比较浅显、通俗易懂，但基本完成了本书标题中的写作目标“分析方法”和“业务知识”，虽然比较粗线条，但拿一本书就想学透，又怎么可能呢，必然是大量的躬身实践+读书反思+向高手请教合三为一后方能到达优良境界。 对本书后半部分的案例篇，草草了事，没有花多少心思去读，从第一性原理上来讲，Business Data Analysis的底层逻辑、流程、方法论是一致的，不同行业和领域数据分析的差异大多存在于业务本质的差异上，而不在数据分析本身，不作评价。 前半部分，其实融合了大量学科和书籍，你批评本书作者蜻蜓点水也不必，一本书寥寥几章容纳那么多知识，至少包含应用统计学，市场营销，宏经和微经（初级就够了），消费者心理学，流程再造理论，项目管理，财务管理等，本书基本做到直白傻瓜式地引领小白入门了。部分数据分析方法确实经典和重要，甚至不应该当做“方法”对待，而应视为一种思维模式，譬如多维，流程，漏斗，对比等（其实本书还缺乏矩阵分析方法这一重要分析模式，RFM只是其中一个特例。） 总之，是一本可以花点时间跳读、浏览、精读的书（具体怎么读，看数据分析的底子咯）。 另附： 本书参考文献部分，放的几本书，反而是不得不读的经典之作，显然阅读门槛和专业性会较本书高一些（实际上，也没多难）。 1.《赤裸裸的统计学》要脱离大学很久、很多年不再沾统计学的人来说，这本书对掌握统计学的基本概念与知识很有帮助，算一本很有名的书了，与之对应的是《深入浅出统计学》也不错，想再提高点层次去看《应用统计学》或者《社会统计学》，或者一步到位《概率论与数理统计》。 2.《精益数据分析》数据分析领域的圣书，每一个数据分析师的必读之作！没啥说的，对于六大商业模式的数据分析阐述地非常透彻。 3.《增长黑客》很有名的书，应该人尽皆知，人尽皆读未必，很多人甚至只是听听一些“名人”讲这本书而已。 4.《引爆点》格拉德威尔的这本书在一些高校商学院MBA或EMBA的课堂上都会提到。这本书的观点起源于拉扎斯菲尔德的二级传播理论，令人深思！ 以上，是为评。
微信读书读完的第334本书，《数据分析思维：分析方法和业务》。 本书讲解了数据分析的方法与实战，重点培养数据分析的思维。 一、数据分析的方法： 1、业务指标。 （1）如何理解数据？懂得从数据中发现业务指标，数据的含义（如何定义与计算）与分类（用户数据、行为数据、产品数据） （2）常用的指标有哪些？使用相关指标去分析数据/问题。 A、用户数据指标：新增用户、活跃用户、留存用户（粘性）。 B、行为数据指标：PV(访问次数）、UV（访问人数）、转发率、转化率、K因子（转化成新用户的转化率）。 C、产品数据指标：成交总额（GMV)、成交数量、访问时长、客单价、复购率、付费率、产品（热销产品TOP、好评产品TOP、差评产品TOP) D、推广付费指标：展示位广告、搜索广告、信息流广告，点击率、成本、投入产出比。 （3）如何选择指标？ A、好的数据指标应该是比例。 B、找到最核心的指标。 （4）指标体系和报表 A、明确KPI，找到一级指标。 B、了解业务运营情况，找到二级指标。 C、梳理业务流程，找到三级指标。 D、通过报表监控指标，不断更新指标体系。 2、数据分析的常见方法： 数据分析要有分析的思维、思路与方法，不只统计式/工具式（EXCELSQLPYTHON)的数据分析，深挖背后的原因，提出有效的改进计划。 常见方法，可以对应使用在哪里，以及使用的注意事项。 （1）5W2H分析：what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）、how（怎么做）、how much（多少钱）。 （2）逻辑树分析：逻辑树拆解图 （3）行业分析:PEST分析方法（政策、经济、社会、技术） （4）多维度拆解分析：维度可按指标构成、业务流程（步骤）等拆解 （5）对比分析：同比、环比、行业比，数据整体大小（平均数或中位数）、波动（变异系数）、趋势变化（拆线图），得出比较结果。比如A/B测试，比较对象规模（口径）保持一致。 （6）假设检验分析：提高逻辑思维能力、分析问题发生的原因（归因分析）。思路：问题—提出假设—收集证据——得出结论。 A、分析销售业绩，可通过4P营销理论（产品、价格、渠道、促销）。 B、按业务流程分析留存率、复购率等。 C、从用户、产品、竞品这3个维度提出假设。 （7）相关分析：散点图，相关系数，相关关系不等于因果关系。 （8）群组分析：比如留存分析，可按时间、性别、地域分组等。 （9）RFM分析：根据最近1次消费时间间隔（R)、消费频率(F)、消费金额(M),分类重要价值、发展、保持、挽留用户，一般价值、发展、保持、挽留用户。 A、使用原始数据计算出R、F、M值； B、给R、F、M值按价值打分，例如按价值从低到高分为1～5分； C、计算价值的平均值，如果某个指标的得分比价值的平均值低，标记为“低”。如果某个指标的得分比价值的平均值高，标记为“高”； D、和用户分类规则表比较，得出用户分类。 （10）AARRR模型分析： A、获取用户（渠道曝光量、转换率、日新增用户数、日应用下载量、获客成本） B、激活用户：用户首次体验如何、访问时长、活跃率 C、提高留存：顾客还会回来吗 D、增加收入：成效总额、成效数量、客单价、付费率、复购率 E、推荐他人：转发率、K因子 （11）漏斗分析：浏览量、点击量、创建订单、支付率层层转化率 二、数据分析实战：书中列举国内/跨境电商、金融信贷、金融第三方支付、家政、旅游、在线教育、运营商、内容、房产、汽车、零售等具体行业数据分析，可根据自己所在或感兴趣行业，看相关章节。 三、数据分析总结。 1、明确问题：定义问题，制定分析的思维导图，明确数据来源和准确性、业务指标含义理解与使用 2、分析原因：运用不同分析方法，可采用多维度拆解分析方法、假设检验分析方法、相关分析方法等，找到关键因素。 3、提出建议：落地的具体措施。 综上，数据分析，要具备分析的思维与方法、熟悉业务，用数据分析解决问题，从实际问题出发，明确问题，通过不同的分析方法，分析原因、提出建议。 学以致用，要在实际分析中不断思考，不断运用，不断改进。
如何分析原因类的业务场景场景：某店铺上半年完成的利润与年初制定的目标还有很大差距，如果按目前销售进度，到年底是没有办法完成全年目标的。如何找到利润没有达到目标的原因，并拿出能完成年度目标的方案？ 以下为本书3.3节“如何分析原因？”的笔记。 一、明确问题1）保证数据源的正确性（时间、地点、数据来源等） 2）保证对业务指标理解的一致性（指标是怎么定义的，和谁比较，指标异常的表现是什么） 通过数据核对及与业务部门的沟通，明确当前的问题是：利润没有达到预期目标。 二、分析问题产生的原因：找到利润没有达到目标的原因分析思路：需要先找到上半年利润落后于计划的原因，才能针对具体的原因制定出详细的改进建议，从而保证在下半年完成目标。 1、使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题； 2、对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成； 3、在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析。 如何找到利润没有达到目标的原因----反复多次拆解、假设、验证 1）从指标构成来拆解：从指标的定义来看指标的构成拆解：拆解指标：利润=销售收入-销售成本-其他支出 假设：销售收入不达标OR销售成本上升OR产生了非预期的超额支出 验证：通过数据验证，是上述哪一个指标导致利润未达标 经过数据验证，没有发生超额支出，销售成本出现了明显的增长，销售收入显著下降； 定位到问题后，再次进行拆解、假设、验证 是否产生超额支出容易验证，假设上半年没有超额支出，对另外两个假设进行数据验证 假设1：是销售成本增加导致了利润不达标？ 拆解1：拆解指标：销售成本=销售费用+采购成本 假设1：销售费用增加OR采购成本增加 验证1：进过数据验证，销售费用增加了，采购成本和同期持平 注意：在实际工作中，指标和参数之间会互相影响， 比如：销售费用是可以提升销售增长的，如果增加销售费用能带来销售收入的增长，那么销售成本的增长是合理的，并不能作为指标异常的依据， 因此需要用一个指标来衡量两个指标之间的交叉关系，常见的指标比如：投产比 销售成本需要将销售费用和销售收入结合起来加以分析，这就需要用到一个指标：费率比，费率比=投入的费用／产生的销售收入。费率比越低，说明通过投入的费用带动销售增长的效果越好。 上半年的费率比是逐步下降的，也就是说，销售费用的增长也提升了销售收入的增长。所以销售费用的上升并不是利润不达标的主要原因。 经过验证，统计周期内的费率比是下降的，因此认为：销售成本的上升是合理的 同样的思路，如果采购总成本是和同比是上升的，也进行拆解，采购总成本= 采购单价*数量，采购单价持平，成本上升是由于数量增加，那么这种上升也是合理的 假设2：是销售收入没有达标导致了利润不达标？ 拆解2：销售数据= 客单价*用户数量 假设2：客单价下降OR用户数下降，导致了销售收入没有达到预期 验证2：通过数据验证，客单价上升，用户数减少 通过拆解指标构成，初步分析了利润未达标的原因是：用户数下降，导致了销售收入不达标，进而导致利润不达标； 但是如果只分析到这里，这样的分析结果无法产生实际的意义。因为只看用户数下降，还不能确定“接下来要采取哪些具体的措施才能解决问题”。 所以，为了提出可落地的解决方案，需要对用户数下降的原因进行分析； 此处从业务流程拆解分析用户下降原因； 2）从业务流程来拆解：按业务流程进行拆解分析例如按用户购买产品的业务流程来拆解 为了进一步找到用户数低的原因，可以梳理本店铺和竞争对手店铺的业务流程，哪些业务流程会影响用户数？ 部分指标（商品种类齐全、产品定价、售后服务）需要设置一个参考值进行对比，可以和竞争对手的数据进行对比， 例如通过问卷调研或者电话访谈，来分析本店铺和竞争对手有哪些差异。 