度，也可在不改變流程情況下，提高規(guī)則、模型對(duì)異常攻擊識(shí)別的準(zhǔn)確率和覆蓋度。原則要做安全和用戶體驗(yàn)平衡。

3>成交：成交很重要的思路是從流量端做成交驅(qū)動(dòng)拆解，成交金額=uv*轉(zhuǎn)化率*客單價(jià)，每個(gè)指標(biāo)都可以再細(xì)分，也可以從供給端做供給數(shù)量和效率拆解，再?gòu)牟煌S度細(xì)分，比如行業(yè)、商家類型等。

4>用戶：用戶主要關(guān)注的是用戶粘性，和ARUP值，常用的方法是RFM，將用戶分成不同類型精細(xì)化運(yùn)營(yíng)，終極目標(biāo)是讓用戶離不開你，情愿花更多錢。

5>銷售管理：銷售核心的工作是KPI制定和分配，傭金激勵(lì)，過程管理，數(shù)據(jù)分析更多是KPI制定的方法，傭金系數(shù)制定的方法，過程指標(biāo)分解的方法。

6> 市場(chǎng)營(yíng)銷：市場(chǎng)營(yíng)銷核心分析思路是影響面，以及投入產(chǎn)出比（roi）。

以上就是數(shù)據(jù)分析4要素，希望您對(duì)數(shù)據(jù)分析崗有全面的了解。