愛數據學習社
welcome
要做一名優秀數據分析師，首先對數據分析崗位有基本的概念，其次，要明白數據分析中有哪些套路和方法，如此，才能舉一反三，才能不同場景數據分析切換自如。下面我們高屋建瓴，抽繭剝絲般講講數據分析四大要素。
-任何數據分析過程都逃不掉四大要素-
任何數據分析過程都包括四大要素：場景+數據+工具+方法，數據分析起點必須來源於某個場景下的需求，根據需求目標（場景），搭建分析框架（方法），提取需要的數據指標（數據），用適合的工具實現，最後提煉結論，給出建議或策略。
01 場景
首先，移動互聯網化+傳統企業轉型觸網使數據獲取難度大大降低，其次，雲存儲和雲計算使存儲和計算成本降低，最後，人工智能和商業智能使數據價值凸顯，越來越多企業願意花大錢於數據基礎建設，那麼數據分析場景也越來越豐富，從行業來看，主要有互聯網、移動互聯網、金融、汽車、房地產和供應鏈等。
每個行業具體業務場景也會不同，比如同樣是互聯網，可以分為遊戲、社交、電商、安全、新零售、娛樂、外賣、航旅、共享經濟、搜索、人工智能.....，應用場景和邊界不斷擴展，不同場景分析套路和重點也不完全相同，但有一點，場景越豐富，數據分析崗越有必要和價值，思路和想象也可無限擴展。
02 數據
百科定義：數據指對客觀事件進行記錄並可以鑑別的符號，是對客觀事物的性質、狀態以及相互關係等進行記載的物理符號或這些物理符號的組合。它是可識別的、抽象的符號。它不僅指狹義上的數字，還可以是具有一定意義的文字、字母、數字符號的組合、圖形、圖像、視頻、音頻等，也是客觀事物的屬性、數量、位置及其相互關係的抽象表示。
數據特徵：變異性和規律性，變異性是指不同事件量化的數據不同，具有差異性，正是因為數據變異性，數據分析才有必要；規律性是指包羅萬象的數據中，數據是有規律可尋的，從而得出有價值的結論，正是因為規律性數據分析才有價值。
數據類型：數據可分為結構性和非結構性數據。結構化數據是指可以用數字量化的，相對規整的數據，比如生產、業務、交易和客戶信息等的結構化數據，數據分析和方法很長時期都集中在這類數據上，這塊的方法和工具也相對成熟；但相比結構化數據，非結構化數據存儲量更大，也蘊含著非常豐富的價值，比如合約、發票、書信與採購記錄等營運內容；如文書處理、電子表格、簡報檔案與電子郵件等部門內容；如HTML與XML等格式信息的Web內容；以及如聲音、影片、圖形等媒體內容。非結構數據處理算法和方法在近幾年有很大的進步，比如在圖像、語音、翻譯等有廣泛應用。
數據簡史：數據規模和存儲方式在1991年之前，增長是緩慢的，之後在互聯網的推動下，數據量開始爆發，2005年hadoop誕生，標誌著人類對海量數據處理有了解決方案，近幾年在很多學者和企業的推波助瀾下，數據價值越來越受到企業重視。
03 工具
工欲善其事必先利其器，工具在數據分析過程中也是非常重要的一環，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兒，尤其是在數據量比較大的公司，如果計算內存小，很容易出現死機，嚴重影響工作效率。至於電腦操作系統是選擇os，還是ws，建議選擇後者，從電腦普及率來看是ws更高，ws分析工具更全，功能更強大；
2>基礎分析和展示工具：數據分析中最常用的數據彙總和展示工具是excel和ppt，excel是最常用的數據分析工具，哪怕是在大的數據公司，比如阿里巴巴、美團、騰訊、百度，通常會先在雲上把需要的指標進行初步彙總，取出放到excel中分析，excel功能很強大，除了透視彙總，圖表、分類外，還有簡單模型、規劃求解等功能。
因此，excel是最基礎也最常用的分析工具，數據分析師必須要好好掌握；數據分析完成後，通常要把成果展示給聽眾，ppt是非常好的選擇，數據分析報告ppt不像營銷同學做的花哨，形式為輔，核心是結論、信息傳達，數據作為論據，如果能將數據分析報告類ppt做的很美觀，也很厲害，可以參考諮詢公司的報告，比如麥肯錫、埃森哲等，網上可以找到很多。
3> 數據提取工具：數據提取如果數據量比較小，很多公司會有直接下載的功能，但如果數據量比較大，就需要自己加工了，常用的數據查詢工具有sql、hive，很多大的互聯網公司都是用hive，hive和sql語法有點類似，也是很多數據倉庫同學必須掌握的語言，作為一名大公司的數據分析同學，hive是必須要掌握的，hive最早是谷歌搞出來的，不少公司在此基礎上封裝成自己的語言，加些自己的函數等，但總體語法和架構是一樣的。