梳理本店铺和竞争对手店铺的业务流程，并进行验证 流程1：用户在店铺中选择自己想要购买的商品； 假设1：供用户选择的商品不全，用户找不到想购买的商品； 验证1：对比本店铺和竞争对手店铺的商品种类数； 结论1：种类不少，假设不成立；但新产品没有被及时产出； 解决方案1：及时展示出新产品； 流程2：用户比较不同店铺中商品的价格； 假设2：价格相对于竞争对手没有优势； 验证2：通过市场调查对比竞争对手的价格定位和优惠促销活动； 结论2：价格定位上和竞争对手相同，但本店铺的促销活动频次少于竞争对手； 解决方案2：提高优惠促销活动开展的力度； 流程3：用户付款购买后，售后部门安排送货上门； 假设3：售后服务不能让用户满意； 验证3：通过用户回访，请他们对售后服务过程的质量进行打分； 结论3：服务质量水平的下降造成了用户数下降； 解决方案3：提升店铺的售后服务水平； 通过分析，找对提升指标的方向，原因1可以快速解决，店铺及时展出新品就可以。 但公司资源有限，一个阶段只能集中解决一个问题，原因2和原因3不能集中解决。 为了确定当前阶段资源投入的优先级，需要再分析：这两个因素中，哪个对用户数下降影响更大？ 可以通过相关分析，使用相关分析来找出哪些因素与分析目标有相关关系，进而确定影响更大的因素是哪一个。 分别计算商品价格、用户满意度和用户数的相关系数，观察这些相关系数的大小，可以得知哪个因素对用户数影响更大。 对数据进行相关分析，可以得出用户数和商品价格比的相关系数是0.773，用户数和用户满 意度的相关系数是0.980。 通过以上数据，发现跟用户数相关度最高的因素是用户满意度，所以优先提升服务满意度，即提升店铺的售后服务水平，可以显著提高用户数。 问题分析总结： 通过指标拆解分析，明确了利润未达到预期的原因是：1）促销活动少；2）服务满意度低 由于资源有限，进一步通过相关分析，明确服务满意度的提升对于利润的提升效果更显著。 三、提出建议虽然找到了利润没达到目标的原因，却不知道要改善到什么程度才能实现下半年的业务目标。 这时候就需要“回归分析”来计算出某个原因能够对目标造成“多大程度”的影响； 通过绘制散点图和回归方程，量化公司目标，比如下半年要实现利润4008.63万元，需要将销售收入提升到27875.42万元。 接下来再考虑，采取哪些措施才能将销售收入提升到27875.42万元。 通过之前的分析，销售收入下降是因为用户数减少，因此对销售收入和用户数进行相关分析，分析得到：销售收入要提升到27875.42万元，也就是y（销售收入）=27875.42万元，把它代入回归方程可以计算出x（用户数）=84338人。 也就是说，要实现销售收入为27875.42万元的目标，需要将到店的用户数提升到84338人。 通过分析，为公司下半年的经营提出以下建议： 如果想要完成年度的6000万元利润目标，建议在保持目前商品采购成本不变的前提条件下，通过增加销售收入的方式来保证利润目标。下半年需要将销售收入目标设定为27875.42万元，平均每个月销售目标设定为4546.90万元（27875.42万元/6）。下半年需要吸引84338人到店消费，平均每个月到店的用户数是14057人（84338人/6）。根据相关分析方法，要想提高到店用户数，需要优先提升店铺的售后服务水平。 具体实施上，可以将上述经营建议作为关键绩效指标，细化分解到具体的部门去执行，并与日常考核联系起来，从而确保全年利润目标顺利完成。 参考指标细化分解如下： 1）将月度销售目标分解到个人：将4546.90万元的月度目标分解到400个员工，人均11.61万元/月； 2）将月度销售目标分解到各个分店：将4546.90万元的月度目标分解到20家分店，每家店销售目标是227.35万元/月； 3)制定个人销售激励办法：对于完成月度个人目标，售后服务水平达标的，给予100元奖励； 4）制定集体销售激励办法：对于完成月度目标的店长，售后服务水平达标的，给予1％的奖励；
逻辑清晰，方法➕案例双线，通俗易懂[强][强][强] 1．工作中常用的指标有哪些？ 用户数据指标：鱼塘里有3种用户：新增用户（日新增用户数）、活跃用户（活跃率）、留存用户（留存率）。其中活跃用户对应的是不活跃用户，留存用户对应的是流失用户。 e.g. 在这50万安装用户里，只有1.9万用户是活跃的，也就是产品的日活跃率不到4%（日活跃率=日活跃用户数／总用户数=1.9/50=3.8%）。这么低的活跃率说明产品存在很大的问题。 第1天新增用户100个，第2天这100个人里有40个人打开过App，那么次日留存率=40/100=40%。如果第7天这100个人里有20个人打开过App，那么第7日留存率=20/100=20%。 Facebook有一个著名的40-20-10法则，也就是新用户次日留存率为40%，第7日留存率为20%，第30日留存率为10%，有这个表现的产品属于数据比较好的。 行为数据指标：PV、UV、转发率（转发率=转发某功能的用户数／看到该功能的用户数）、转化率（转化率=10（购买产品的人数）/100（到店铺的人数）=10%）、K因子（K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。注：K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率） 产品数据指标：用来衡量业务总量的指标，例如成交总额、成交数量；用来衡量人均情况的指标，例如客单价；用来衡量付费情况的指标，例如付费率、复购率；以及与产品相关的指标 推广付费指标：展示位广告、搜索广告、信息流广告 2．分析方法 （1）5W2H分析方法 案例1：如何设计一款产品？这时候可以用5W2H分析方法：what（是什么）：这是什么产品？when（何时）：什么时候需要上线？where（何地）：在哪里发布这些产品？why（为什么）：用户为什么需要它？who（是谁）：这是给谁设计的？how（怎么做）：这个产品需要怎么运作？how much（多少钱）：这个产品里有付费功能吗？价格是多少？ 案例2：设计一款App的调查问卷，如何设计问卷上的问题？这时候可以用5W2H分析方法：what（是什么）：你用这款App做什么事情？when（何时）：你通常在什么时间使用这款App？where（何地）：你会在什么场景使用这款App？why（为什么）：你为什么选择这款App？who（是谁）：如果你觉得你喜欢这个产品，你会推荐给谁？how（怎么做）：你觉得我们需要加入什么功能才是比较新颖的？how much（多少钱）：如果你认为这个App对你有帮助，你会花多少钱去购买App里的服务？ （2）逻辑树分析方法 把目标拆解成员工可以执行的小任务的能力 （3）行业分析方法 PEST分析方法是对公司发展宏观环境的分析，所以经常用于行业分析。通常是从政策、经济、社会和技术这四个方面来分析的。 （4）多维度拆解分析方法 - 从指标构成来拆解：新用户销售额=新用户数×转化率×新用户客单价；老用户销售额=老用户数×复购率×老用户客单价。 这样拆解后，有利于后续找到原因来制定对应的决策。如果是“新用户”导致的销售额目标没达成，可以对新用户发小额无门槛的折扣券，因为新用户往往还没有对店铺建立信任，不会第一次就购买很多。如果是“老用户”导致的销售额目标没达成，可以对老用户发高额满减折扣券，起到提升复购率的效果。 - 从业务流程来拆解：按照地域细分，考察一线、二线、三线及以下等不同城市的新增用户数量情况。按照性别细分，考察男性用户、女性用户分别是多少。按照渠道细分，考察公众号、百度、头条哪个渠道的用户来源多。 （5）对比分析方法 弄清楚两个问题：和谁比，如何比较。——A/B test 变异系数：=STDEV(B:B)/ AVERAGE(B:B) 一般来说： 0-15%小变异，16%到35%中等变异，大于36%高度变异 （6）假设检验分析方法 步骤分为3步：提出假设、收集证据、得出结论 提出3种假设：（1）假设用户有问题：可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因；（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求；（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了。 我们还可以从4P营销理论出发来提出假设。什么是4P营销理论呢？4P营销理论产生于20世纪60年代的美国，它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素，这些要素可以概括为4类：产品、价格、渠道、促销。（1）产品：公司提供给目标市场的有形或无形产品，包括产品实体、品牌、包装、样式、服务、技术等；（2）价格：用户购买产品时的价格，包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等；（3）渠道：产品从生产公司到消费用户所经历的销售路径。（4）促销：是指企业利用各种方法刺激用户消费，来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。为了寻找销售业绩下降的原因，可以利用4P营销理论从4个维度提出假设。 可以使用3个方法来客观地提出假设，同时防止遗漏假设：（1）从用户、产品、竞品这3个维度提出假设；（2）从4P营销理论提出假设；（3）从业务流程提出假设。 （7）相关分析方法 第1步，单击Excel左上角的“文件”；第2步，单击“选项”，弹出“Excel选项”对话框；第3步，在“Excel选项”对话框中选择“加载项”；第4步，在“管理”下拉列表框中选择“Excel加载项”，然后单击“转到”。最后单击“确定”按钮，就会出现图2-97所示的“加载宏”对话框。在对话框里选择“分析工具库”就安装好了Excel的数据分析功能。 （8）群组分析方法 为什么回关人数越多，用户留存率越高呢？为了找到这个问题的答案（因果关系），团队对用户进行了电话采访，发现了这背后的原因：如果不到1/3的人“回关”，那么推特就会像一个新闻网站，而市面上还有很多其他新闻网站可以选择；如果超过1/3的人“回关”，那么推特就跟其他社交产品没有什么区别，例如微信中大家都是互相关注的状态，也没法体现出推特的独特之处；只有达到1/3这个比例的时候，才能体现出推特的特点，也就是让用户及时了解他们关心的圈子里发生的新鲜事。