本文包括以下四個部分:
1.為什麽數據分析很重要？
2.常見的分析方法有哪些？
3.壹些數據驅動的方法
4.數據分析師的高級技能
| 0x 00為什麽數據分析很重要？
第壹個層面，統計學仍然是數據分析的核心方法。
我們先來看數據分析的定義:“為了提取有用的信息，形成結論，對數據進行詳細研究和總結的過程”。數據分析是以統計方法為基礎，為社會科學問題提供嚴謹的分析方法和工具。雖然大數據技術的出現極大地拓展了統計學研究的邊界，但並沒有改變統計學通過隨機抽樣推斷人口分布特征的基本思路。最基本的統計方法，如因果推斷、充分性原則、數據歸納等。，甚至因為大數據技術的普及而得到增強。在大數據技術的加持下，可以構建很多重要的社會經濟心理變量，比如居民的幸福感、投資者的情緒等，實時技術的發展甚至讓實時預測成為可能。
第二個層面，數據分析對業務發展有指導意義。
或者引用管理學大師彼得·格魯克的名言:“無法衡量就無法想象”。只有找到業務發展的關鍵衡量指標，即“北極星指標”，才能有針對性地優化業務。網上流傳著壹句話，谷歌的分析推動者之壹Avinash Kaushik有壹句名言，“所有數據加起來都是螃蟹。段或死。”，意思是“所有的總數據都是垃圾，不是群就是死”。匯總數據會掩蓋很多問題。只有深入分析數據，才能得到趨勢的真正原因，才能明白如何優化“北極星指數”。在互聯網人口紅利逐漸消失的前提下，對業務數據的深入了解和分析可以使業務保持高質量的增長。
綜上，數據分析還是很重要的。如果妳想知道妳的工作能產生什麽價值，數據分析的知識是數據從業者必不可少的“數據感”。
| 0x001常用的分析方法有哪些？
數據分析師的崗位技能要求我們能夠有條不紊、系統地分析和解決問題。我們需要借鑒壹些常用的分析方法，快速定位問題的根源。
分析方法包括兩部分，壹是宏觀戰略分析，二是微觀數據分析。
宏觀戰略分析主要包括:
PEST分析，通過研究政治、經濟、社會、技術，分析企業面臨的宏觀經濟形勢。
SWOT分析，通過研究優勢、劣勢、機會和威脅，來動態分析企業的內外部競爭狀況；
五力模型，通過分析同行業現有競爭對手的競爭力、潛在競爭對手的進入能力、替代品的替代能力、供應商的議價能力和采購商的議價能力，分析企業的競爭策略。
雖然宏觀分析對於我們的日常工作來說太大了，但是對於壹些具體的行業，比如保險、醫療、在線教育、共同基金、物流等，其實是很有幫助的。，分析政策、法規、風險等考慮因素。
接下來說壹下比較常見的微觀數據分析方法。下面結合壹個小案例介紹幾種常用的方法。
第壹個是假設檢驗。
假設檢驗分析又稱統計假設檢驗，是壹種統計推斷方法，用於判斷樣本之間、樣本之間、樣本與總體之間的差異是由抽樣誤差引起的還是由本質差異引起的。主要分為三步:1，提出假設；2.收集證據；3.得出結論。
假設檢驗主要是基於邏輯推理來分析問題的原因，所以在歸因分析中經常使用。
比如我們的北極星指數下降了，需要找出相應的原因。最初有三種可能，用戶問題，產品問題或者競品問題。
從這三個方面，我們可以提出三個假設:
如果用戶有問題，那麽我們可以從業務鏈接圖中分析問題，或者通過多維度分析拆解問題；
如果產品有問題，可以研究近期推出的產品功能是否符合用戶需求；
如果競品有問題，可以通過外部市場信息調查競品是否有補貼，是否大規模推廣。
有了初步結論後，分析的過程通常會繼續，多問為什麽，然後繼續用數據驗證原因，直到找到問題的根源。
第二個是邏輯樹分析。
邏輯樹分析很容易理解。就是把壹個復雜的問題分解成幾個簡單的問題，然後像樹幹壹樣壹步步把問題展開。通過解決單個子問題，我們可以得到問題答案的匯總。
比如，如果我們也分析壹下利潤增長緩慢的原因，可以用邏輯樹的方式把問題分成收入、成本、毛利三個維度，然後依次分析每個維度的問題。
收入需要考慮客戶數量、客戶質量、付費率、付費意願等問題；成本需要考慮廣告成本、人力成本、推廣策略等問題；毛利需要考慮倉配、渠道質量等問題。最後通過每個子問題的總結，得出真正的原因。
邏輯樹有三個基本原則，即
因式分解:將相同的問題歸納成元素；
分幅:將所有元素組織成壹個框架，遵守無重不漏的原則；
相關性:框架中的元素保持必要的相互關系，這種關系簡單但不孤立。
第三個講群體分析。
分組分析是將數據按照某個特征，比如時間、興趣等劃分到不同的組中，通過比較組間的數據差異來比較問題。
群體分析對於產品生命周期不同階段的分析很有幫助，比如新發布版本的效果，按時間把用戶分成不同的群體，然後比較不同群體之間的留存率，分析用戶留下或者離開的原因。
