要使用强大的Python数据分析模块pandas，我们首先要熟悉它的两个主要的数据结构：Series（序列）和DataFrame（数据框），或许它们无法解决所有的问题，但它们为大多数应用提供了一种可靠的、易于使用的基础。

1.生成Series（序列）

Series是一种类似于一维数组的对象，它由一组数据以及一组与之相关的数据标签组成。

仅由一组数据即可产生最简单的Series，其字符串表现形式为：索引在左边，值在右边。

如果我们没有为数据指定索引，那么它会自动创建一个0到N-1（N为数据的长度）的整数型索引。

我们可以通过Series的values和index属性获取其数组表示形式和索引对象：

2.通常，我们希望所创建的Series带有以各可以对各个数据点进行标记的索引：

可以看到，与普通NumPy数组相比，我们可以通过索引的方式选取Series中的单个或一组值，甚至可以进行赋值操作。

3.对Series进行NumPy数组运算（如根据布尔型数组进行过滤、标量乘法、应用数学函数等）时都会保留索引和值之间的链接。

4.还可以将Series看成是一个定长的有序字典，因为它是索引值到数据值的一个映射，它可以用在许多原本需要字典参数的函数中。如果数据被存放在一个Python字典中，也可以通过这个字典来创建Series。

可以看到，如果只传入一个字典，则结果Series中的索引就是原字典的键（有序排列）。

我们还可以同时传入一个字典和一个索引列表（元组和数组也可以，如下图所示），如下图的例子，sdata中跟states索引相匹配的值会被找出来，并按照顺序放到相应的位置。

但由于‘California’所对应的sdata值找不到，所以其结果为NaN（not a number，非数字，在pandas中，用于表示缺失或NA值）。pandas中的isnull()和notnull()函数可用于检测缺失数据。同时，Series也有类似的实例方法（对于pd.isnull(obj4)我们称之为对实例obj4应用函数pd.isnull()，对于obj4.isnull()我们一般称之为实例obj4的方法isnull()）：

对缺失数据的处理，永远是数据分析和数据挖掘过程中的重要一环，我们将会在后续的内容中详细讨论。

5.对于许多应用而言，Series最重要的功能是：它在算数运算中会自动对齐不同索引的数据。关于数据对齐的内容我们也会在后续单独讲解。

6.Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切。Series的索引可以通过赋值的方式就地修改。

今天我们就分享到这里，对数据分析与挖掘、机器学习、心理学感兴趣的朋友可以关注下后续的更新。

（图片来源于网络）

作者：苏格兰折耳喵

来源： 运营喵是怎样炼成的 （yymzylc）

（温馨提示：图片显示毛糙和不清楚，是分辨率过高的缘故，点击图片，即可看到高清大图。 ）

本文将对一个案例进行从数据采集、数据清洗、数据分析再到数据可视化的全流程分析，力求条理清晰的展现外部数据分析的强大威力。以下是本文的写作框架：

1 分析背景

1.1 分析原理---为什么选择分析虎嗅网

在现今数据爆炸、信息质量良莠不齐的互联网时代，我们无时无刻不身处在互联网社会化媒体的“信息洪流”之中，因而无可避免的被它上面泛滥的信息所“裹挟”，也就是说，社会化媒体上的信息对现实世界中的每个人都有重大影响，社会化媒体是我们间接了解现实客观世界和主观世界的一面窗户，我们每时每刻都在受到它的影响。

综合上述两类情形，可以得出这样的结论，透过社会化媒体，我们可以观察现实世界：

由此， 社会化媒体是现实主客观世界的一面镜子，而它也会进一步影响人们的行为，如果我们对该领域中的优质媒体所发布的信息进行分析，除了可以了解该领域的发展进程和现状，还可以对该领域的人群行为进行一定程度的预判。

鉴于此种情况，作为互联网从业者的笔者想分析一下互联网行业的一些现状，于是想到了虎嗅网。

虎嗅网创办于2012年5月，是一个聚合优质创新信息与人群的新媒体平台。该平台专注于贡献原创、深度、犀利优质的商业资讯，围绕创新创业的观点进行剖析与交流。虎嗅网 的核心，是关注互联网及传统产业的融合、一系列明星公司（包括公众公司与创业型企业）的起落轨迹、产业潮汐的动力与趋势。

因此，对该平台上的发布内容进行分析，对于研究互联网的发展进程和现状有一定的实际价值。

1.2 本文的分析目的

笔者在本项目中的分析目的主要有4个：

（1）对虎嗅网内容运营方面的若干分析，主要是对发文量、收藏量、评论量等方面的描述性分析；

（2）通过文本分析，对互联网行业的一些人、企业和细分领域进行趣味性的分析；

（3）展现文本挖掘在数据分析领域的实用价值；

（4）将杂芜无序的结构化数据和非结构化数据进行可视化，展现数据之美。

1.3 分析方法---分析工具和分析类型

本文中，笔者使用的数据分析工具如下：

Python3.5.2（编程语言）

Gensim（词向量、主题模型）

Scikit-Learn（聚类和分类）

Keras（深度学习框架）

Tensorflow（深度学习框架）

Jieba(分词和关键词提取)

Excel（可视化）

Seaborn（可视化）

新浪微舆情（情绪语义分析）

Bokeh（可视化）

Gephi（网络可视化）

Plotly（可视化）

使用上述数据分析工具，笔者将进行2类数据分析：第一类是较为传统的、针对数值型数据的描述下统计分析，如阅读量、收藏量等在时间维度上的分布；另一类是本文的重头戏---深层次的文本挖掘，包括关键词提取、文章内容LDA主题模型分析、词向量/关联词分析、DTM模型、ATM模型、词汇分散图和词聚类分析。

