詳解數(shù)據(jù)分析的一般步驟及業(yè)務(wù)分析方法

數(shù)據(jù)分析對企業(yè)來說意義重大，現(xiàn)在數(shù)據(jù)分析崗位也很普及。好的數(shù)據(jù)分析，能為企業(yè)轉(zhuǎn)型決策提供依據(jù)，作為企業(yè)中的頂梁柱，你怎么能不會數(shù)據(jù)分析？今天紐帶線CRM小編輯跟大家一起來學學數(shù)據(jù)分析的一般步驟及業(yè)務(wù)分析方法。
一、數(shù)據(jù)分析的一般步驟濃縮精華版
第一步：數(shù)據(jù)準備：（70%時間）
獲取數(shù)據(jù)（爬蟲，數(shù)據(jù)倉庫）
驗證數(shù)據(jù)
數(shù)據(jù)清理（缺失值、孤立點、垃圾信息、規(guī)范化、重復記錄、特殊值、合并數(shù)據(jù)集）
使用python進行文件讀取csv或者txt便于操作數(shù)據(jù)文件（I/O和文件串的處理，逗號分隔）
抽樣（大數(shù)據(jù)時。關(guān)鍵是隨機）
存儲和歸檔
第二步：數(shù)據(jù)觀察（發(fā)現(xiàn)規(guī)律和隱藏的關(guān)聯(lián)）
單一變量：點圖、抖動圖；直方圖、核密度估計；累計分布函數(shù)
兩個變量：散點圖、LOESS平滑、殘差分析、對數(shù)圖、傾斜
多個變量：假色圖、馬賽克圖、平行左邊圖
第三步：數(shù)據(jù)建模
推算和估算（均衡可行性和成本消耗）
縮放參數(shù)模型（縮放維度優(yōu)化問題）
建立概率模型（二項、高斯、冪律、幾何、泊松分布與已知模型對比）
第四步：數(shù)據(jù)挖掘
選擇合適的機器學習算法（蒙特卡洛模擬，相似度計算，主成分分析）
大數(shù)據(jù)考慮用Map/Reduce
得出結(jié)論，繪制最后圖表
循環(huán)到第二步到第四步，進行數(shù)據(jù)分析，根據(jù)圖表得出結(jié)論完成文章。
二、數(shù)據(jù)分析業(yè)務(wù)分析版
“無尺度網(wǎng)絡(luò)模型”的作者艾伯特-拉斯洛·巴拉巴西認為——人類93%的行為是可以預測的。數(shù)據(jù)作為人類活動的痕跡，就像金礦等待發(fā)掘。但是首先你得明確自己的業(yè)務(wù)需求，數(shù)據(jù)才可能為你所用。
數(shù)據(jù)為王，業(yè)務(wù)是核心
了解整個產(chǎn)業(yè)鏈的結(jié)構(gòu)
制定好業(yè)務(wù)的發(fā)展規(guī)劃
衡量的核心指標有哪些
有了數(shù)據(jù)必須和業(yè)務(wù)結(jié)合才有效果。首先你需要摸清楚所在產(chǎn)業(yè)鏈的整個結(jié)構(gòu)，對行業(yè)的上游和下游的經(jīng)營情況有大致的了解。然后根據(jù)業(yè)務(wù)當前的需要，指定發(fā)展計劃，從而歸類出需要整理的數(shù)據(jù)。最后一步詳細的列出數(shù)據(jù)核心指標（KPI），并且對幾個核心指標進行更細致的拆解，當然具體結(jié)合你的業(yè)務(wù)屬性來處理，找出那些對指標影響幅度較大的影響因子。前期資料的收集以及業(yè)務(wù)現(xiàn)況的全面掌握非常關(guān)鍵。
思考指標現(xiàn)狀，發(fā)現(xiàn)多維規(guī)律
熟悉產(chǎn)品框架，全面定義每個指標的運營現(xiàn)狀
對比同行業(yè)指標，挖掘隱藏的提升空間
拆解關(guān)鍵指標，合理設(shè)置運營方法來觀察效果
爭對核心用戶，單獨進行產(chǎn)品用研與需求挖掘
發(fā)現(xiàn)規(guī)律不一定需要很高深的編程方法，或者復雜的統(tǒng)計公式，更重要的是培養(yǎng)一種感覺和意識。不能用你的感覺去揣測用戶的感覺，因為每個人的教育背景、生活環(huán)境都不一樣。很多數(shù)據(jù)元素之間的關(guān)系沒有明顯的顯示，需要使用直覺與觀察（數(shù)據(jù)可視化技術(shù)來呈現(xiàn)）。
3. 規(guī)律驗證，經(jīng)驗總結(jié)
發(fā)現(xiàn)了規(guī)律之后不能立刻上線，需要在測試機上對模型進行驗證。

有關(guān)數(shù)據(jù)分析，還有更多更重要的內(nèi)容值得我們?nèi)W習，今天的數(shù)據(jù)分析步驟和業(yè)務(wù)分析方法希望能對大家有幫助。