好书，详略得当，转行必读。 1. 为什么要做数据分析 1. 随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入存量期，仅靠经验驱动的增长模式不再有效。此时，要求商家从粗放运营转为精细化运营，由经验驱动转为数据驱动，而这个转变中最重要的一点就是数据，也就是用数据分析报告决定市场是否值得投入，用数据选品，用数据做经营分析，用数据管理库存。 2. 在发展中期，为了追求规模化，品牌需要不断去扩展边界，于是基于现有运营能力，把成功经验复制到其他细分市场的模式就很重要，进而成体系的运营方法论、产品方法论需求应运而生，也就是要从以往经验中沉淀出泛化能力强的业务模型框架，来实现增长。例如以往做用户运营，尝试过用近期消费距离、累计消费频次、累计消费金额来做用户分层运营，效果不错，因此可以把方法论总结成RFM模型应用到更多场景中。 2. 数据分析的能力结构 1. 任务管理（什么该做什么不该做）、指标思路（拆解指标/对比分析）、工具（sql/python/bi）、数据分析/用户分析（统计学/分层原理）、业务分析+给出建议（商业分析模型)、呈现（汇报/向上管理/预期管理） 3. 分析的第一步：搞清楚业务方的需求是什么？要解决的问题是什么？ 4. 分析的第二步：检查数据源 1. 任何分析的起点都是检查数据的准确性 2. 养成对数据的深究，知道数据是怎么来的。 5. 指标的定义 1. 指标的作用是“度量”业务，可以从三个角度对指标进行拆解：指标=维度+汇总方式+量度。 2. 沿着产品的生命周期来看，不同阶段使用的指标差异如下：①导入期：业务目标在于建立知名度，通过口碑引流，着重关注新注册人数、分享率指标。②成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标。③成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标。④衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标。 3. 好的指标体系有如下特点：(1)能体现当下业务的关注点。(2)同时包含结果性指标和过程性指标。(3)有对应的业务抓手。 6. 把指标作为工具：拆解+使用模型预测 1. 拆解：拆成加减乘除的公式，定位到不同环节 1. 例如为了找出销售额低的原因，需要进行更多维度的拆分：销售额=客流量×客单价×转化率×复购率，要想分析销售额，就得从客流量、客单价、转化率、复购率这几个不同的维度去思考 2. 日活=新增用户+老用户留存+流失用户回流，将这些指标进一步拆解如下：①按新增用户来源渠道拆解：应用市场，百度搜索等；②按老用户留存渠道拆解：华为、vivo应用商店等 2. 预测：针对电商类产品，通过对比往年数据以及针对性的活动预期效果，在“双十一”“618”预测可能产生的流量的峰值，事先对服务器进行扩容，避免大流量冲击对业务造成影响。 7. 用户分析 1. 同样是用户分析，To B业务和To C业务就有很大的区别，To B的产品一般是解决系统化、流程化问题，关注更多的是效率、功能性等。而To C产品则偏向用户体验，要做到让用户“爽”，更多关注的是用户痛点、产品的交互和使用习惯等。 2. 假设对用户行为数据分析发现，只要用户邀请超过10名好友，用户30天留存的概率就会从30%提升到70%，因此，就能给出解决问题的业务策略：通过分享游戏刺激用户邀请超过10名好友。在这个案例中，数据分析通过找到业绩提升的“魔法数字”驱动业务增长。 8. 逻辑推理：说事实，而不是观点/用客观标准代替主观判断/利用演绎法中的核心思维方式：三段论/具备一定的好奇心 几个常用模型 OSM(Object Strategy Measure)模型：构建指标体系 O（Object，目标）：在建立数据指标体系之前，一定要清晰地了解当下的业务重点和目标，也就是模型中的O S（Strategy，策略）：了解业务目标和核心指标之后，就需要在此基础上根据用户行为路径进行拆解，这个拆解一定对应着业务策略，也就是模型中的S。