比如視頻平臺的用戶需要充值成為VIP才能觀看平臺專屬的電視劇，但是用戶可以隨時取消訂閱。這樣取消訂閱的用戶就是流失用戶。為了分析用戶流失的原因，我們可以使用群體分析法。
把每組的數據畫成虛線，橫軸是時間，縱軸是留存率，然後對比每組的虛線，我們通常很容易看出不同時間的留存率差別很大，原因如下:
產品最近推出了壹些新功能，但是這些新功能並不適合新用戶；
最近市場壹直在搞促銷活動，帶來新用戶，但是公司的產品對這些新用戶沒有價值，導致用戶流失。
結合上面提到的假設檢驗，進壹步分析問題的根源，所以我們形成了壹些相對固定的分析方法:1。群體分析，尋找留存率低的群體；2.假設檢驗，提出問題，驗證為什麽留存率這麽低。
不同策略的結合形成了我們自己的分析方法。
當然，數據分析的方法有很多，需要通過日常的學習和實踐來壹點壹點的總結和完善。
|0x02數據驅動的壹些方法
數據驅動，簡單來說就是通過數字服務的數據來分析問題的原因，比如電子商務、視頻等，並提出優化的解決方案來推動業務增長或產品叠代。這是互聯網行業成長的關鍵，是數據從業者需要掌握的商業方法，也是評價壹個人工作能力的重要衡量標準。
數據驅動通常由以下過程組成:
對數據進行定性分析，發現問題；
數據的定量分析，以確定影響面；
調查公司、競爭對手和行業的常見做法；
估計解決問題後的效果；
設計相應的實驗機制；
AB檢驗得出實驗結論；
上線跟蹤策略後續變化。
下面是壹些數據分析需要涉及的知識，即定性定量分析和AB測試。其他部分通常由工程團隊實現。
定性分析是對研究對象的“定性”研究，是對內在規律的分析；定量分析是對研究對象進行定量研究，描述其相互作用和發展趨勢。
比如通過數據發現了電商場景中“訂單到支付轉化率低”的問題，需要分析問題。我們通過分組+漏鬥的方法在部分商品中發現了這個問題，然後通過抽樣看數據分析問題原因，很可能是因為虛假價格。這是定性分析。定位原因後，選取抽象商品，通過人為評估虛假價格的比例來推斷整體影響範圍，這就是定量分析。
然後，我們設置壹些策略，需要驗證這些策略對“訂單到支付轉化率低”問題的影響，所以需要做實驗對比。
AB實驗是指同壹問題有兩種或兩種以上解決方案的問題，將同壹組人隨機分為兩組。在相同的時間維度下，實驗組和對照組進行實驗，用少量相同的測量指標來衡量哪個方案的結果更好。當然，這樣做的前提是樣本量足夠，但對於數字化的互聯網業務來說，通常並不難。
通過分析AB實驗後不同策略的對比數據，可以看出我們的策略是否能帶來預期的正面效果，如果能，就可以上線了。上線後進行量化數據分析，看問題解決的程度。
這些是壹些常規的數據驅動方法。
|0xFF數據分析師的高級技能
數據分析師也需要懂算法。
很多時候，分析師被分為“向前”和“向後”的角色，就像開發壹樣。“向前”的角色跟隨業務，能夠發現業務中存在的問題，找到相應的優化點；“後向”的作用更多的是實現壹個功能，優化算法或者實驗方法，更像後端，但更智能。
雖然統計學可以給我們提供壹個非常好的分析方法，但並不是世界上所有的問題都可以用統計學來概括。很多方向的分析師還是需要掌握算法才能滿足工作的需要。
比如最典型的“供需匹配”問題，因為量變引起質變。
在互聯網過去的發展歷史中，無論在B2C、C2C、B2B、B2B2C，我們都建立了精準的畫像體系，不僅針對用戶，也針對供應商，實現了千人千面的用戶管理，更好的匹配供需管理。後來這個機制又衍生到其他方面，比如個性化視頻推薦、網約車管理等，都是供需匹配的壹部分。
但是，如何在幾千萬甚至幾十億的商品中做匹配召回，如何在海量數據中匹配線索，如何明確哪些人是我們的目標人群，如何向最適合的人推薦信息流，如何衡量這些效果……很多方案都需要綜合考慮，無論是通過統計數據分析形成規則，還是通過算法挖掘特征，都是達到目的的途徑。
因為大公司資源豐富，通常是並行運行，這在壹定程度上嚴格區分了數據分析和數據算法的責任邊界。但是，中小企業有限的資源可能會造成分析就是算法的現象。
類似的還有風控、知識圖譜等領域。除了人力的覆蓋，還需要機器的介入來優化效果。
事實上，數據分析師的成長更像是壹場馬拉松，因為他們需要接觸大量的知識，能夠合理分配自己的時間和精力，經常提醒自己的核心目標是什麽，才能把事情做好，在長跑中不掉隊。分析只是壹種技能。作為生活中的職業，需要更加貼近實際場景，貼近公司發展，做出相應合理的策略。