——案例：推特用户留存分析 （9）RFM分析方法 最近1次消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary） 这3个指标针对的业务不同，定义也不同，要根据业务来灵活定义。各指标特征如下：· 对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。· 对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。· 对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。 （10）AARRR模型分析方法 -（1）获取用户（Acquisition）：用户如何找到我们？ （1）渠道曝光量：有多少人看到产品推广的信息；（2）渠道转换率：有多少人因为看到广告转换成用户；（3）日新增用户数：每天新增用户是多少；（4）日应用下载量：每天有多少用户下载了产品；（5）获客成本：获取一个客户所花费的成本。 -（2）激活用户（Activation）：用户的首次体验如何？ 需要关注“啊哈时刻”和活跃率指标 -（3）提高留存（Retention）：用户会回来吗？ 亚马逊刚推出会员服务时，许多人说这个计划必定会失败，因为美国的配送成本很高，而以99美元的会员费给会员免费配送一年，亚马逊肯定会亏。但亚马逊的真正目标是改变人们的习惯，让用户在购物中习惯会员优惠价格，习惯免运费，从而不再去其他商家买东西，进而提高了用户留存。 蚂蚁森林是阿里巴巴推出的一款在支付宝里的游戏，用户可以到其他用户的页面上去偷取能量，当能量累计到一定程度，就可以申请种一棵树。蚂蚁森林会在现实中种一棵树，并为用户发一个植树的证书。截至2020年3月12日，蚂蚁森林的用户数超过5.5亿，累计种下1.22亿棵真树，成功提升了支付宝的用户黏性，提高了留存。 -（4）增加收入（Revenue）：如何赚到更多钱？ （1）用来衡量业务总量的指标，例如成交总额、成交数量；（2）用来衡量每个人平均情况的指标，例如客单价；（3）用来衡量付费情况的指标，例如付费率，复购率。 -（5）推荐（Referral）：用户会告诉其他人吗？ 美国作家马尔科姆·格拉德威尔在《引爆点》这本书中用流行病来类比营销：引爆一种流行病需要三个条件—传染物本身、传染物发挥作用所需的环境、人们传播传染物的行为。 这一环节需要关注的指标有转发率、转化率、K因子。 （11）漏斗分析方法 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。 以汽车行业为例，可以将业务流程分为三部分：售前、售中、售后。 3. 数据分析解决问题的过程 第1步明确问题；第2步分析原因；第3步提出建议。 如何提出建议？ 回归分析 e.g.通过分析，为公司下半年的经营提出以下建议：如果想要完成年度的6000万元利润目标，建议在保持目前商品采购成本不变的前提条件下，通过增加销售收入的方式来保证利润目标。下半年需要将销售收入目标设定为27875.42万元，平均每个月销售目标设定为4546.90万元（27875.42万元/6）。下半年需要吸引84338人到店消费，平均每个月到店的用户数是14057人（84338人/6）。根据相关分析方法，要想提高到店用户数，需要优先提升店铺的售后服务水平。建议可将此作为关键绩效指标，细化分解到具体的部门去执行，并与日常考核联系起来，这样才能确保全年利润目标顺利完成。 案例：内容行业 根据这些内容的不同状态，内容行业的指标可以分为内容生产指标、内容曝光指标、内容点击指标、内容…._
《数据分析思维》 2021-9 花几个小时翻完了这本书，嗯，确实是“翻”完的，个人觉得本书只需要看第一篇方法篇就行了，里面介绍了一些好用的数学模型和方法。后面的实战篇基本都差不多了，都是一些简单的实例。人的感觉和记忆通常是靠不住的，数据和简单的工具模型往往可以很容易帮我们找到问题的根源。 数的发明可以说是人类社会最神奇的魔法，没有之一！它不单可以对现实事物进行模拟和量化，更可以对未发生的事进行预测，如果算力足够强大的话甚至可以模拟整个宇宙的运行！我们现在感叹的无常和不确定性只是因为我们掌握的太少，计算得太粗糙而已，当对事物的细化能力达到无限小的普朗克级别的时候，量子的不确定性也许就不再不确定了，毕竟宇宙运行也是需要有它自己的规则的，我相信，上帝是不会掷骰子的。
#小曾曾读书笔记#《数据分析思维：分析方法和业务知识》本书从业务指标、数据分析方法、数据分析过程和业务知识四个角度出发，阐述了数据分析问题的解决思维，与书名完全契合，干货满满。 个人理解里面特别加分的有两点：一是体系化地梳理了数分人员在解决问题过程中的结构化流程，二是生动的业务实例赋予了分析方法实操的含义和解答。我相信读本书的人一定会有属于自己的收获，对于想短时间准备面试的同学，也是可以直接关注里面的sample，学习里面三段式的分析步骤，相信能在短时间内武装自己。 我也总结下对自己挺有裨益的一些系统的知识点，方便时时回顾： 1、面对数据时可考虑将数据分为3类：用户数据（我是谁）、行为数据（我做了什么）、产品数据（卖什么）。 2、关于如何搭建指标体系： 1)、确定部门核心OKR，以此制定北极星和一级指标； 2)、根据子部门业务定位，依据一级指标拆解二级指标； 3)、分析业务流程，细化得到三级指标； 4)、不断迭代优化更新（这步必不可少）。 3、数据分析方法多种多样，选择最合适的才最重要。 A、逻辑树分析方法：分而治之&问题拆解 B、多维度拆解分析方法：指标构成和业务流程分析。 C：对比分析法：和谁比？比什么？ D、假设检验：剔除假设的角度有艺术：用户+产品+竞品；4P营销理论；业务流程。 E、相关关系：不是因果关系，区分两者可用控制变量法。 F、群组分析方法：同期群分析。 G、行业分析方法：PEST、SWOT。 4、数据分析三步走：第1步明确问题；第2步分析原因；第3步提出建议。 5、分析原因三步走： 1)、多维度拆解分析方法，将一个复杂问题细化成各个子问题； 2)、假设检验分析方法假设问题，对比分析方法辅助完成； 3)、确定问题后，寻根究底，多问几个为什么，然后使用相关分析法深入分析。
真的太差了，如果是小白，非常不建议读这本书。 几个原因: 1.很多定义上的错误，计算方法错误。很多指标在不同行业的算法是不一样的，参加撰写本书的人未必是专业认识，对于行业的理解不深刻，随便一些，会误导很多人 2.在案例分析中，给出的分析方法自己图表，完全不实用，而且很多分析的围度也很片面，实战价值非常低 3.常识性错误，电商分析那部分，表4-8，折扣区间，这个实在让人难以理解，想表达的是啥意思？0.25~0.3折扣区间，这个表达基本没听过，是折扣的力度是原价的25%-30%，指价格是原价的0.25-0.3？指的是0.25-0.3折？按照本书的原则，起码先弄清楚每一列的数据代表的是什么意思吧，这是等读者来信问你？ 4.很多数据的表示也非常不专业，很多数据没有千分符，你这数据小还行，如果是数量级比较大，是要让人一位一位去数么？ 如果作为一款入门级的工具书，最起码要能让别人把基础夯实，或者养成良好的数据展示习惯也行，这书真是误导新人，我看的过程中发现很多地方只有人划线，但是没有人写想法或者问问题，看来真是很多人信以为真了。 真正的数据分析师不会看这个，看了要气死的
🟡推荐：分析方法篇内容 🟠推荐理由：分析方法提升分析的质量、建立完善高效的分析思维 背景： 1️⃣结合了书评，只阅读了这部分内容 2️⃣无数据分析经验，仅日常喜欢分析问题 谈收获： 书中第二章分析方法开篇，作者提出了几个没有分析方法的症状。 其中，反映了以下几个问题： 1. 客观视角下，如何分析这个问题，而不是“我认为、我觉得” 2. 发现了问题却不会深入分析背后原因 3. 工具会了但不知道怎么用 结合自身经验，第1点的启发最大。 根据先认知再选择的原理。客观视角将问题分析清楚，能够尽可能的客观全面的看清问题全貌，进而在找到弊病和分析原因，不会一团乱麻、也不会找不到问题的关键。 如果从“我觉得、我认为”开始分析问题，分析受限于自身的认知偏差和视角狭窄 分析本质是更清楚认识事物，分析思维的建立大于分析工具的习得。 分析方法的应用，能过够提升分析的质量。
决定一本书好与不好还是由读者所处的阶段决定的。 一句话总评：对于培养数据sense有启发但绝不可照单全收，可能恰恰也证明了书中不是正确的废话，观点必然伴随争议。 方法是最常用且实用的方法，作为非常吃业务了解的分析师，技能内化后很多分析思路近乎是第一反应，很少有书能非常系统又体系化的把分析师看问题思考问题的方式整理出来。易读性可读性都不错。 哪怕是从事数据工作近一年，还是觉得常读常新。比如家政行业的相对转化和绝对转化，于我而言是非常新鲜的概念。但是虽说如此，我却不知道推荐给小白是否合适，毕竟后续行业案例百家之言，不熟悉的领域觉得是这么回事，熟悉的领域就能立马发现有不妥帖之处，还是需要辩证来看，需要避免照单全收（当然这也是分析师必备的技能 ( •︠ˍ•︡ ) 犹豫再三，还是评了好看。
用数学方法解决问题的妙用。