把核心指标拆解成一个个过程指标，每个过程指标对应着相应的行动策略 M（Measure，指标）：针对上面拆解的每个业务过程，制定对应的评估指标，也就是模型中的M SWOT分析 又称态势分析，是一种通过分析对象内外部因素从而得出战略结论的分析方法。 优势(Strengths)、劣势(Weaknesses)、机会(Opportunities)、威胁(Threats) PEST分析 四个维度：政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)。 STP+4P分析 STP：市场细分(Segmentation)、目标市场(Targeting)和定位(Positioning) 4P：教科书里的“营销组合”，也是营销最基本的四个元素：产品(Product)、价格(Price)、渠道(Place)与宣传(Promotion)。 通过“STP+4P”的结合，依次细分市场、选择目标市场、确定定位，接着塑造产品价值、制定价格、选择合理渠道及合理营销方式。 波士顿矩阵 决定产品结构的主要因素有两个，分别是市场引力（销售增长率）和企业实力（市场占有率）。 ●市场引力包括“整个市场的销售增长率”“竞争对手强弱”“利润高低”等。其中“销售增长率”是决定企业产品结构是否合理的“外在因素”，它是反映市场引力的综合指标。●企业实力包括“市场占有率”“技术、设备、资金利用能力”等，其中“市场占有率”是决定企业产品结构的“内在要素”，它直接显示出企业竞争实力。 5W2H Why（何故）、What（何事）、Where（何地）、When（何时）、Who（何人）、How（何法）、How much（多少） 生命周期分析 一个典型的生命周期要经历5个阶段—研发期、引入期、成长期、成熟期及衰退期。我们要做的就是想办法提高研发和引入阶段的效率，加速成长的步伐，延长成熟周期，减缓衰退的进程。 AB测试分析 AB测试分析其实来源于假设检验，假设现在有两个随机均匀的样本组A、B，对组A做出某种改动，试验结束后分析两组用户行为数据，通过显著性检验，判断这个改动对于我们所关注的核心指标是否有显著的影响。 用户画像分析：选择指标，指标组合成标签，用标签描述用户并且对用户分类 一个用户可以理解为多个偏好向量（标签）的和 用户画像之所以如此火热，是因为其在很多场景都有广泛的应用，例如：●用户分层运营：这是用户画像最常用的场景，通过用户画像的标签，筛选出不同的用户群，通过推送或弹窗配置平台，对不同的用户群实现精细化运营。●自动化触达：分层越精细，用户群的粒度会越小，最后会小到一个个体。我们针对每个个体去做推送或者弹屏，运营效率还是太低了。基于用户画像的自动化触达就发挥了作用。●个性化推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，可以有效提升转化率。●用户统计与行业研究：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用量、分布，分析不同用户画像群体的分布特征和走势等。 漏斗分析 业务都是有先后流程的，从业务流程起点开始到最后目标完成的每个环节都会存在着用户流失，会造成前面流程用户多、后面流程用户少的情况，因此，我们需要一种分析方法来衡量业务流程每一步的转化效率和用户流失情况，这种分析方法就是我们接下来要讲的漏斗分析。 AARRR模型，是用户增长和用户生命周期管理最常用的漏斗模型，从用户生命周期的各阶段入手，包括Acquisition（用户获取）、Activation（用户激活）、Retention（用户留存）、Revenue（用户产生收入）、Refer（自传播）。通过判断哪个阶段的用户存在问题，进而对问题阶段的用户进行细分、精细化运营，完成用户向成熟用户和付费用户的引导，最终实现用户增长。 