2 数据采集和文本预处理

2.1 数据采集

笔者使用爬虫采集了来自虎嗅网主页的文章（并不是全部的文章，但展示在主页的信息是主编精挑细选的，很具代表性），数据采集的时间区间为2012.05~2017.11，共计41,121篇。采集的字段为文章标题、发布时间、收藏量、评论量、正文内容、作者名称、作者自我简介、作者发文量，然后笔者人工提取4个特征，主要是 时间特征 （时点和周几）和 内容长度特征 （标题字数和文章字数），最终得到的数据如下图所示:

2.2 数据预处理

数据分析/挖掘领域有一条金科玉律：“Garbage in, Garbage out”，做好数据预处理，对于取得理想的分析结果来说是至关重要的。本文的数据规整主要是对文本数据进行清洗，处理的条目如下：

（1） 文本分词

要进行文本挖掘，分词是最为关键的一步，它直接影响后续的分析结果。笔者使用jieba来对文本进行分词处理，它有3类分词模式，即全模式、精确模式、搜索引擎模式：

· 精确模式：试图将句子最精确地切开，适合文本分析；

· 全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

· 搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

现以“新浪微舆情专注于社会化大数据的场景化应用”为例，3种分词模式的结果如下：

【全模式】: 新浪/ 微舆情/ 新浪微舆情/ 专注/于/ 社会化/ 大数据/ 社会化大数据/ 的/ 场景化/ 应用

【精确模式】: 新浪微舆情/ 专注/于/ 社会化大数据/ 的/ 场景化/ 应用

【搜索引擎模式】：新浪，微舆情，新浪微舆情，专注，于，社会化，大数据，社会化大数据，的，场景化，应用

为了避免歧义和切出符合预期效果的词汇，笔者采取的是精确（分词）模式。

（2） 去停用词

这里的去停用词包括以下三类：

标点符号：， 。！ /、*+-

特殊符号：▲等

无意义的虚词： “the”、“a”、“an”、“that”、“你”、“我”、“他们”、“想要”、“打开”、“可以”等

（3） 去掉高频词、稀有词和计算Bigrams

去掉高频词、稀有词是针对后续的主题模型（LDA、ATM）时使用的，主要是为了排除对区隔主题意义不大的词汇，最终得到类似于停用词的效果。

Bigrams是为了自动探测出文本中的新词，基于词汇之间的共现关系---如果两个词经常一起毗邻出现，那么这两个词可以结合成一个新词，比如“数据”、“产品经理”经常一起出现在不同的段落里，那么，“数据_产品经理”则是二者合成出来的新词，只不过二者之间包含着下划线。

3 描述性分析

该部分中，笔者主要对数值型数据进行描述性的统计分析，它属于较为常规的数据分析，能揭示出一些问题，做到知其然。

3.1 发文数量、评论量和收藏量的变化走势

从下图可以看出，在2012.05~2017.11期间，以季度为单位，主页的发文数量起伏波动不大，在均值1800上下波动，进入2016年后，发文数量有明显提升。

此外，一头（2012年第二季）一尾（2017年第四季）因为没有统计完全，所以发文数量较小。

下图则是该时间段内收藏量和评论量的变化情况，评论量的变化不愠不火，起伏不大，但收藏量一直在攀升中，尤其是在2017年的第二季达到峰值。收藏量在一定程度上反映了文章的干货程度和价值性，读者认为有价值的文章才会去保留和收藏，反复阅读，含英咀华，这说明虎嗅的文章质量在不断提高，或读者的数量在增长。

3.2 发文时间规律分析

笔者从时间维度里提取出“周”和“时段”的信息，也就是开题提到的“人工特征”的提取，现在做文章分布数量的在“周”和“时”上的交叉分析，得到下图：

上图是一个热力图，色块颜色上的由暖到冷表征数值的由大变小。很明显的可以看到，中间有一个颜色很明显的区域，即由“6时~19时”和“周一~周五”围成的矩形，也就是说，发文时间主要集中在工作日的白天。另外，周一到周五期间，6时~7时这个时间段是发文的高峰，说明虎嗅的内容运营人员倾向于在工作日的清晨发布文章，这也符合它的人群定位---TMT领域从业、创业者、投资人，他们中的许多人有晨读的习惯，喜欢在赶地铁、坐公交的过程中阅读虎嗅讯息。发文高峰还有9时-11时这个高峰，是为了提前应对读者午休时间的阅读，还有17时~18时，提前应对读者下班时间的阅读。

3.3 相关性分析

笔者一直很好奇，文章的评论量、收藏量和标题字数、文章字数是否存在统计学意义上的相关性关系。基于此，笔者绘制出能反映上述变量关系的两张图。

首先，笔者做出了标题字数、文章字数和评论量之间的 气泡图 （圆形的气泡被六角星替代，但本质上还是气泡图）。

上图中，横轴是文章字数，纵轴是标题字数，评论数大小由六角星的大小和颜色所反映，颜色越暖，数值越大，五角星越大，数值越大。从这张图可以看出，文章评论量较大的文章，绝大部分分布于由文章字数6000字、标题字数20字所构成的区域内。虎嗅网上的商业资讯文章大都具有原创、深度的特点，文章篇幅中长，意味着能把事情背后的来龙去脉论述清楚，而且标题要能够吸引人，引发读者的大量阅读，合适长度标题和正文篇幅才能做到这一点。

接下来，笔者将收藏量、评论量和标题字数、文章字数绘制成一张3D立体图，X轴和Y轴分别为标题字数和正文字数，Z轴为收藏量和评论量所构成的 平面 ，通过旋转这个3维的Surface图，我们可以发现收藏量、评论量和标题字数、文章字数之间的相关关系。

注意，上图的数值表示和前面几张图一样，颜色上的由暖到冷表示数值的由大到小，通过旋转各维度的截面，可以看到在正文字数5000字以内、标题字数15字左右的收藏量和评论量形成的截面出现“华山式”陡峰，因而这里的收藏量和评论量最大。