是本理清思路的好书 第一篇 数据分析的方法 第一章 业务指标 （1）如何理解数据？ 懂得从数据中发现业务指标，数据的含义（如何定义与计算）与分类（用户数据、行为数据、产品数据） （2）常用的指标有哪些？ 使用相关指标去分析数据/问题 A、用户数据指标： 新增用户、活跃用户、留存用户（粘性） B、行为数据指标： PV(访问次数）、UV（访问人数）、转发率、转化率、K因子（转化成新用户的转化率） C、产品数据指标： 成交总额（GMV)、成交数量、访问时长、客单价、复购率、付费率、产品（热销产品TOP、好评产品TOP、差评产品TOP) D、推广付费指标： 展示位广告、搜索广告、信息流广告，点击率、成本、投入产出比 （3）如何选择指标？ A、好的数据指标应该是比例 B、找到最核心的指标—北极星指标 （4）指标体系和报表 A、明确KPI，找到一级指标 B、了解业务运营情况，找到二级指标 C、梳理业务流程，找到三级指标 D、通过报表监控指标，不断更新指标体系 第二章 数据分析的常见方法 （1）5W2H分析： what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）、how（怎么做）、how much（多少钱） 5W2H分析方法能解决哪些问题？ 案例1：如何设计一款产品？ 案例2：设计一款App的调查问卷，如何设计问卷上的问题？ 5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用 （2）逻辑树分析： 逻辑树分析方法是把复杂问题拆解成若干个简单的子问题，然后像树枝那样逐步展开 领导力，就是把目标拆解成员工可以执行的小任务的能力 逻辑树分析方法在解决业务问题时，经常不是单独存在的，会融合在其他分析方法里，辅助解决问题 （3）行业分析: PEST分析方法（政策、经济、社会、技术） （4）多维度拆解分析 逻辑树是拆解、多维度拆解是不同角度看一件事 只看数据整体，我们可能注意不到“数据内部各个部分构成的差异”。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。 我们需要从多个维度去观察数据，并相互验证，才能得出相对可靠的结论。 通过多维度拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悖论”（Simpson’s Paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。 如何使用多维度拆解分析方法 1）从指标构成来拆解 2）从业务流程来拆解 （5）对比分析： 如何使用对比分析方法 （1）和谁比 1）和自己比：同比、环比 2）和行业比 （2）如何比 1）数据整体大小 常用的是平均值、中位数，或者某个业务指标 2）数据整体的波动 标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况 3）趋势变化 趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比 注意： 在进行比较的时候，要注意比较对象的规模要一致 （6）假设检验分析： 假设检验分析方法分为三步： 1）提出假设 2）收集证据 3）得出结论 假设检验分析方法有什么用 1）假设检验分析方法背后的原理是逻辑推理，学会这个方法以后，可以显著提高我们的逻辑思维能力 2）假设检验分析方法的另一个作用是可以分析问题发生的原因，也叫作归因分析 如何使用假设检验分析方法 A、分析销售业绩，可通过4P营销理论（产品、价格、渠道、促销）。 B、按业务流程分析留存率、复购率等。 C、从用户、产品、竞品这3个维度提出假设。 （7）相关分析： 散点图，相关系数，相关关系不等于因果关系。 （8）群组分析： “群组分析方法”（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。 比如留存分析，可按时间、性别、地域分组等。 （9）RFM分析： 根据最近1次消费时间间隔（R)、消费频率(F)、消费金额(M),分类重要价值、发展、保持、挽留用户，一般价值、发展、保持、挽留用户。 A、使用原始数据计算出R、F、M值； B、给R、F、M值按价值打分，例如按价值从低到高分为1～5分； C、计算价值的平均值，如果某个指标的得分比价值的平均值低，标记为“低”。如果某个指标的得分比价值的平均值高，标记为“高”； D、和用户分类规则表比较，得出用户分类。 （10）AARRR模型分析： A、获取用户（渠道曝光量、转换率、日新增用户数、日应用下载量、获客成本） B、激活用户：用户首次体验如何、访问时长、活跃率 C、提高留存：顾客还会回来吗 D、增加收入：成效总额、成效数量、客单价、付费率、复购率 E、推荐他人：转发率、K因子 （11）漏斗分析： 从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。 浏览量、点击量、创建订单、支付率层层转化率 第三章 用数据分析解决问题 第1步：明确问题 （1）明确问题的常见错误 在定义问题时，注意不要加入分析者的“主观猜测”，导致无法分析其他可能的原因。 （2）如何明确问题 1）明确数据来源和准确性 2）业务指标理解 第2步：分析原因 两个问题把原因搞清楚 （1）哪里出了问题？ （2）为什么会出现这个问题？ 优先分析关键因素 （1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题； （2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成； （3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析 第3步：提出建议 回归分析 AARRR模型分析 需要注意 （1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失，无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项； （2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动。
一、总体概况 一本能够从分析方法和业务方面了解数据分析工作和各行业基础知识的书籍。 最近因为要招聘分析师，面试了很多人，发现其实很多从事数据分析岗位的人对于技术层面的重视远远超过业务层面，但是在实际工作中，了解业务以及系统的分析方法，对于相关业务的总结更是核心内容。虽然从事数据分析工作时间比较长，经验也还算可以，这本书仍然能够帮助我从整体上重新梳理关于数据分析的相关内容和思路。本书从基本的数据分析岗位需要培养的数据分析思维和方法上给了浅显易懂的介绍，内容覆盖基本指标、指标体系和报表、常见分析方法以及12个行业的基本业务模式和关键指标以及分析案例，适合长期从事数据分析，需要从整体结构上复盘数据分析的同学以及初步涉猎数据分析的同学了解基本的结构和概念，不适合某一方向特别较真儿以及想要学习sql、pathon等技术方法的同学。 二、重点内容总结 1、第一篇：方法 1.1 业务指标 1）作为数据分析的基础，首先要了解数据，核心包含用户数据、产品数据和行为数据。此处个人认为时间维度也很重要，组合形成人、货、场和关系。 2）指标：衡量业务的统一标准，根据具体的需求层级、场景有不同的指标。但是基础维度指标基本相同，例如新增用户数、活跃率、留存率、pv、uv、转化率等，口径需要根据各个公司的具体场景明确定义。 3）指标体系：用于监测业务、定位问题、改进业务的，具有相关性且有层级关系的一系列指标的组合；报表则是基于指标体系形成的一系列可视化展示。 1.2 分析方法 1）用于定位问题原因、寻找解决方案的分析思路，形成思维地图，更有效得解决问题。避免遇到问题盲目猜测。 2）常用分析方法：5W2H、逻辑数分析方法、行业分析方法、多维度拆解分析方法、对比分析方法、假设检验分析方法、相关分析方法、群组分析方法、RFM模型分析、AARRR模型分析、漏斗分析方法。 1.3 数据分析解决问题的过程 1）明确问题：明确数据来源、统计口径、准确性、对比对象等； 2）分析原因：用分析方法综合明确数据产生的原因 3）给出建议：回归问题本质，给出对应的解决方法 2、第二篇：实战 从业务模式、业务指标、分析案例三个方向进行讲解，内容覆盖国内电商、跨境电商、金融信贷、第三方支付、家政、旅游等13个行业。详细内容可以参考总结笔记https://www.processon.com/mindmap/63cd20b52a93473cd86e2ea2。
这本书层次很清晰适合入门，介绍了数分的一些分析方法+案例。可以先去看感兴趣的案例，再回头去看看方法。 分析的框架 确定问题(厘清问题的定义，以及业务流程、业务背景的一些梳理) 作出假设（根据业务的一些情况去假设可能导致出现问题的点） 验证假设（用数据的去验证假设是否成立） 循环重复这个过程... 业务分析的方法可以划分为内因和外因 内因，业务指标，通过分类、组合、业务流程....... 外因，外部环境的影响因素，政策、经济、文化...... 数据是怎么传递信息？ 数据的变化！数据通过对比、关联的处理，变化的数据就藏有背后的原因 不管什么分析方法，其根本是让我们通过不同角度去看待问题，去寻找问题的参数，找最重要的。 其它关联： 和程序中的方法挺像的，业务调用方法，传递参数，输出结果，数分更像是对参数的处理、分析
这本书作为数据分析行业的入门读物可以说相当不错，既有介绍基础知识，也有相应的业务板块介绍。读完之后大体对数据分析行业的常用思路和方法有了一个框架上的基础认识。书中有很多实战案例可以供参考分析，配合大量图表有很清晰的理解，对入门的新人来说非常友好。 不足也是有的，就是碍于篇幅没有详细展开各个分析方法和具体行业分析思路的步骤。其中每一个领域的分析都能够拆解成比较专业的著作了，但书中只是点到即止。不过对于新手来说，这一点其实是可以忽略不计的。
刚好这段时间在家休息，算是静心读下来的一本书。 感慨了一下，如果我能在进入上家互联网公司之前读完，可能前段日子里面的一些业务理解和分析，会有不一样的效果。还好，现在也不算晚。 主要是指标—分析方法—分析框架—案例来的，比较全面。 第一章主要围绕指标在讲，也发现自己目前工作的几个不足之处，在每次收集需求时，缺乏一个指标思考与碰撞的过程，更多的是接受，缺乏对一级指标的把握，指标逻辑间的一个反思，希望在后续的工作中，有所改善。 第二章的分析方法，这里列出了11个，其实工作中一般会用到很多思维，都跟这些方法有关，但可能没有归纳，缺乏系统性，这里会更明晰些。 第三章：用数据分析解决问题。固定的流程也是一般数据分析常用的，即明确问题—分析原因—提出建议。但这里有两个点，自己需要在工作中注意，一方面是在明确问题时，需要检查数据准确性（平时做好备注、检查异常），另一方面，分析原因要落地，很多时候自己找到一些线索验证后，便想给出答复，但往往没有达到数据分析的目的，要给出一定的建议和措施，即要到可以落地到相关运营动作。 后面主要是实战及一些具体实例方法，这一部分，并没有完全看完，抽看了几个，准备后续结合工作，可能会返读。