AIDMA模型 该理论认为，消费者从接触到信息到最后达成购买，会经历5个阶段：注意→兴趣→欲望→记忆→行动（购买），消费者从不知情者变为被动了解者再变为主动了解者，最后变为主动购买者 RFM用户分层分析 RFM最早产生于电商领域，根据客户的交易数据衡量客户的价值，对客户进行细分。衡量客户价值的三个维度为R（Recency，交易间隔）、F（Frequency，交易频度）、M（Monetary，交易金额）。三个维度分别对应着客户的黏性、忠诚度和贡献。 R分值、F分值和M分值三个指标构成了一个三维立方图，在各自维度上，根据得分值又可以分为高、低两个分类，分别用1或0表示（需要注意的是：R分值高对应的最近一次交易距今的时间间隔短），最终对3个指标进行组合，构成了8大客户群体。
虽说是72问，看似杂乱无章，看目录非常有章法，目录就可以给零基础一个很好的知识体系，根据这些体系通过读书再往里面填写东西，从一开始的思维方法，作者就分了很多中，给数据分析方法归类了，这样就能很清晰的对分析方法的用途有了一个初步的认知，这个分析方法干什么用，怎么用，如何用等等， 数据分析想要有结果最重要的是落地，这一点特别好，大部分书籍里面不提如何落地，怎么落地，这本书就教他们如何落地，还是非常值得一看的
本人还是很值得推荐给零基础的学者 本书从基础到工具到落地，比较系统的讲解在数据分析过程中所需要的知识，从一开始可以通过方法论进行知识体系搭建，第二就是通过技能的学习掌握工具，第三就进一步升级数据分析思维，从点线面，如何分析结果如果落地执行，非常全面的对整个进行认知，还是值得推荐的。
是一本数据分析入门的必读的。通俗简单，能够对数据分析的相关概念有大致的了解。这本书蕴含的思想逻辑和分析原则，要好好体会，对以后的学习有很大的帮助。
《数据分析手记》是一本深入浅出、实用而又富有启发性的数据分析指南。作者以其扎实的专业知识和丰富的实践经验，为读者提供了一条通向数据分析成功的道路。 这本书从数据分析的基本概念和方法开始，逐步引导读者进入数据分析的世界。作者通过清晰的语言和生动的实例，将复杂的概念和技术解释得易于理解。无论读者是初学者还是有一定经验的专业人士，都能够从中受益匪浅。 值得推荐
可能作者确实是真的做过数分，但是说实话这本书写的真是太泛了，有点鸡肋，建议作者真的想要出书，不如把具体工作中的实际案例写一些反而更具吸引力
整体来看还是蛮适合入门选手阅读的，有基础概念也有落地方法。特别是第四章讲解的分析思维、工作方法这些，对个人的启示很多，以前实习的时候确实一直关注于“点”——怎么做完这个需求，对需求背后的业务述求/业务逻辑都思考不足够，就会出现做完需求就做完需求了，没有太多收获成长；现在重点关注“线”了就发现确实会对需求看得更清楚。
本书更像是一个内行人写给外行人看的书。门里面的人基本都是会思考的人，不会思考的人会被数据分析师这工作毒打的。但是，外行人可能又不太看得懂里面的内容，因为作者省去了不少基础。问题是确实要省，不省的话，书就太长了。这就导致书有点泛泛。值得诟病的一点是，到处都在强调数据分析师要跟业务联系。这肯定是没错的，不过作者不能把相关强调业务联系的几问，整理合并一下吗？因此我觉得这书可能应该是作者的一个博文的集合而已。这样才解释的通。
数据分析师工作模式的思考这块有一定收获，但仅限于此。 书写得太泛了。作者确实是数据从业者，能讲出些东西来，但想要用一本书讲清楚数据分析的方方面面，属实太理想化了。 内容方面不敢恭维，案例几乎都是点到为止，文字、逻辑错误频出，诚意不够。 那就是说，书都出版了，书里的内容就不能多校验下吗•ᴗ•💧
的确有启发，但好多东西都在小册子里，小册子在哪啊，电子书没有吗
核心问题，只要接触这一行，学过一些数据分析的人都能够了解到。整本书感觉就是罗列一些问题，没有实质的实战、实践的案例，显得本书不够真诚。
？？？什么都要扫码去小册子上看 那我要这本书干什么？？？？？好无语
适合零基础小白转行
内容分析的很细致，基本涵盖了所有的分析案例，建议想学习的人看，看不懂的就算了