3.4 城市提及分析

在这里，笔者通过构建一个包含全国1~5线城市的词表，提取出经过预处理后的文本中的城市名称，根据提及频次的大小，绘制出 一张反映城市提及频次的地理分布地图 ， 进而间接地了解各个城市互联网的发展状况（一般城市的提及跟互联网产业、产品和职位信息挂钩，能在一定程度上反映该城市互联网行业的发展态势）。

上图反映的结果比较符合常识，北上深广杭这些一线城市的提及次数最多，它们是互联网行业发展的重镇。值得注意的是，长三角地区的大块区域（长江三角洲城市群，它包含 上海 ， 江苏省 的 南京 、 无锡 、 常州 、 苏州 、 南通 、 盐城 、 扬州 、 镇江 、 泰州 ， 浙江省 的 杭州 、 宁波 、 嘉兴 、 湖州 、 绍兴 、 金华 、 舟山 、 台州 ， 安徽省 的 合肥 、 芜湖 、 马鞍山 、 铜陵 、 安庆 、 滁州 、 池州 、 宣城 ）呈现出较高的热度值，直接说明这些城市在虎嗅网各类资讯文章中的提及次数较多，结合国家政策和地区因素，可以这样理解地图中反映的这个事实：

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

接下来，笔者将抽取文本中城市之间的 共现关系 ，也就是城市之间两两同时出现的频率，在一定程度上反映出城市间经济、文化、政策等方面的相关关系，共现频次越高，说明二者之间的联系紧密程度越高，抽取出的结果如下表所示：

将上述结果绘制成如下动态的流向图：

由于虎嗅网上的文章大多涉及创业、政策、商业方面的内容，因而这种城市之间的共现关系反映出城际间在资源、人员或者行业方面的关联关系，本动态图中，主要反映的是北上广深杭（网络中的枢纽节点）之间的相互流动关系和这几个一线城市向中西部城市的单向流动情形。流动量大、交错密集的区域无疑是中国最发达的3个城市群和其他几个新兴的城市群：

京津冀城市群

长江三角洲城市群

珠江三角洲城市群

中原城市群

成渝城市群

长江中游城市群

上面的数据分析是基于数值型数据的描述性分析，接下来，笔者将进行更为深入的文本挖掘。

4 文本挖掘

数据挖掘是从有结构的数据库中鉴别出有效的、新颖的、可能有用的并最终可理解的模式；而文本挖掘（在文本数据库也称为文本数据挖掘或者知识发现）是从大量非结构的数据中提炼出模式，也就是有用的信息或知识的半自动化过程。

本文的文本挖掘部分主要涉及高频词统计/关键词提取/关键词云、文章标题聚类、文章内容聚类、文章内容LDA主题模型分析、词向量/关联词分析、ATM模型、词汇分散图和词聚类分析。

4.1 关键词提取

对于关键词提取，笔者没有采取词频统计的方法，因为词频统计的逻辑是：一个词在文章中出现的次数越多，则它就越重要。因而，笔者采用的是 TF-IDF （termfrequency–inverse document frequency）的关键词提取方法：

它用以评估一字/词对于一个文件集或一个语料库中的其中一份文件的重要程度，字/词的重要性会随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

由此可见，在提取某段文本的关键信息时，关键词提取较词频统计更为可取，能提取出对某段文本具有重要意义的关键词。

下面是笔者利用jieba在经预处理�...

8天长假结束，数据盘点长假期间最热门地区。根据6063个国内景点的过去一个月时间的售票量数据落到地图上，就有了如下这张“国庆出游热力图”。

比较受欢迎的景点主要集中在了东南地区，还有少部分分布在国内的其他各个角落。广东、广西、云南、上海、浙江、杭州、甘肃、四川、重庆、陕西、北京、黑龙江、香港、澳门和台湾。

陕西省西安市和延安市景区热度最高

陕西各大景区中，兵马俑、大雁塔、华山景区热度最高

国庆中秋假日期间，陕西大部分地区阴雨连绵，气温下降，出行受到一定影响，但广大游客出游热情仍十分高涨，旅游市场供给丰富多样，全省各地一派欢庆、祥和、繁荣的景象。据统计，1-8日，全省共接待境内外游客5636.82万人次，同比增长7.4%（按7天可比口径），实现旅游收入296亿元，同比增长11.64%。

国庆假日历来是出游高峰，今年又与中秋节拼合，形成了八天的超级长假，加之高速免收通行费、沿黄公路、宝兰高铁开通、一批新开景区和免费景区等各种利好因素的多重影响下，虽然遭遇降雨降温，陕西旅游市场依然稳健增长。

根据假日期间全省抽样调查结果，从游客构成看，过夜游客占比达到40%以上，直接带动住宿、餐饮、购物消费大幅上升。从出游意愿来看，休闲度假占来陕游客总人数的28.27%，观光游览占61.40%。从旅游目的地看，国内跨省游和近郊游是出游首选。从产品需求看，自然风景、名胜古迹、主题公园、旅游小镇等是自由行游客最感兴趣的目的地。

沿黄旅游人气暴涨，乡村休闲游成常态

节日期间，沿黄旅游带大荔段通行自驾车10.8万辆，华山景区接待游客15万余人次，韩城司马迁祠景区接待游客47.59万人次，合阳洽川湿地景区接待游客41.37万人次；宜川壶口景区接待游客20.16万人次，佳县白云山景区接待游客4.16万人次。袁家村、马嵬驿、周至水街、白鹿仓等乡村旅游景区接待游客均超过100万人次；青木川古镇接待游客17.3万人次；商洛市美丽乡村八朵金花共接待游客56.57万人次；沣东新城沣滨水镇接待游客35.75万人次；杨凌示范区休闲农庄共接待游客5.8万人次；佳县赤牛坬、泥河沟民俗村共接待游客7.97万人次。

智慧服务日臻完善，文明成为最美风景

在推进品质立旅兴旅过程中，全省大力推进智慧城市、智慧景区、智慧乡村建设。华山景区实现了山上山下电子监控全覆盖，实时掌握景区流量。兵马俑景区全面启动线上预订系统，有效缓解了游客购票压力。临潼区、柞水县建立假日旅游指挥大厅，旅游、公安、工商、交通等部门通过实时监控信息和流量数据科学调配摆渡运力和游客流量。