比较浅显、通俗易懂，但基本完成了本书标题中的写作目标“分析方法”和“业务知识”，虽然比较粗线条，但拿一本书就想学透，又怎么可能呢，必然是大量的躬身实践+读书反思+向高手请教合三为一后方能到达优良境界。 对本书后半部分的案例篇，草草了事，没有花多少心思去读，从第一性原理上来讲，Business Data Analysis的底层逻辑、流程、方法论是一致的，不同行业和领域数据分析的差异大多存在于业务本质的差异上，而不在数据分析本身，不作评价。 前半部分，其实融合了大量学科和书籍，你批评本书作者蜻蜓点水也不必，一本书寥寥几章容纳那么多知识，至少包含应用统计学，市场营销，宏经和微经（初级就够了），消费者心理学，流程再造理论，项目管理，财务管理等，本书基本做到直白傻瓜式地引领小白入门了。部分数据分析方法确实经典和重要，甚至不应该当做“方法”对待，而应视为一种思维模式，譬如多维，流程，漏斗，对比等（其实本书还缺乏矩阵分析方法这一重要分析模式，RFM只是其中一个特例。） 总之，是一本可以花点时间跳读、浏览、精读的书（具体怎么读，看数据分析的底子咯）。 另附： 本书参考文献部分，放的几本书，反而是不得不读的经典之作，显然阅读门槛和专业性会较本书高一些（实际上，也没多难）。 1.《赤裸裸的统计学》要脱离大学很久、很多年不再沾统计学的人来说，这本书对掌握统计学的基本概念与知识很有帮助，算一本很有名的书了，与之对应的是《深入浅出统计学》也不错，想再提高点层次去看《应用统计学》或者《社会统计学》，或者一步到位《概率论与数理统计》。 2.《精益数据分析》数据分析领域的圣书，每一个数据分析师的必读之作！没啥说的，对于六大商业模式的数据分析阐述地非常透彻。 3.《增长黑客》很有名的书，应该人尽皆知，人尽皆读未必，很多人甚至只是听听一些“名人”讲这本书而已。 4.《引爆点》格拉德威尔的这本书在一些高校商学院MBA或EMBA的课堂上都会提到。这本书的观点起源于拉扎斯菲尔德的二级传播理论，令人深思！ 以上，是为评。
微信读书读完的第334本书，《数据分析思维：分析方法和业务》。 本书讲解了数据分析的方法与实战，重点培养数据分析的思维。 一、数据分析的方法： 1、业务指标。 （1）如何理解数据？懂得从数据中发现业务指标，数据的含义（如何定义与计算）与分类（用户数据、行为数据、产品数据） （2）常用的指标有哪些？使用相关指标去分析数据/问题。 A、用户数据指标：新增用户、活跃用户、留存用户（粘性）。 B、行为数据指标：PV(访问次数）、UV（访问人数）、转发率、转化率、K因子（转化成新用户的转化率）。 C、产品数据指标：成交总额（GMV)、成交数量、访问时长、客单价、复购率、付费率、产品（热销产品TOP、好评产品TOP、差评产品TOP) D、推广付费指标：展示位广告、搜索广告、信息流广告，点击率、成本、投入产出比。 （3）如何选择指标？ A、好的数据指标应该是比例。 B、找到最核心的指标。 （4）指标体系和报表 A、明确KPI，找到一级指标。 B、了解业务运营情况，找到二级指标。 C、梳理业务流程，找到三级指标。 D、通过报表监控指标，不断更新指标体系。 2、数据分析的常见方法： 数据分析要有分析的思维、思路与方法，不只统计式/工具式（EXCELSQLPYTHON)的数据分析，深挖背后的原因，提出有效的改进计划。 常见方法，可以对应使用在哪里，以及使用的注意事项。 （1）5W2H分析：what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）、how（怎么做）、how much（多少钱）。 （2）逻辑树分析：逻辑树拆解图 （3）行业分析:PEST分析方法（政策、经济、社会、技术） （4）多维度拆解分析：维度可按指标构成、业务流程（步骤）等拆解 （5）对比分析：同比、环比、行业比，数据整体大小（平均数或中位数）、波动（变异系数）、趋势变化（拆线图），得出比较结果。比如A/B测试，比较对象规模（口径）保持一致。 （6）假设检验分析：提高逻辑思维能力、分析问题发生的原因（归因分析）。思路：问题—提出假设—收集证据——得出结论。 A、分析销售业绩，可通过4P营销理论（产品、价格、渠道、促销）。 B、按业务流程分析留存率、复购率等。 C、从用户、产品、竞品这3个维度提出假设。 （7）相关分析：散点图，相关系数，相关关系不等于因果关系。 （8）群组分析：比如留存分析，可按时间、性别、地域分组等。 （9）RFM分析：根据最近1次消费时间间隔（R)、消费频率(F)、消费金额(M),分类重要价值、发展、保持、挽留用户，一般价值、发展、保持、挽留用户。 A、使用原始数据计算出R、F、M值； B、给R、F、M值按价值打分，例如按价值从低到高分为1～5分； C、计算价值的平均值，如果某个指标的得分比价值的平均值低，标记为“低”。如果某个指标的得分比价值的平均值高，标记为“高”； D、和用户分类规则表比较，得出用户分类。 （10）AARRR模型分析： A、获取用户（渠道曝光量、转换率、日新增用户数、日应用下载量、获客成本） B、激活用户：用户首次体验如何、访问时长、活跃率 C、提高留存：顾客还会回来吗 D、增加收入：成效总额、成效数量、客单价、付费率、复购率 E、推荐他人：转发率、K因子 （11）漏斗分析：浏览量、点击量、创建订单、支付率层层转化率 二、数据分析实战：书中列举国内/跨境电商、金融信贷、金融第三方支付、家政、旅游、在线教育、运营商、内容、房产、汽车、零售等具体行业数据分析，可根据自己所在或感兴趣行业，看相关章节。 三、数据分析总结。 1、明确问题：定义问题，制定分析的思维导图，明确数据来源和准确性、业务指标含义理解与使用 2、分析原因：运用不同分析方法，可采用多维度拆解分析方法、假设检验分析方法、相关分析方法等，找到关键因素。 3、提出建议：落地的具体措施。 综上，数据分析，要具备分析的思维与方法、熟悉业务，用数据分析解决问题，从实际问题出发，明确问题，通过不同的分析方法，分析原因、提出建议。 学以致用，要在实际分析中不断思考，不断运用，不断改进。
如何分析原因类的业务场景场景：某店铺上半年完成的利润与年初制定的目标还有很大差距，如果按目前销售进度，到年底是没有办法完成全年目标的。如何找到利润没有达到目标的原因，并拿出能完成年度目标的方案？ 以下为本书3.3节“如何分析原因？”的笔记。 一、明确问题1）保证数据源的正确性（时间、地点、数据来源等） 2）保证对业务指标理解的一致性（指标是怎么定义的，和谁比较，指标异常的表现是什么） 通过数据核对及与业务部门的沟通，明确当前的问题是：利润没有达到预期目标。 二、分析问题产生的原因：找到利润没有达到目标的原因分析思路：需要先找到上半年利润落后于计划的原因，才能针对具体的原因制定出详细的改进建议，从而保证在下半年完成目标。 1、使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题； 2、对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成； 3、在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析。 如何找到利润没有达到目标的原因----反复多次拆解、假设、验证 1）从指标构成来拆解：从指标的定义来看指标的构成拆解：拆解指标：利润=销售收入-销售成本-其他支出 假设：销售收入不达标OR销售成本上升OR产生了非预期的超额支出 验证：通过数据验证，是上述哪一个指标导致利润未达标 经过数据验证，没有发生超额支出，销售成本出现了明显的增长，销售收入显著下降； 定位到问题后，再次进行拆解、假设、验证 是否产生超额支出容易验证，假设上半年没有超额支出，对另外两个假设进行数据验证 假设1：是销售成本增加导致了利润不达标？ 拆解1：拆解指标：销售成本=销售费用+采购成本 假设1：销售费用增加OR采购成本增加 验证1：进过数据验证，销售费用增加了，采购成本和同期持平 注意：在实际工作中，指标和参数之间会互相影响， 比如：销售费用是可以提升销售增长的，如果增加销售费用能带来销售收入的增长，那么销售成本的增长是合理的，并不能作为指标异常的依据， 因此需要用一个指标来衡量两个指标之间的交叉关系，常见的指标比如：投产比 销售成本需要将销售费用和销售收入结合起来加以分析，这就需要用到一个指标：费率比，费率比=投入的费用／产生的销售收入。费率比越低，说明通过投入的费用带动销售增长的效果越好。 上半年的费率比是逐步下降的，也就是说，销售费用的增长也提升了销售收入的增长。所以销售费用的上升并不是利润不达标的主要原因。 经过验证，统计周期内的费率比是下降的，因此认为：销售成本的上升是合理的 同样的思路，如果采购总成本是和同比是上升的，也进行拆解，采购总成本= 采购单价*数量，采购单价持平，成本上升是由于数量增加，那么这种上升也是合理的 假设2：是销售收入没有达标导致了利润不达标？ 拆解2：销售数据= 客单价*用户数量 假设2：客单价下降OR用户数下降，导致了销售收入没有达到预期 验证2：通过数据验证，客单价上升，用户数减少 通过拆解指标构成，初步分析了利润未达标的原因是：用户数下降，导致了销售收入不达标，进而导致利润不达标； 但是如果只分析到这里，这样的分析结果无法产生实际的意义。因为只看用户数下降，还不能确定“接下来要采取哪些具体的措施才能解决问题”。 所以，为了提出可落地的解决方案，需要对用户数下降的原因进行分析； 此处从业务流程拆解分析用户下降原因； 2）从业务流程来拆解：按业务流程进行拆解分析例如按用户购买产品的业务流程来拆解 为了进一步找到用户数低的原因，可以梳理本店铺和竞争对手店铺的业务流程，哪些业务流程会影响用户数？ 部分指标（商品种类齐全、产品定价、售后服务）需要设置一个参考值进行对比，可以和竞争对手的数据进行对比， 例如通过问卷调研或者电话访谈，来分析本店铺和竞争对手有哪些差异。 