垃圾
好书，详略得当，转行必读。 1. 为什么要做数据分析 1. 随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入存量期，仅靠经验驱动的增长模式不再有效。此时，要求商家从粗放运营转为精细化运营，由经验驱动转为数据驱动，而这个转变中最重要的一点就是数据，也就是用数据分析报告决定市场是否值得投入，用数据选品，用数据做经营分析，用数据管理库存。 2. 在发展中期，为了追求规模化，品牌需要不断去扩展边界，于是基于现有运营能力，把成功经验复制到其他细分市场的模式就很重要，进而成体系的运营方法论、产品方法论需求应运而生，也就是要从以往经验中沉淀出泛化能力强的业务模型框架，来实现增长。例如以往做用户运营，尝试过用近期消费距离、累计消费频次、累计消费金额来做用户分层运营，效果不错，因此可以把方法论总结成RFM模型应用到更多场景中。 2. 数据分析的能力结构 1. 任务管理（什么该做什么不该做）、指标思路（拆解指标/对比分析）、工具（sql/python/bi）、数据分析/用户分析（统计学/分层原理）、业务分析+给出建议（商业分析模型)、呈现（汇报/向上管理/预期管理） 3. 分析的第一步：搞清楚业务方的需求是什么？要解决的问题是什么？ 4. 分析的第二步：检查数据源 1. 任何分析的起点都是检查数据的准确性 2. 养成对数据的深究，知道数据是怎么来的。 5. 指标的定义 1. 指标的作用是“度量”业务，可以从三个角度对指标进行拆解：指标=维度+汇总方式+量度。 2. 沿着产品的生命周期来看，不同阶段使用的指标差异如下：①导入期：业务目标在于建立知名度，通过口碑引流，着重关注新注册人数、分享率指标。②成长期：业务目标在于通过不同渠道布局推广最大限度占有市场，着重关注新会员来源渠道占比等指标。③成熟期：业务目标在于将前期流量变现，确保盈利规模，着重关注付费率、毛利率等指标。④衰退期：此时，市场增量收缩，要求对存量人群精细化运营，着重关注复购率、重购金额占比等指标。 3. 好的指标体系有如下特点：(1)能体现当下业务的关注点。(2)同时包含结果性指标和过程性指标。(3)有对应的业务抓手。 6. 把指标作为工具：拆解+使用模型预测 1. 拆解：拆成加减乘除的公式，定位到不同环节 1. 例如为了找出销售额低的原因，需要进行更多维度的拆分：销售额=客流量×客单价×转化率×复购率，要想分析销售额，就得从客流量、客单价、转化率、复购率这几个不同的维度去思考 2. 日活=新增用户+老用户留存+流失用户回流，将这些指标进一步拆解如下：①按新增用户来源渠道拆解：应用市场，百度搜索等；②按老用户留存渠道拆解：华为、vivo应用商店等 2. 预测：针对电商类产品，通过对比往年数据以及针对性的活动预期效果，在“双十一”“618”预测可能产生的流量的峰值，事先对服务器进行扩容，避免大流量冲击对业务造成影响。 7. 用户分析 1. 同样是用户分析，To B业务和To C业务就有很大的区别，To B的产品一般是解决系统化、流程化问题，关注更多的是效率、功能性等。而To C产品则偏向用户体验，要做到让用户“爽”，更多关注的是用户痛点、产品的交互和使用习惯等。 2. 假设对用户行为数据分析发现，只要用户邀请超过10名好友，用户30天留存的概率就会从30%提升到70%，因此，就能给出解决问题的业务策略：通过分享游戏刺激用户邀请超过10名好友。在这个案例中，数据分析通过找到业绩提升的“魔法数字”驱动业务增长。 8. 逻辑推理：说事实，而不是观点/用客观标准代替主观判断/利用演绎法中的核心思维方式：三段论/具备一定的好奇心 几个常用模型 OSM(Object Strategy Measure)模型：构建指标体系 O（Object，目标）：在建立数据指标体系之前，一定要清晰地了解当下的业务重点和目标，也就是模型中的O S（Strategy，策略）：了解业务目标和核心指标之后，就需要在此基础上根据用户行为路径进行拆解，这个拆解一定对应着业务策略，也就是模型中的S。