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，市場上認可度比較高的可視化分析工具有tableau、spotfire等，前者市場推廣做的更好，知名度更高，後者功能更強大，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的選擇，而且所見即所得，tableau和spotfire都收費，前者差不多1萬元左右，如果是學生，可以申請教育版的，這樣可以省一筆錢。當然，大的互聯網公司也會有自己的數據產品，相對外部工具，數據接入更容易。
5>高階數據分析工具：如果你想用一些算法、模型解決日常的工作，可以學習R軟件、python，還有傳統的一些spss、matlab、spss modler等，除了這些工具外，大公司也會有自己的模型或算法平臺，可以通過java、python等語言直接調取已有算法包，也可以用這些語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據分析師，掌握1/2/3中的工具就可以解決80%的商業分析問題，另外，20%需要高階的工具。
04 方法
數據分析思維
數據分析方法包括兩個層面，一個是數據分析思維層面，另一個是套路層面，常用的數據分析思維有：
1> MEMC（Mutually Exclusive Collectively Exhaustive）——“相互獨立、完全窮盡”，這個是金字塔原理中非常經典的複雜問題拆解方法，尤其是針對比較大的研究課題，可能開始無從下手，這個時候通過這種方法，可以把整體分解成很多局部模塊，再針對每個模塊進行可能性假設和論證，最終得出滿意的答案。
2> 歸納，指從許多個別的事物中概括出一般性概念、原則或結論的思維方法，每次數據分析探索可能很多維度、視角都會嘗試，最終要寫成分析報告的時候需要提煉核心觀點，這就是一個信息歸納的過程。
3> 演繹，演繹推理是由普通性的前提推出特殊性結論的推理，我們在數據分析中經常會沿用原有的經驗，很多都是採用演繹的方式進行，比如 28法則是人類收入分配中有這種傾向，電商賣家收入也會有這種傾向。
4>對比思維，數據分析中很多時候要回答某個結果是好還是壞，需要有具體的參考系，常用的參考系有四類，去年同期對比如何，上期環比如何，和目標比如何，和競爭對手比如何，只有通過對比才有實際的意義，否則只是陳列數據。
5> 抽繭剝絲， 數據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，會發現不接地氣，數據無法真正驅動業務。
6> 5W1H，數據分析不一定都要回答6方面的問題，想表達的是如何面對複雜case，要了解這個需求的前因後果，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，會獲得解決方向靈感，以及判斷需求所能影響的範圍。
“套路”方法
常用的套路層面，需要結合具體的業務場景，比如電商流量、安全、市場營銷、會員運營、銷售管理等不同場景的數據分析套路是不完全一樣的，下面大概講下，後續會退出更詳細的
1>流量：常用的分析方法是流量漏掉，不管是在電商、搜索、還是在社交遊戲，通過流量漏斗思路，做流量轉化效率優化都是這塊的核心。
2>安全：安全最主要的思路是攻防（規則識別match、模型識別），流程或政策優化，比如針對賬號被盜這樣的風險，可以在登錄時增加校驗流程，或者增加校驗難度，也可在不改變流程情況下，提高規則、模型對異常攻擊識別的準確率和覆蓋度。原則要做安全和用戶體驗平衡。
3>成交：成交很重要的思路是從流量端做成交驅動拆解，成交金額=uv*轉化率*客單價，每個指標都可以再細分，也可以從供給端做供給數量和效率拆解，再從不同維度細分，比如行業、商家類型等。
4>用戶：用戶主要關注的是用戶粘性，和ARUP值，常用的方法是RFM，將用戶分成不同類型精細化運營，終極目標是讓用戶離不開你，情願花更多錢。
5>銷售管理：銷售核心的工作是KPI制定和分配，佣金激勵，過程管理，數據分析更多是KPI制定的方法，佣金係數制定的方法，過程指標分解的方法。
6> 市場營銷：市場營銷核心分析思路是影響面，以及投入產出比（roi）。
以上就是數據分析4要素，希望您對數據分析崗有全面的瞭解。
THE END
閱讀更多 愛數據網 的文章