梳理本店铺和竞争对手店铺的业务流程，并进行验证 流程1：用户在店铺中选择自己想要购买的商品； 假设1：供用户选择的商品不全，用户找不到想购买的商品； 验证1：对比本店铺和竞争对手店铺的商品种类数； 结论1：种类不少，假设不成立；但新产品没有被及时产出； 解决方案1：及时展示出新产品； 流程2：用户比较不同店铺中商品的价格； 假设2：价格相对于竞争对手没有优势； 验证2：通过市场调查对比竞争对手的价格定位和优惠促销活动； 结论2：价格定位上和竞争对手相同，但本店铺的促销活动频次少于竞争对手； 解决方案2：提高优惠促销活动开展的力度； 流程3：用户付款购买后，售后部门安排送货上门； 假设3：售后服务不能让用户满意； 验证3：通过用户回访，请他们对售后服务过程的质量进行打分； 结论3：服务质量水平的下降造成了用户数下降； 解决方案3：提升店铺的售后服务水平； 通过分析，找对提升指标的方向，原因1可以快速解决，店铺及时展出新品就可以。 但公司资源有限，一个阶段只能集中解决一个问题，原因2和原因3不能集中解决。 为了确定当前阶段资源投入的优先级，需要再分析：这两个因素中，哪个对用户数下降影响更大？ 可以通过相关分析，使用相关分析来找出哪些因素与分析目标有相关关系，进而确定影响更大的因素是哪一个。 分别计算商品价格、用户满意度和用户数的相关系数，观察这些相关系数的大小，可以得知哪个因素对用户数影响更大。 对数据进行相关分析，可以得出用户数和商品价格比的相关系数是0.773，用户数和用户满 意度的相关系数是0.980。 通过以上数据，发现跟用户数相关度最高的因素是用户满意度，所以优先提升服务满意度，即提升店铺的售后服务水平，可以显著提高用户数。 问题分析总结： 通过指标拆解分析，明确了利润未达到预期的原因是：1）促销活动少；2）服务满意度低 由于资源有限，进一步通过相关分析，明确服务满意度的提升对于利润的提升效果更显著。 三、提出建议虽然找到了利润没达到目标的原因，却不知道要改善到什么程度才能实现下半年的业务目标。 这时候就需要“回归分析”来计算出某个原因能够对目标造成“多大程度”的影响； 通过绘制散点图和回归方程，量化公司目标，比如下半年要实现利润4008.63万元，需要将销售收入提升到27875.42万元。 接下来再考虑，采取哪些措施才能将销售收入提升到27875.42万元。 通过之前的分析，销售收入下降是因为用户数减少，因此对销售收入和用户数进行相关分析，分析得到：销售收入要提升到27875.42万元，也就是y（销售收入）=27875.42万元，把它代入回归方程可以计算出x（用户数）=84338人。 也就是说，要实现销售收入为27875.42万元的目标，需要将到店的用户数提升到84338人。 通过分析，为公司下半年的经营提出以下建议： 如果想要完成年度的6000万元利润目标，建议在保持目前商品采购成本不变的前提条件下，通过增加销售收入的方式来保证利润目标。下半年需要将销售收入目标设定为27875.42万元，平均每个月销售目标设定为4546.90万元（27875.42万元/6）。下半年需要吸引84338人到店消费，平均每个月到店的用户数是14057人（84338人/6）。根据相关分析方法，要想提高到店用户数，需要优先提升店铺的售后服务水平。 具体实施上，可以将上述经营建议作为关键绩效指标，细化分解到具体的部门去执行，并与日常考核联系起来，从而确保全年利润目标顺利完成。 参考指标细化分解如下： 1）将月度销售目标分解到个人：将4546.90万元的月度目标分解到400个员工，人均11.61万元/月； 2）将月度销售目标分解到各个分店：将4546.90万元的月度目标分解到20家分店，每家店销售目标是227.35万元/月； 3)制定个人销售激励办法：对于完成月度个人目标，售后服务水平达标的，给予100元奖励； 4）制定集体销售激励办法：对于完成月度目标的店长，售后服务水平达标的，给予1％的奖励；
逻辑清晰，方法➕案例双线，通俗易懂[强][强][强] 1．工作中常用的指标有哪些？ 用户数据指标：鱼塘里有3种用户：新增用户（日新增用户数）、活跃用户（活跃率）、留存用户（留存率）。其中活跃用户对应的是不活跃用户，留存用户对应的是流失用户。 e.g. 在这50万安装用户里，只有1.9万用户是活跃的，也就是产品的日活跃率不到4%（日活跃率=日活跃用户数／总用户数=1.9/50=3.8%）。这么低的活跃率说明产品存在很大的问题。 第1天新增用户100个，第2天这100个人里有40个人打开过App，那么次日留存率=40/100=40%。如果第7天这100个人里有20个人打开过App，那么第7日留存率=20/100=20%。 Facebook有一个著名的40-20-10法则，也就是新用户次日留存率为40%，第7日留存率为20%，第30日留存率为10%，有这个表现的产品属于数据比较好的。 行为数据指标：PV、UV、转发率（转发率=转发某功能的用户数／看到该功能的用户数）、转化率（转化率=10（购买产品的人数）/100（到店铺的人数）=10%）、K因子（K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率。注：K因子=平均每个用户向多少人发出邀请×接收到邀请的人转化为新用户的转化率） 产品数据指标：用来衡量业务总量的指标，例如成交总额、成交数量；用来衡量人均情况的指标，例如客单价；用来衡量付费情况的指标，例如付费率、复购率；以及与产品相关的指标 推广付费指标：展示位广告、搜索广告、信息流广告 2．分析方法 （1）5W2H分析方法 案例1：如何设计一款产品？这时候可以用5W2H分析方法：what（是什么）：这是什么产品？when（何时）：什么时候需要上线？where（何地）：在哪里发布这些产品？why（为什么）：用户为什么需要它？who（是谁）：这是给谁设计的？how（怎么做）：这个产品需要怎么运作？how much（多少钱）：这个产品里有付费功能吗？价格是多少？ 案例2：设计一款App的调查问卷，如何设计问卷上的问题？这时候可以用5W2H分析方法：what（是什么）：你用这款App做什么事情？when（何时）：你通常在什么时间使用这款App？where（何地）：你会在什么场景使用这款App？why（为什么）：你为什么选择这款App？who（是谁）：如果你觉得你喜欢这个产品，你会推荐给谁？how（怎么做）：你觉得我们需要加入什么功能才是比较新颖的？how much（多少钱）：如果你认为这个App对你有帮助，你会花多少钱去购买App里的服务？ （2）逻辑树分析方法 把目标拆解成员工可以执行的小任务的能力 （3）行业分析方法 PEST分析方法是对公司发展宏观环境的分析，所以经常用于行业分析。通常是从政策、经济、社会和技术这四个方面来分析的。 （4）多维度拆解分析方法 - 从指标构成来拆解：新用户销售额=新用户数×转化率×新用户客单价；老用户销售额=老用户数×复购率×老用户客单价。 这样拆解后，有利于后续找到原因来制定对应的决策。如果是“新用户”导致的销售额目标没达成，可以对新用户发小额无门槛的折扣券，因为新用户往往还没有对店铺建立信任，不会第一次就购买很多。如果是“老用户”导致的销售额目标没达成，可以对老用户发高额满减折扣券，起到提升复购率的效果。 - 从业务流程来拆解：按照地域细分，考察一线、二线、三线及以下等不同城市的新增用户数量情况。按照性别细分，考察男性用户、女性用户分别是多少。按照渠道细分，考察公众号、百度、头条哪个渠道的用户来源多。 （5）对比分析方法 弄清楚两个问题：和谁比，如何比较。——A/B test 变异系数：=STDEV(B:B)/ AVERAGE(B:B) 一般来说： 0-15%小变异，16%到35%中等变异，大于36%高度变异 （6）假设检验分析方法 步骤分为3步：提出假设、收集证据、得出结论 提出3种假设：（1）假设用户有问题：可以从用户来源渠道这个维度来拆解分析，或者画出用户使用产品的业务流程图来分析原因；（2）假设产品有问题：可以研究这段时间销售的产品是否符合用户的需求；（3）假设是竞品导致的问题：可以看竞品是不是在搞什么优惠活动，用户跑到竞争对手那里了。 我们还可以从4P营销理论出发来提出假设。什么是4P营销理论呢？4P营销理论产生于20世纪60年代的美国，它是随着营销组合理论的提出而出现的。营销组合实际上有几十个要素，这些要素可以概括为4类：产品、价格、渠道、促销。（1）产品：公司提供给目标市场的有形或无形产品，包括产品实体、品牌、包装、样式、服务、技术等；（2）价格：用户购买产品时的价格，包括基本价格、折扣价格、付款期限及各种定价方法和定价技巧等；（3）渠道：产品从生产公司到消费用户所经历的销售路径。（4）促销：是指企业利用各种方法刺激用户消费，来促进销售的增长。包括广告、人员推销、营业推广等。例如买一送一、过节打折等。为了寻找销售业绩下降的原因，可以利用4P营销理论从4个维度提出假设。 可以使用3个方法来客观地提出假设，同时防止遗漏假设：（1）从用户、产品、竞品这3个维度提出假设；（2）从4P营销理论提出假设；（3）从业务流程提出假设。 （7）相关分析方法 第1步，单击Excel左上角的“文件”；第2步，单击“选项”，弹出“Excel选项”对话框；第3步，在“Excel选项”对话框中选择“加载项”；第4步，在“管理”下拉列表框中选择“Excel加载项”，然后单击“转到”。最后单击“确定”按钮，就会出现图2-97所示的“加载宏”对话框。在对话框里选择“分析工具库”就安装好了Excel的数据分析功能。 （8）群组分析方法 为什么回关人数越多，用户留存率越高呢？为了找到这个问题的答案（因果关系），团队对用户进行了电话采访，发现了这背后的原因：如果不到1/3的人“回关”，那么推特就会像一个新闻网站，而市面上还有很多其他新闻网站可以选择；如果超过1/3的人“回关”，那么推特就跟其他社交产品没有什么区别，例如微信中大家都是互相关注的状态，也没法体现出推特的独特之处；只有达到1/3这个比例的时候，才能体现出推特的特点，也就是让用户及时了解他们关心的圈子里发生的新鲜事。