把核心指标拆解成一个个过程指标，每个过程指标对应着相应的行动策略 M（Measure，指标）：针对上面拆解的每个业务过程，制定对应的评估指标，也就是模型中的M SWOT分析 又称态势分析，是一种通过分析对象内外部因素从而得出战略结论的分析方法。 优势(Strengths)、劣势(Weaknesses)、机会(Opportunities)、威胁(Threats) PEST分析 四个维度：政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)。 STP+4P分析 STP：市场细分(Segmentation)、目标市场(Targeting)和定位(Positioning) 4P：教科书里的“营销组合”，也是营销最基本的四个元素：产品(Product)、价格(Price)、渠道(Place)与宣传(Promotion)。 通过“STP+4P”的结合，依次细分市场、选择目标市场、确定定位，接着塑造产品价值、制定价格、选择合理渠道及合理营销方式。 波士顿矩阵 决定产品结构的主要因素有两个，分别是市场引力（销售增长率）和企业实力（市场占有率）。 ●市场引力包括“整个市场的销售增长率”“竞争对手强弱”“利润高低”等。其中“销售增长率”是决定企业产品结构是否合理的“外在因素”，它是反映市场引力的综合指标。●企业实力包括“市场占有率”“技术、设备、资金利用能力”等，其中“市场占有率”是决定企业产品结构的“内在要素”，它直接显示出企业竞争实力。 5W2H Why（何故）、What（何事）、Where（何地）、When（何时）、Who（何人）、How（何法）、How much（多少） 生命周期分析 一个典型的生命周期要经历5个阶段—研发期、引入期、成长期、成熟期及衰退期。我们要做的就是想办法提高研发和引入阶段的效率，加速成长的步伐，延长成熟周期，减缓衰退的进程。 AB测试分析 AB测试分析其实来源于假设检验，假设现在有两个随机均匀的样本组A、B，对组A做出某种改动，试验结束后分析两组用户行为数据，通过显著性检验，判断这个改动对于我们所关注的核心指标是否有显著的影响。 用户画像分析：选择指标，指标组合成标签，用标签描述用户并且对用户分类 一个用户可以理解为多个偏好向量（标签）的和 用户画像之所以如此火热，是因为其在很多场景都有广泛的应用，例如：●用户分层运营：这是用户画像最常用的场景，通过用户画像的标签，筛选出不同的用户群，通过推送或弹窗配置平台，对不同的用户群实现精细化运营。●自动化触达：分层越精细，用户群的粒度会越小，最后会小到一个个体。我们针对每个个体去做推送或者弹屏，运营效率还是太低了。基于用户画像的自动化触达就发挥了作用。●个性化推荐：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，可以有效提升转化率。●用户统计与行业研究：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用量、分布，分析不同用户画像群体的分布特征和走势等。 漏斗分析 业务都是有先后流程的，从业务流程起点开始到最后目标完成的每个环节都会存在着用户流失，会造成前面流程用户多、后面流程用户少的情况，因此，我们需要一种分析方法来衡量业务流程每一步的转化效率和用户流失情况，这种分析方法就是我们接下来要讲的漏斗分析。 AARRR模型，是用户增长和用户生命周期管理最常用的漏斗模型，从用户生命周期的各阶段入手，包括Acquisition（用户获取）、Activation（用户激活）、Retention（用户留存）、Revenue（用户产生收入）、Refer（自传播）。通过判断哪个阶段的用户存在问题，进而对问题阶段的用户进行细分、精细化运营，完成用户向成熟用户和付费用户的引导，最终实现用户增长。 