旅游是倡导文明、传播美好生活的有效途径。假日期间，华清宫景区、处女泉景区、金丝峡景区、世博园景区等开展了文明旅游公益宣传活动。壶口景区、华山景区、处女泉景区的应急救援事件无不体现了“以人为本”的服务理念，弘扬了友好文明的正能量。假日期间，城市整洁了、乡村变美了、厕所没味了、垃圾不见了、喧哗减少了，“小红帽”多了，“红马甲”多了，文明旅游成为最美最亮丽的风景。

及时发布信息，引导理性出游

省旅发委针对国庆中秋假期的特点，及时发布旅游产品线路和出游提示，引导广大游客合理出行、文明旅游。陕西省公安厅交警总队节前向公众发布了2017年国庆中秋长假陕西全省道路出行预警提示和沿黄观光路国庆中秋驾车出行安全提示，省气象局及时启动重大气象灾害（暴雨）IV级应急响应，及时做好气象信息预报和发布。渭南市在沿黄公路成立了小红帽志愿者服务队伍、环境卫生保洁队伍、交通指挥疏导执法队伍，确保沿黄观光路安全畅通。华山景区官网每天两小时更新一次景区舆情信息，方便游客合理安排登山行程。

假日期间，全省旅游市场秩序良好，未发生重大旅游安全事故。

记者从杭州电子科技大学（以下简称杭电）获悉，在未来两年内，该校将停招信息工程、物联网工程、应用物理学、海洋工程与技术、生物医学工程、物流管理、市场营销、环境科学、经济统计学、编辑出版学、工业设计等11个本科专业。

陈松松，2011年至今（7年）专注视频营销、原创视频精准引流

“这是我写的第172篇关于视频营销原创文章”

我希望大家不是技术大拿，而是思维大拿。

用思维控制技术，而不是用技术控制自己。

昨天分享《抖音5天涨粉40.1万实战运营方案复盘（10）粉丝运营》，今天继续分享第11讲：数据分析

运营2：数据分析

我们的视频火不火，能不能上热门，上热门的概率是多少，这些是怎么判断出来的，说白了全靠数据粉丝+我们的第六感（感觉）+调整测试。

当我们把第一个视频发出去之后，

我们要做的第二件事情就是数据分析，只有通过数据分析才能判断出来我们的抖音15秒视频做的怎么样，是否收到用户喜欢，我们也知道大概怎么去调整我们的视频内容。

我们5天涨粉40.1万精准粉丝，非搞笑、娱乐粉丝。

说白了，重点的参考就是数据分析，这个我们做的非常到位，要不可能给我们1年时间也做不到40.1万的粉丝，再加上我们比较重视细节，也是一点点优化出来的。

我们分析数据的时候，主要从以下角度出发：

⑴自己视频数据分析

⑵同行视频数据分析

⑶热门视频数据分析

⑷搜索视频数据分析

每一块前期我们花了半个月的时间分析，之后我们每天都要花费半小时到1小时的时间来分析，每天如此。

分析具体细节的时候，我们每个细节都分析的很清晰，不说别的，光分析同行，就要分析几百条，从分析抖音同行，我简单列几个，供大家参考：

①抖音账号名字

抖音的名字就是我们的定位，更是我们个人品牌、公司品牌的一个展示，也方便用户判断我们到底是干什么的，这个名字到底怎么起名是有方法、有技巧，这里给大家一个公式：品牌词（个人姓名）+行业词。

当然也可以是其他的方式，可以专门看同行视频、看热门视频，他们的名字是怎么起的，看个几十个就知道你的抖音号的名字怎么命名了。

这就是分析同行视频、分析热门视频，通过分析同行视频、分析热门视频就知道自己该怎么做，该做什么，一目了然，就不会盲目，也不会心慌意乱。

名字是不建议大家打广告、加微信的，因为本身就是方便用户识别、方便客户记忆的，但其实你会发现有很多同行已经添加成功，这个大家自行判断，刚开始的时候不建议！

②抖音账号头像

名字起好了，接着就是账号头像，账号头像也是我们的个人品牌、公司品牌，个人的话建议使用真人头像，当然也可以使用卡通头像都行，公司品牌，也就是你用公司申请的，建议使用公司的LOGO，或者申请商品的LOGO都可以。

接着就是参考同行、参考热门视频，看看其他人的个人账号、企业账号他们是用什么样的头像，分析个几十个，其实也出来了，也就知道自己的抖音账号头像如何选择了，都非常简单。

很多东西一点就破，关键要行动起来。

④抖音个性签名

个性签名其实是最好的广告位置，但刚开始不建议直接添加，尤其是没发布作品的时候，建议粉丝在1万左右的时候添加。

个性签名一般就是一句话的定位，告诉你的粉丝你的这个抖音号主要分享什么领域的内容就行了。

这里我提一点：如果你的作品上热门，此时不要去更改任何资料，任何的信息，我们很多朋友就想在作品热门的时候更改个性签名，但很多直接没热门了，不管是这个视频就这么大的热门，还是因为你改资料的问题，这点大家注意！

多看看同行个性签名怎么写的，你就知道自己个性签名怎么写的了。

③抖音认证方式

现在抖音有抖音官方的个人认证和企业认证，个人认证为黄V，个人认证粉丝数必须至少在1万以上，如果你一心想打广告，粉丝涨到1万真的是很难。

企业认证是蓝V，企业认证必须有公司，是代表你整个公司的一个形象，如果你上来就打广告，相当于打你自己公司的脸，别人都不敢和你合作。

在抖音，作品为王，作品就是企业的形象，就是个人的形象。

粉丝因为你的作品而选择关注你

粉丝因为你的作品而选择信任你

你不能让粉丝失望，让粉丝绝望

不能认证的就好好做作品，涨粉丝，粉丝有了，其实啥都有了。

⑤抖音作品类型

这个我认为要重点分析，当然不一定适合你，但你也要去分析，只有分析了，才清楚自己到底是和哪一种，你分析的越多，你就知道你这个行业的内容要怎么做，你就知道哪一种才真正的适合你，会让你少走很多弯路。