——案例：推特用户留存分析 （9）RFM分析方法 最近1次消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary） 这3个指标针对的业务不同，定义也不同，要根据业务来灵活定义。各指标特征如下：· 对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。· 对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。· 对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。 （10）AARRR模型分析方法 -（1）获取用户（Acquisition）：用户如何找到我们？ （1）渠道曝光量：有多少人看到产品推广的信息；（2）渠道转换率：有多少人因为看到广告转换成用户；（3）日新增用户数：每天新增用户是多少；（4）日应用下载量：每天有多少用户下载了产品；（5）获客成本：获取一个客户所花费的成本。 -（2）激活用户（Activation）：用户的首次体验如何？ 需要关注“啊哈时刻”和活跃率指标 -（3）提高留存（Retention）：用户会回来吗？ 亚马逊刚推出会员服务时，许多人说这个计划必定会失败，因为美国的配送成本很高，而以99美元的会员费给会员免费配送一年，亚马逊肯定会亏。但亚马逊的真正目标是改变人们的习惯，让用户在购物中习惯会员优惠价格，习惯免运费，从而不再去其他商家买东西，进而提高了用户留存。 蚂蚁森林是阿里巴巴推出的一款在支付宝里的游戏，用户可以到其他用户的页面上去偷取能量，当能量累计到一定程度，就可以申请种一棵树。蚂蚁森林会在现实中种一棵树，并为用户发一个植树的证书。截至2020年3月12日，蚂蚁森林的用户数超过5.5亿，累计种下1.22亿棵真树，成功提升了支付宝的用户黏性，提高了留存。 -（4）增加收入（Revenue）：如何赚到更多钱？ （1）用来衡量业务总量的指标，例如成交总额、成交数量；（2）用来衡量每个人平均情况的指标，例如客单价；（3）用来衡量付费情况的指标，例如付费率，复购率。 -（5）推荐（Referral）：用户会告诉其他人吗？ 美国作家马尔科姆·格拉德威尔在《引爆点》这本书中用流行病来类比营销：引爆一种流行病需要三个条件—传染物本身、传染物发挥作用所需的环境、人们传播传染物的行为。 这一环节需要关注的指标有转发率、转化率、K因子。 （11）漏斗分析方法 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。 以汽车行业为例，可以将业务流程分为三部分：售前、售中、售后。 3. 数据分析解决问题的过程 第1步明确问题；第2步分析原因；第3步提出建议。 如何提出建议？ 回归分析 e.g.通过分析，为公司下半年的经营提出以下建议：如果想要完成年度的6000万元利润目标，建议在保持目前商品采购成本不变的前提条件下，通过增加销售收入的方式来保证利润目标。下半年需要将销售收入目标设定为27875.42万元，平均每个月销售目标设定为4546.90万元（27875.42万元/6）。下半年需要吸引84338人到店消费，平均每个月到店的用户数是14057人（84338人/6）。根据相关分析方法，要想提高到店用户数，需要优先提升店铺的售后服务水平。建议可将此作为关键绩效指标，细化分解到具体的部门去执行，并与日常考核联系起来，这样才能确保全年利润目标顺利完成。 案例：内容行业 根据这些内容的不同状态，内容行业的指标可以分为内容生产指标、内容曝光指标、内容点击指标、内容…._
《数据分析思维》 2021-9 花几个小时翻完了这本书，嗯，确实是“翻”完的，个人觉得本书只需要看第一篇方法篇就行了，里面介绍了一些好用的数学模型和方法。后面的实战篇基本都差不多了，都是一些简单的实例。人的感觉和记忆通常是靠不住的，数据和简单的工具模型往往可以很容易帮我们找到问题的根源。 数的发明可以说是人类社会最神奇的魔法，没有之一！它不单可以对现实事物进行模拟和量化，更可以对未发生的事进行预测，如果算力足够强大的话甚至可以模拟整个宇宙的运行！我们现在感叹的无常和不确定性只是因为我们掌握的太少，计算得太粗糙而已，当对事物的细化能力达到无限小的普朗克级别的时候，量子的不确定性也许就不再不确定了，毕竟宇宙运行也是需要有它自己的规则的，我相信，上帝是不会掷骰子的。
#小曾曾读书笔记#《数据分析思维：分析方法和业务知识》本书从业务指标、数据分析方法、数据分析过程和业务知识四个角度出发，阐述了数据分析问题的解决思维，与书名完全契合，干货满满。 个人理解里面特别加分的有两点：一是体系化地梳理了数分人员在解决问题过程中的结构化流程，二是生动的业务实例赋予了分析方法实操的含义和解答。我相信读本书的人一定会有属于自己的收获，对于想短时间准备面试的同学，也是可以直接关注里面的sample，学习里面三段式的分析步骤，相信能在短时间内武装自己。 我也总结下对自己挺有裨益的一些系统的知识点，方便时时回顾： 1、面对数据时可考虑将数据分为3类：用户数据（我是谁）、行为数据（我做了什么）、产品数据（卖什么）。 2、关于如何搭建指标体系： 1)、确定部门核心OKR，以此制定北极星和一级指标； 2)、根据子部门业务定位，依据一级指标拆解二级指标； 3)、分析业务流程，细化得到三级指标； 4)、不断迭代优化更新（这步必不可少）。 3、数据分析方法多种多样，选择最合适的才最重要。 A、逻辑树分析方法：分而治之&问题拆解 B、多维度拆解分析方法：指标构成和业务流程分析。 C：对比分析法：和谁比？比什么？ D、假设检验：剔除假设的角度有艺术：用户+产品+竞品；4P营销理论；业务流程。 E、相关关系：不是因果关系，区分两者可用控制变量法。 F、群组分析方法：同期群分析。 G、行业分析方法：PEST、SWOT。 4、数据分析三步走：第1步明确问题；第2步分析原因；第3步提出建议。 5、分析原因三步走： 1)、多维度拆解分析方法，将一个复杂问题细化成各个子问题； 2)、假设检验分析方法假设问题，对比分析方法辅助完成； 3)、确定问题后，寻根究底，多问几个为什么，然后使用相关分析法深入分析。
真的太差了，如果是小白，非常不建议读这本书。 几个原因: 1.很多定义上的错误，计算方法错误。很多指标在不同行业的算法是不一样的，参加撰写本书的人未必是专业认识，对于行业的理解不深刻，随便一些，会误导很多人 2.在案例分析中，给出的分析方法自己图表，完全不实用，而且很多分析的围度也很片面，实战价值非常低 3.常识性错误，电商分析那部分，表4-8，折扣区间，这个实在让人难以理解，想表达的是啥意思？0.25~0.3折扣区间，这个表达基本没听过，是折扣的力度是原价的25%-30%，指价格是原价的0.25-0.3？指的是0.25-0.3折？按照本书的原则，起码先弄清楚每一列的数据代表的是什么意思吧，这是等读者来信问你？ 4.很多数据的表示也非常不专业，很多数据没有千分符，你这数据小还行，如果是数量级比较大，是要让人一位一位去数么？ 如果作为一款入门级的工具书，最起码要能让别人把基础夯实，或者养成良好的数据展示习惯也行，这书真是误导新人，我看的过程中发现很多地方只有人划线，但是没有人写想法或者问问题，看来真是很多人信以为真了。 真正的数据分析师不会看这个，看了要气死的
🟡推荐：分析方法篇内容 🟠推荐理由：分析方法提升分析的质量、建立完善高效的分析思维 背景： 1️⃣结合了书评，只阅读了这部分内容 2️⃣无数据分析经验，仅日常喜欢分析问题 谈收获： 书中第二章分析方法开篇，作者提出了几个没有分析方法的症状。 其中，反映了以下几个问题： 1. 客观视角下，如何分析这个问题，而不是“我认为、我觉得” 2. 发现了问题却不会深入分析背后原因 3. 工具会了但不知道怎么用 结合自身经验，第1点的启发最大。 根据先认知再选择的原理。客观视角将问题分析清楚，能够尽可能的客观全面的看清问题全貌，进而在找到弊病和分析原因，不会一团乱麻、也不会找不到问题的关键。 如果从“我觉得、我认为”开始分析问题，分析受限于自身的认知偏差和视角狭窄 分析本质是更清楚认识事物，分析思维的建立大于分析工具的习得。 分析方法的应用，能过够提升分析的质量。
决定一本书好与不好还是由读者所处的阶段决定的。 一句话总评：对于培养数据sense有启发但绝不可照单全收，可能恰恰也证明了书中不是正确的废话，观点必然伴随争议。 方法是最常用且实用的方法，作为非常吃业务了解的分析师，技能内化后很多分析思路近乎是第一反应，很少有书能非常系统又体系化的把分析师看问题思考问题的方式整理出来。易读性可读性都不错。 哪怕是从事数据工作近一年，还是觉得常读常新。比如家政行业的相对转化和绝对转化，于我而言是非常新鲜的概念。但是虽说如此，我却不知道推荐给小白是否合适，毕竟后续行业案例百家之言，不熟悉的领域觉得是这么回事，熟悉的领域就能立马发现有不妥帖之处，还是需要辩证来看，需要避免照单全收（当然这也是分析师必备的技能 ( •︠ˍ•︡ ) 犹豫再三，还是评了好看。
用数学方法解决问题的妙用。