AIDMA模型 该理论认为，消费者从接触到信息到最后达成购买，会经历5个阶段：注意→兴趣→欲望→记忆→行动（购买），消费者从不知情者变为被动了解者再变为主动了解者，最后变为主动购买者 RFM用户分层分析 RFM最早产生于电商领域，根据客户的交易数据衡量客户的价值，对客户进行细分。衡量客户价值的三个维度为R（Recency，交易间隔）、F（Frequency，交易频度）、M（Monetary，交易金额）。三个维度分别对应着客户的黏性、忠诚度和贡献。 R分值、F分值和M分值三个指标构成了一个三维立方图，在各自维度上，根据得分值又可以分为高、低两个分类，分别用1或0表示（需要注意的是：R分值高对应的最近一次交易距今的时间间隔短），最终对3个指标进行组合，构成了8大客户群体。
虽说是72问，看似杂乱无章，看目录非常有章法，目录就可以给零基础一个很好的知识体系，根据这些体系通过读书再往里面填写东西，从一开始的思维方法，作者就分了很多中，给数据分析方法归类了，这样就能很清晰的对分析方法的用途有了一个初步的认知，这个分析方法干什么用，怎么用，如何用等等， 数据分析想要有结果最重要的是落地，这一点特别好，大部分书籍里面不提如何落地，怎么落地，这本书就教他们如何落地，还是非常值得一看的
本人还是很值得推荐给零基础的学者 本书从基础到工具到落地，比较系统的讲解在数据分析过程中所需要的知识，从一开始可以通过方法论进行知识体系搭建，第二就是通过技能的学习掌握工具，第三就进一步升级数据分析思维，从点线面，如何分析结果如果落地执行，非常全面的对整个进行认知，还是值得推荐的。
是一本数据分析入门的必读的。通俗简单，能够对数据分析的相关概念有大致的了解。这本书蕴含的思想逻辑和分析原则，要好好体会，对以后的学习有很大的帮助。
《数据分析手记》是一本深入浅出、实用而又富有启发性的数据分析指南。作者以其扎实的专业知识和丰富的实践经验，为读者提供了一条通向数据分析成功的道路。 这本书从数据分析的基本概念和方法开始，逐步引导读者进入数据分析的世界。作者通过清晰的语言和生动的实例，将复杂的概念和技术解释得易于理解。无论读者是初学者还是有一定经验的专业人士，都能够从中受益匪浅。 值得推荐
可能作者确实是真的做过数分，但是说实话这本书写的真是太泛了，有点鸡肋，建议作者真的想要出书，不如把具体工作中的实际案例写一些反而更具吸引力
整体来看还是蛮适合入门选手阅读的，有基础概念也有落地方法。特别是第四章讲解的分析思维、工作方法这些，对个人的启示很多，以前实习的时候确实一直关注于“点”——怎么做完这个需求，对需求背后的业务述求/业务逻辑都思考不足够，就会出现做完需求就做完需求了，没有太多收获成长；现在重点关注“线”了就发现确实会对需求看得更清楚。
本书更像是一个内行人写给外行人看的书。门里面的人基本都是会思考的人，不会思考的人会被数据分析师这工作毒打的。但是，外行人可能又不太看得懂里面的内容，因为作者省去了不少基础。问题是确实要省，不省的话，书就太长了。这就导致书有点泛泛。值得诟病的一点是，到处都在强调数据分析师要跟业务联系。这肯定是没错的，不过作者不能把相关强调业务联系的几问，整理合并一下吗？因此我觉得这书可能应该是作者的一个博文的集合而已。这样才解释的通。
数据分析师工作模式的思考这块有一定收获，但仅限于此。 书写得太泛了。作者确实是数据从业者，能讲出些东西来，但想要用一本书讲清楚数据分析的方方面面，属实太理想化了。 内容方面不敢恭维，案例几乎都是点到为止，文字、逻辑错误频出，诚意不够。 那就是说，书都出版了，书里的内容就不能多校验下吗•ᴗ•💧
的确有启发，但好多东西都在小册子里，小册子在哪啊，电子书没有吗
核心问题，只要接触这一行，学过一些数据分析的人都能够了解到。整本书感觉就是罗列一些问题，没有实质的实战、实践的案例，显得本书不够真诚。
？？？什么都要扫码去小册子上看 那我要这本书干什么？？？？？好无语
适合零基础小白转行
内容分析的很细致，基本涵盖了所有的分析案例，建议想学习的人看，看不懂的就算了
垃圾