抖音作品类型：有图文形式、卡通形式、真人形式、动画形式，这个要根据自身的优势来选择，以及根据自己的兴趣爱好来选择，只有这样才能做好事情。

⑥作品讲解方式

这个对于很多粉丝来说就难了，15秒能讲什么，两句话没讲完，15秒的时间到了，其实，正是因为这15秒的时间，抖音才会这么火。

大家记住一点，不管时间有多短，有多长，

1分钟有1分钟的玩法；

5分钟有5分钟的玩法；

10分钟有10分钟的玩法；

那么15秒有15秒的玩法，还是方法问题。

其实15秒也能展示大量的信息，关键要看我们怎么展示，怎么讲解，这个多看热门视频，多看同行视频，你就知道该怎么讲解了，该怎么通过15秒的视频把你的内容讲解出来。

这就是分析同行的好处，

很多朋友这些都知道，但就是不知道怎么干，这些其实都非常简单，

记住：当你做事的时候，感觉是那么回事，也感觉自己什么都知道，但就是做不好，其实还是方法出了问题，那就需要学习，这个我们要承认。

⑦抖音作品数量

这个一般我们会看作者当前发布了几个视频，抖音粉丝数量是多少，抖音的点赞数是多少。

先查看作品数量，通过视频看所有作品点赞量总和是否与抖音主页点赞量相同。

如果相差很多说明作者删除了视频，如果相同，说明没删除作品，你就能判断出来这个作者的作品做的怎么样。

比如，只有1个作品，点赞数都相同，粉丝数4万左右，说明只发了一个作品，粉丝就是3-4万，这个作品质量杠杠的，是受用户喜欢的，得到了平台的推荐，这样的作品我们要重点参考。

比如，发布了几百个视频，点赞数与主页点赞数相同，粉丝只有几万，说明作品质量一般，你也能从抖音主页的作品看到，哪几个视频点赞量最多，你就清楚，这些粉丝是通过哪几个作品涨上来的，一看便知，你就把这几个作品重点参考，看看他们是怎么讲解的，怎么做的。

⑧抖音粉丝数量

通过关注同行抖音粉丝数量，就大概能判断出来你这个行业的抖音竞争程度，如果粉丝数量非常少，同行非常多，说明一个问题：

同行都没做起来，那你的机会就多了去了，好好操作抖音，把作品做好，粉丝很容易涨上来，因为抖音的流量太大了，至于有多大，大家都心知肚明，不需要我多说。

如果同行很多，大家的粉丝基本少的都是几万，多说的就是几十万，上百万，又说明另外一个问题，这个行业特别容易涨粉，赶紧下手。

在抖音没做起来的，一般要么是方法问题，要么是行业领域的问题，可能大家都这么干，你也跟风，就很难做起来，其实任何领域在抖音平台操作，都能做起来。

为什么，因为有人!

在抖音，只看作品，不看人，不看行业、不看领域！

⑨抖音每日涨粉

我们要清楚你的同行，每天大概涨多少粉丝，这个你要关注的，我们每天都查看，知道每天的涨粉量就可以判断出来他的作品如何，对我们是否有参考价值。

当然还有很多后起之秀，刚开始看他的账号粉丝数没几个，但后面一看，粉丝数直接几万个，所以，只要是你的同行都要关注，说不定什么时候就起来了。

不要小瞧任何一个同行，都有我们学习的点。

⑩同行广告方式

大家来操作抖音，基本上都是来打广告，做品牌宣传、引流卖货，但很多时候我们都做不了，这时候就要靠数据分析，分析同行是怎么打广告的，很多抖音作者很会打广告，然后他的作品还容易上热门，我觉得这是最厉害的地方。

我们关注同行的方式很简单，每个视频都去听，不管爱心量多少，都听，只要听了，我们都会有收获的。

⑾抖音引流方式

打广告是我们第一个要关注的，引流是我们第二个要关注的，引流有广告，在抖音，引流的入口无处不在，有时候不经意的几个字就是一个引流入口，这也是为什么把抖音作品、评论、签名、账号名等分析，就是找同行引流方式。

这里有个注意事项，前期先把粉丝涨上来，再考虑引流，而且引流不能太频繁，尤其是视频内容，很容易判断营销号，直接给我们限流，我们很多粉丝就是因为平时打的广告太多，流量就会被限制，明明是个大热门，最后只是一个小热门，大家一定要注意。

⑿行业赚钱套路

接着就要分析同行的赚钱套路，很多粉丝只有一种赚钱方式，但现在对我们来说是不利的，而真正厉害的高手可能有几十种赚钱方式。

换句话说，粉丝需要什么，我们就卖什么，我们就要提供什么，这样大部分精准的粉丝我们都能够满足他们的需求，我们赚的钱也多。

动力十足。

……

暂时先列这些，当然还有视频评论、还有同行定位、同行作品等其他数据分析，如果都列举出来，可能又要拿出几篇文章来写，打算看看后续以视频的形式分享出来，一目了然。

这些我们一开始必须分析到位的，不仅看自己的视频、同时还要看同行的视频、看热门的视频，帮助我们操作抖音15秒视频做好铺垫。

只有这些分析到位之后，我们操作的时候才会更轻松，因为不管是同行、还是热门上的视频，人家做的好都是有点实力、有点亮点的，这些都需要我们重点分析。

数据分析就是为了调整标题、调整封面、调整内容、调整细节、调整关键词、调整发布技巧、调整作品类型、调节讲解方式等。

我们只做15秒视频的时候，都会优先看看同行，看看他们爱心比较多的作品是怎么做的，然后再定自己的要怎么讲，怎么做，包括热门视频我们都会去分析，我们能知道热门视频怎么热门的，怎么涨粉的。