是本理清思路的好书 第一篇 数据分析的方法 第一章 业务指标 （1）如何理解数据？ 懂得从数据中发现业务指标，数据的含义（如何定义与计算）与分类（用户数据、行为数据、产品数据） （2）常用的指标有哪些？ 使用相关指标去分析数据/问题 A、用户数据指标： 新增用户、活跃用户、留存用户（粘性） B、行为数据指标： PV(访问次数）、UV（访问人数）、转发率、转化率、K因子（转化成新用户的转化率） C、产品数据指标： 成交总额（GMV)、成交数量、访问时长、客单价、复购率、付费率、产品（热销产品TOP、好评产品TOP、差评产品TOP) D、推广付费指标： 展示位广告、搜索广告、信息流广告，点击率、成本、投入产出比 （3）如何选择指标？ A、好的数据指标应该是比例 B、找到最核心的指标—北极星指标 （4）指标体系和报表 A、明确KPI，找到一级指标 B、了解业务运营情况，找到二级指标 C、梳理业务流程，找到三级指标 D、通过报表监控指标，不断更新指标体系 第二章 数据分析的常见方法 （1）5W2H分析： what（是什么）、when（何时）、where（何地）、why（为什么）、who（是谁）、how（怎么做）、how much（多少钱） 5W2H分析方法能解决哪些问题？ 案例1：如何设计一款产品？ 案例2：设计一款App的调查问卷，如何设计问卷上的问题？ 5W2H分析方法很好理解，但是在复杂的商业问题面前不起作用 （2）逻辑树分析： 逻辑树分析方法是把复杂问题拆解成若干个简单的子问题，然后像树枝那样逐步展开 领导力，就是把目标拆解成员工可以执行的小任务的能力 逻辑树分析方法在解决业务问题时，经常不是单独存在的，会融合在其他分析方法里，辅助解决问题 （3）行业分析: PEST分析方法（政策、经济、社会、技术） （4）多维度拆解分析 逻辑树是拆解、多维度拆解是不同角度看一件事 只看数据整体，我们可能注意不到“数据内部各个部分构成的差异”。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。 我们需要从多个维度去观察数据，并相互验证，才能得出相对可靠的结论。 通过多维度拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悖论”（Simpson’s Paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。 如何使用多维度拆解分析方法 1）从指标构成来拆解 2）从业务流程来拆解 （5）对比分析： 如何使用对比分析方法 （1）和谁比 1）和自己比：同比、环比 2）和行业比 （2）如何比 1）数据整体大小 常用的是平均值、中位数，或者某个业务指标 2）数据整体的波动 标准差除以平均值得到的值叫作变异系数。变异系数可用来衡量整体数据的波动情况 3）趋势变化 趋势变化是从时间维度来看数据随着时间发生的变化。常用的方法是时间折线图，环比和同比 注意： 在进行比较的时候，要注意比较对象的规模要一致 （6）假设检验分析： 假设检验分析方法分为三步： 1）提出假设 2）收集证据 3）得出结论 假设检验分析方法有什么用 1）假设检验分析方法背后的原理是逻辑推理，学会这个方法以后，可以显著提高我们的逻辑思维能力 2）假设检验分析方法的另一个作用是可以分析问题发生的原因，也叫作归因分析 如何使用假设检验分析方法 A、分析销售业绩，可通过4P营销理论（产品、价格、渠道、促销）。 B、按业务流程分析留存率、复购率等。 C、从用户、产品、竞品这3个维度提出假设。 （7）相关分析： 散点图，相关系数，相关关系不等于因果关系。 （8）群组分析： “群组分析方法”（也叫同期群分析方法）是按某个特征，将数据分为不同的组，然后比较各组的数据，说白了就是对数据分组然后来对比。 比如留存分析，可按时间、性别、地域分组等。 （9）RFM分析： 根据最近1次消费时间间隔（R)、消费频率(F)、消费金额(M),分类重要价值、发展、保持、挽留用户，一般价值、发展、保持、挽留用户。 A、使用原始数据计算出R、F、M值； B、给R、F、M值按价值打分，例如按价值从低到高分为1～5分； C、计算价值的平均值，如果某个指标的得分比价值的平均值低，标记为“低”。如果某个指标的得分比价值的平均值高，标记为“高”； D、和用户分类规则表比较，得出用户分类。 （10）AARRR模型分析： A、获取用户（渠道曝光量、转换率、日新增用户数、日应用下载量、获客成本） B、激活用户：用户首次体验如何、访问时长、活跃率 C、提高留存：顾客还会回来吗 D、增加收入：成效总额、成效数量、客单价、付费率、复购率 E、推荐他人：转发率、K因子 （11）漏斗分析： 从业务流程起点开始到最后目标完成的每个环节都会有用户流失，因此需要一种分析方法来衡量业务流程每一步的转化效率，漏斗分析方法就是这样的分析方法。 漏斗分析的作用是“定位问题节点”，即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析，所以漏斗分析中要关注两个指标：用户转化率和用户流失率。 浏览量、点击量、创建订单、支付率层层转化率 第三章 用数据分析解决问题 第1步：明确问题 （1）明确问题的常见错误 在定义问题时，注意不要加入分析者的“主观猜测”，导致无法分析其他可能的原因。 （2）如何明确问题 1）明确数据来源和准确性 2）业务指标理解 第2步：分析原因 两个问题把原因搞清楚 （1）哪里出了问题？ （2）为什么会出现这个问题？ 优先分析关键因素 （1）使用“多维度拆解分析方法”对问题进行拆解，将一个复杂问题细化成各个子问题； （2）对拆解的每个部分，使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成； （3）在找到哪里出了问题以后，可以多问自己“为什么出现了这个问题”，然后使用“相关分析方法”进行深入分析 第3步：提出建议 回归分析 AARRR模型分析 需要注意 （1）做决策的选项不能太多。太多的选项不仅会增加决策的成本，还会让人迷失，无从下手。相对简单的问题，需要4个选项左右；相对复杂的问题，需要4～7个选项； （2）决策要是可以落地的具体措施，这样决策者才能根据措施，合理安排资源，把措施变成行动。
一、总体概况 一本能够从分析方法和业务方面了解数据分析工作和各行业基础知识的书籍。 最近因为要招聘分析师，面试了很多人，发现其实很多从事数据分析岗位的人对于技术层面的重视远远超过业务层面，但是在实际工作中，了解业务以及系统的分析方法，对于相关业务的总结更是核心内容。虽然从事数据分析工作时间比较长，经验也还算可以，这本书仍然能够帮助我从整体上重新梳理关于数据分析的相关内容和思路。本书从基本的数据分析岗位需要培养的数据分析思维和方法上给了浅显易懂的介绍，内容覆盖基本指标、指标体系和报表、常见分析方法以及12个行业的基本业务模式和关键指标以及分析案例，适合长期从事数据分析，需要从整体结构上复盘数据分析的同学以及初步涉猎数据分析的同学了解基本的结构和概念，不适合某一方向特别较真儿以及想要学习sql、pathon等技术方法的同学。 二、重点内容总结 1、第一篇：方法 1.1 业务指标 1）作为数据分析的基础，首先要了解数据，核心包含用户数据、产品数据和行为数据。此处个人认为时间维度也很重要，组合形成人、货、场和关系。 2）指标：衡量业务的统一标准，根据具体的需求层级、场景有不同的指标。但是基础维度指标基本相同，例如新增用户数、活跃率、留存率、pv、uv、转化率等，口径需要根据各个公司的具体场景明确定义。 3）指标体系：用于监测业务、定位问题、改进业务的，具有相关性且有层级关系的一系列指标的组合；报表则是基于指标体系形成的一系列可视化展示。 1.2 分析方法 1）用于定位问题原因、寻找解决方案的分析思路，形成思维地图，更有效得解决问题。避免遇到问题盲目猜测。 2）常用分析方法：5W2H、逻辑数分析方法、行业分析方法、多维度拆解分析方法、对比分析方法、假设检验分析方法、相关分析方法、群组分析方法、RFM模型分析、AARRR模型分析、漏斗分析方法。 1.3 数据分析解决问题的过程 1）明确问题：明确数据来源、统计口径、准确性、对比对象等； 2）分析原因：用分析方法综合明确数据产生的原因 3）给出建议：回归问题本质，给出对应的解决方法 2、第二篇：实战 从业务模式、业务指标、分析案例三个方向进行讲解，内容覆盖国内电商、跨境电商、金融信贷、第三方支付、家政、旅游等13个行业。详细内容可以参考总结笔记https://www.processon.com/mindmap/63cd20b52a93473cd86e2ea2。
这本书层次很清晰适合入门，介绍了数分的一些分析方法+案例。可以先去看感兴趣的案例，再回头去看看方法。 分析的框架 确定问题(厘清问题的定义，以及业务流程、业务背景的一些梳理) 作出假设（根据业务的一些情况去假设可能导致出现问题的点） 验证假设（用数据的去验证假设是否成立） 循环重复这个过程... 业务分析的方法可以划分为内因和外因 内因，业务指标，通过分类、组合、业务流程....... 外因，外部环境的影响因素，政策、经济、文化...... 数据是怎么传递信息？ 数据的变化！数据通过对比、关联的处理，变化的数据就藏有背后的原因 不管什么分析方法，其根本是让我们通过不同角度去看待问题，去寻找问题的参数，找最重要的。 其它关联： 和程序中的方法挺像的，业务调用方法，传递参数，输出结果，数分更像是对参数的处理、分析
这本书作为数据分析行业的入门读物可以说相当不错，既有介绍基础知识，也有相应的业务板块介绍。读完之后大体对数据分析行业的常用思路和方法有了一个框架上的基础认识。书中有很多实战案例可以供参考分析，配合大量图表有很清晰的理解，对入门的新人来说非常友好。 不足也是有的，就是碍于篇幅没有详细展开各个分析方法和具体行业分析思路的步骤。其中每一个领域的分析都能够拆解成比较专业的著作了，但书中只是点到即止。不过对于新手来说，这一点其实是可以忽略不计的。
刚好这段时间在家休息，算是静心读下来的一本书。 感慨了一下，如果我能在进入上家互联网公司之前读完，可能前段日子里面的一些业务理解和分析，会有不一样的效果。还好，现在也不算晚。 主要是指标—分析方法—分析框架—案例来的，比较全面。 第一章主要围绕指标在讲，也发现自己目前工作的几个不足之处，在每次收集需求时，缺乏一个指标思考与碰撞的过程，更多的是接受，缺乏对一级指标的把握，指标逻辑间的一个反思，希望在后续的工作中，有所改善。 第二章的分析方法，这里列出了11个，其实工作中一般会用到很多思维，都跟这些方法有关，但可能没有归纳，缺乏系统性，这里会更明晰些。 第三章：用数据分析解决问题。固定的流程也是一般数据分析常用的，即明确问题—分析原因—提出建议。但这里有两个点，自己需要在工作中注意，一方面是在明确问题时，需要检查数据准确性（平时做好备注、检查异常），另一方面，分析原因要落地，很多时候自己找到一些线索验证后，便想给出答复，但往往没有达到数据分析的目的，要给出一定的建议和措施，即要到可以落地到相关运营动作。 后面主要是实战及一些具体实例方法，这一部分，并没有完全看完，抽看了几个，准备后续结合工作，可能会返读。