有些话术我们都可以使用的，直接拿过来就可以用，效果是非常的好的，这些细节大家操作抖音的时候都要注意。

光靠自己的感觉不行，必须要实战，然后通过数据反馈，才清楚你的想法是否到位，细节是否到位，这些只有通过数据才能真实反馈

粉丝运营、数据运营都简单

这就是关于数据分析，我们就讲解到这里，我希望大家一定要重视抖音的数据分析，因为抖音的数据分析直接决定了我们接下来到底要怎么做才容易火，涨粉才更加容易，就这么简单！

一切靠数据说话，就这么简单。

明天给大家分享《抖音5天涨粉40.1万实战运营方案复盘（12）账号违规》

本文原创作者：陈松松，视频营销7年实战运营经验

欢迎大家关注我的熊掌号：陈松松，有关于抖音运营方面有相关的问题欢迎在下方留言

记者从杭州电子科技大学（以下简称杭电）获悉，在未来两年内，该校将停招信息工程、物联网工程、应用物理学、海洋工程与技术、生物医学工程、物流管理、市场营销、环境科学、经济统计学、编辑出版学、工业设计等11个本科专业。

“这些专业占学校现有53个专业的20％左右。这也是学校第二次大规模叫停‘相对低效专业’。” 杭电副校长徐江荣说。

据悉，在过去5年，该校已先后有教育技术学、印刷工程、包装工程、智能电网信息工程、功能材料、应用统计学等6个专业被撤销或停招。

2013年，根据学校特色类大学定位，杭电以专业高考第一志愿报考率、就业率、转专业率等指标为依据，开始对综合排名靠后的“低效专业”采取减少招生指标甚至停止招生的措施。

最先“中招”的是数字媒体与艺术设计学院的印刷工程专业，在2014年被红牌警告后停招。之后，数字媒体与艺术设计学院的包装工程，连续3次因“低效表现”被黄牌警告，后于2016年停止招生。

杭电教务处处长陈志平说，今年将要停招的11个专业，主要也是大数据分析“表现不够好”。

据介绍，11个专业中有4个专业因“专业转出率过高”。如海洋工程技术专业，学生转专业转出率从2015年的42.31％上升到2016年的70.00％，到2017年转出率高达73.33％。同样，管理学院的物流管理专业，转出率也从2015年的21.88％上升到2016年的52.94％，再到2017年的60％。陈志平认为，连续专业转出率过高，是学生依据自身体验进行调节的结果，“说明专业魅力不够。”

而11个专业中，还有4个专业是因为大数据显示“分流情况不理想”。如计算机学院的物联网工程，学校当初按照大类学科招生，大二时根据学生自主选择专业实行分流，2015年有84人选择该专业，2016年是65人，到2017年下降到了14人。通信工程学院的信息工程专业，2016年大二分流时有39人选择此专业，但到2017年，只有4人选择。计算机学院副院长林菲也认为，学生用脚投票，分流不理想，意味着该专业不受学生欢迎，有必要做出调整。

“被叫停”专业中，也有是因为“就业表现不够好”。如材环学院的环境科学专业的就业率，2015年、2016、2017年的就业率为88.89％、90.00％、95.00％，低于了全校97.17％、96.90％、96.88％的年度就业率。

徐江荣认为，在高考第一志愿报考率、转专业率、分流率、就业率等方面，部分专业持续表现上不够好，就说明有调整的必要。在他看来，“叫停专业”也是学校建设特色类大学优化专业结构的务实考量。

据悉，2014年在申报浙江省首批重点建设高校时，杭电就以“特色大学类型”申报，并承诺“做强专业”。“专业设置上，有所为有所不为，才能集中资源攥紧拳头做强专业。”

事实上，杭电此次叫停部份专业，除了大数据上的表现，从优化专业结构角度，也分几类情况。有的是在相似专业中做出取舍，如通信工程学院有信息工程、通信工程专业，在这俩“太相似”的专业中，根据大数据表现权衡之下砍掉了信息工程。也有的缺少优势、特色不鲜明，如应用物理学专业。“拿掉没有优势的，可以把资源聚焦到更强的专业上来”。

还有的是深化对专业的认识后的主动取舍。如物联网工程在各类权威排名中，杭电的这一专业表现都不错。徐江荣说，设在计算机学院的物联网工程，虽然在省内乃至全国排名都很靠前，但这些年来越发发现“国内这个专业的知识体系很不健全”，“同在计算机学院的计算机科学与技术专业很强，完全可以把物联网的内容纳入到计算机科学与技术专业的培养，物联网工程的师资资源也可以充实到计算机科学与技术专业中去。”

最后一种砍掉的是社会需求不大和正在萎缩的专业。如市场营销、编辑出版学等。

在高校大扩招、大而全设专业的背景下，不少高校都存在专业设置过多、过细的情况，采访中，不少高等教育的研究学者也已关注到这一占，并认为过度分散资源并不利于高等学校的专业建设。

上海出版传媒研究院长期研究高等教育的学者肖纲领认为，如杭电这般在浙江省乃至全国范围内都大幅度地砍专业，也是在主动卸下高校大范围扩招、大而全设专业时代留下的包袱。“聚焦基础好、有特色的专业是必然趋势，不仅杭电这样的特色类大学，综合类大学也有此必要。”

肖纲领同时认为，国家“双一流”建设计划的启动，促使高校整体布局和学科建设有了新的方向。在这一轮新的竞争中，高校瞄准学科建设，聚焦人才培养，是核心要义所在。根据自身综合性还是特色性、学术型还是应用型的定位，裁撤某些学科，有利于学科优化与更新，避免高校“大而全”的同质化发展。

“用‘数量减法’换‘特色加法’。”徐江荣称，无论做专业数量的减法，还是做专业建设的加法，目标只有一个，就是做强优势特色。他表示，下一阶段，学校还要砍掉至少5个专业，达到精减专业数量优化专业结构的目标。

来自：数据观 https://shujuguan

DT时代，我们每天都会收获来自各种渠道的海量数据，它们是对我们上一步行动的反馈，但人脑消化数据的能力却是有限的——如何及时洞察数据中的涵义，就需要数据可视化工具的帮助了。然而，图表的类型非常丰富，如何做出正确的选择，达到“一图胜千言”的效果呢？

［数据的五种关系］

首先，我们需要了解，数据通常包含五种相关关系：构成、比较、趋势、分布及联系。

构成

主要关注每个部分所占整体的百分比，如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到饼图。

比较

可以展示事物的排列顺序——是差不多，还是一个比另一个更多或更少呢？“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选条图。

趋势

是最常见的一种时间序列关系，关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用线图更好地表现指标随时间呈现的趋势。

分布

是关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用柱图；同时，还可以根据地理位置数据，通过地图展示不同分布特征。

联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系，比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用气泡图来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

对信息中包含的5种关系，可以简单归纳如下：

构成：占总体的百分比

比较：项目的排名

趋势：如何随着时间变化

分布：项目的频率情况

联系：变量之间的关系

［图表的具体适用场景］

下面，我们具体来看一下图表特点及适用场景：

以下图表均制作于数据观

条图

条图表达比较关系，按照强调的方式可以排列任何顺序，适用于高亮Top3或Top5数据，如在零售行业中统计畅销品的销售情况就是很好的应用。它是最通用的一种图表，应在所有的图集使用中占到25%。

柱图

柱图用高度反映数据差异，用来展示有多少项目（频率）会落入一个具有一定特征的数据段中，比如分析公司人员构成是否存在老龄化现象，可以通过柱图看到25岁以下的员工有多少，25岁到35岁之间员工有多少等这种年龄的分布情况。同时，柱图还可以用来表示含有较少数据值的趋势变化关系。

分析图形有单指标柱图、多指标柱图以及堆叠柱图类型。

（1）、单指标柱图

（2）、多指标柱图

（3）、堆叠柱图

线图

线图可用来反映随时间变化而变化的关系，尤其是在趋势比单个数据点更重要的场合。

在柱图与线图的选择过程中，可以考虑数据的本质。柱图强调的是数量的级别，它更适合于表现在一小段时间里发生的事件，产量的数据很适合这个领域。线图强调的是角度的运动及图像的变换，因此展示数据的发展趋势时最好使用它，存货量就是一个很好的例子。柱图和线图的使用应占到图集看板的50%左右。

线图类型中可以有单线图，还可以在图中进行多指标趋势性比较。

（1）、单线图

（2）、多指标趋势性比较

饼图

构成比例关系时，最好使用饼图，给人一种整体的形象，可以展示每一部分所占全部的百分比，比如产品A预计销售额占到所有产品销售额的最大份额。

为了使饼图尽量发挥作用，在使用中不宜多于6种成分。人的眼睛比较习惯于按顺时针方向进行观察，所以应该讲最重要的部分放在紧靠12点钟的位置，如果没有哪一个部分比其他部分更加重要，那么就应该考虑让它们从大到小的顺序排列。

数据观除了有标准饼图，还提供中空饼图和环形饼图两种类型。

（1）、标准饼图

（2）、中空饼图

（3）、环形饼图

Attention！不适用饼图的情况

饼图是通过面积呈现数据的变化，当各指标所占比例接近时，无法直观的判断面积的大小，此时选择条图来呈现，规律就更加清晰。饼图是应最少使用的图表，在所有的陈述和报告中其使用率应少于5%。

错误的图表类型：

正确的图表类型：

气泡图

气泡图判断两个变量之间是否存在某种关系，可反映五维数据。每个气泡的不同颜色或标签，以及气泡点大小，都可以反映一个维度。一般使用率为10%。

KPI图

最直接显示结果，适用于高亮关注指标值或者差异，可以通过主要指标和次要指标进行体现。信息量避免过多，越直观越好。

面积图

与折线图较为类似，面积图强调变量随时间而变化的程度，也可用于引起人们对总值趋势的注意。用填充了颜色或图案的面积来显示数据，面积片数不宜超过5片。

漏斗图

漏斗图用来表示逐层分析的过程，从一个总值（最顶端），不断除去不关心的部分，最终得到关心的值的过程。

多用于业务流程比较规范、周期长、环节多的流程分析，通过比较各个环节宽窄大小，能够直观地发现和说明问题所在。常见应用场景：电商网站、营销推广、CRM等。

1）电商网站：通过转化率比较能充分展示用户从进入网站到实现购买的最终转化率。2）营销推广：反映搜索营销的各个环节的转化，从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失。

3）CRM：销售漏斗图用来展示客户各个阶段转化比较。

金字塔图

金字塔图用于展示类似金字塔的层级结构和数据量。例如某个国家的收入分配，金字塔顶部显示高收入类别，逐渐降低到代表低收入的底部。

雷达图

雷达图可以用来表现一个周期数值的变化，也可以用来表现特定对象主要参数的相对关系。

雷达图多用于在财务分析中，用来分析企业负债能力、运营能力、盈利和发展能力等指标。

地图

地图是信息密度最大的数据可视化方式，人们在日常生活中就使用地图，所以能直观理解地图。

数据观基于不同的视觉化原理提供三种地图：区域地图、散点地图和热力地图。

（1）、区域地图

区域地图是按照国家、省市行政区划分，用来展现地理信息，以及与地理位置有关的信息，指标的多少可以用颜色深浅区分。

（2）、散点地图

散点地图基于高德地图实现，通过定位经纬度，用散点来表示所在位置的信息指标。

（3）、热力地图

热力地图以特殊高亮的形式显示访客所在的地理区域的图示，不同颜色反映不同区域密度的分布。

表格

表格可以通过拖拽所关心的指标，如通过一级、二级分类，了解更加明细的数据，起到数据透视表功能。

综合使用

饼图、柱图、条图、线图、气泡图可以组成可视化报告90%图形，其他视觉化展示可以将图表组合起来综合使用。

以上就是为大家提供的图表基本使用原则，适用于日常工作中大多数的图表制作。

最后，希望大家都可以需要根据自己想要表达的信息选择合适的图表，让数据可视化帮助我们的大脑减负，替我们的数据说话。

作者：华律自媒体专栏律师 王福玲

以下是从1579份离婚判决书中得出的结论

一：婚姻几年之痒---我想坐时间飞船赶到前面看结局

1、离婚爆发“高危区”，是结婚3-5年。

2、闪婚族(离婚夫妻中认识半年以内就结婚的），比例最高。

3、离婚夫妻的择偶方式，经人介绍认识，比例最高。

二：离婚由谁提出--婚姻的列车上谁把谁抛下：

1、女方更容易提出离婚（占总体比例的68.06%）

男尊女卑，三从四德等传统观念一去不复返。

2、30岁离婚群（25-30岁离婚人群所占比例最高）。

三：能否脱离--宁毁十座庙，不破一桩婚。

第一次起诉判不离的占70%左右。

四：离婚原因--给我一个不爱你的理由。

幸福的家庭都是相似的，而每个不幸的家庭都有各自的不幸。

离婚原因前五位的：性格不合；长期分居；婚外情；家庭暴力；家庭琐事；

五：离婚过错问题--是谁谋杀了我的爱情。

下列原因：无过错方有权请求损害赔偿（不仅包括物质同时包括精神）重婚；与他人同居；家暴；虐待、遗弃家庭成员。司法实践中被法院最终认定的少之又少，原因就是取证的困难。

六：再婚的离婚问题--踉踉跄跄的受伤，跌跌撞撞的坚强。

心理学家指出，再婚的离婚率比初婚的离婚率高10%

七：子女抚养问题-逃离原生态家庭的魔咒。

1、法院判决子女归母亲抚养的比例高于父亲，司法实践中倾向对妇女权益的保护。

2周岁以内：母亲取得抚养权80.65%，父亲19.35%（一般归女方）

2-10周岁： 母亲取得抚养权59.88%，父亲：40.12%（综合考虑，有利于孩子成长原则）

10周岁以上：母亲 53.19% ；父亲：46.81%（尊重孩子的意愿）

2、孩子大了，婚也该离了。

子女在4-6岁之间，离婚率最高，（入学年龄，对父母的依赖性降低；父母对子女教育矛盾显现）

八：子女抚养费包括生活费，教育费和医疗费。生活费每月在500元左右的比例最大，占56.84%

九：财产处理情况：明年华发虽可啄，却不道人去梁空巢也倾。

涉及房产法院最终处理的比例为21.57%

涉及车辆法院最终处理的比例为51.81%

涉及存款法院最终处理的比例为36%

涉及股权、股票、基金、债券、保险，处理比例为15.38%

财产本身权属不明或法院不宜做出判决，在离婚判决中并未一一处理。

债权处理比例为33%，债务处理比例为52%

十：是否请律师--黑暗旅程幸好有你相伴。

女性请律师占66.47%

男性请律师占33.53%

同时请占30.7%

说明女性维权意识有了显著提高，同时因为女性在婚姻生活中合法权益更容易遭受侵害。

十一：诉讼程序--其实最好的告别，是将你遗忘在路上。

第一次诉讼，简易程序占72.96%，普通程序占27.04%

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

大数据市场是一座待挖掘的金矿。随着数据使用量的增长，将有更多的人通过数据来寻求专业问题的答案。可视化数据分析工具的出现让人们可以通过将数据可视化来探讨问题、揭示洞见，用数据分享故事。甚至于不懂挖掘算法的人员，也能够为用户进行画像。

BI（Business Intelligence）即商业智能，越来越多的智能软件供应商推出可视化数据分析工具，应对企业业务人员的大数据分析需求。然而如果你觉得不是数据分析专业、没有挖掘算法基础就无法使用BI工具？NO，自助式分析工具已经让数据产品链条变得大众化。为了更好地帮助读者选择分析工具，本文将为大家介绍11款数据分析产品，排名不分先后！

1.数说立方

网址：http://cube.datastory/

数说立方是数说故事新推出的一款面向数据分析师的在线商业智能产品。最重要的特点是配备百亿级社交数据库，同时支持全网公开数据实时抓取，从数据源端解决分析师难点；另外数说立方搭载了分布式搜索、语义分析、数据可视化三大引擎系统的海量计算平台，实现数据处理“探索式分析”和“秒级响应”的两个核心功能。同时数说立方是数说故事三大主打产品之一，并与其他两大产品数说聚合和数说雷达实现从数据源、数据分析、到数据展示完整的数据解决方案。

优点：

即便是个人免费版，体验和功能仍然非常好；

与自家产品“数说聚合”的无缝接入，支持定向抓取微信、微博等数据；

功完善，集数据处理、特征工程、建模、文本挖掘为一体的机器学习平台；

可视化视图展现、友好的客户感知页面；

支持SAAS，私有化部署，有权限管理；

缺点：

产品新上市，操作指导页不太完善；

体验过程中有一些小bug；

2.数加平台

网址：https://data.aliyun

数加是阿里云发布的一站式大数据平台，可以提供数据采集、结构化、加工到展示分析整套的一站式数据服务。 可采集不同系统及物理存储的源头数据，在分布式计算平台上进行数据的深度整合、计算、挖掘，将计算的结果通过可视化的工具进行个性化的数据分析和展现，也可直观的展示分析现有云上业务系统的数据库数据。

优点：

有完整的产品规划，功能完善；

图形展示和客户感知良好；

提供SQL查询；

缺点：

需要捆绑阿里云才能使用，一般用户还不能真正使用起来；

部分体验功能一般，有一定的学习成本；

3.Tableau

网址：http://tableau/zh-cn

Tableau是目前市面上较为成功的BI工具。产品既有针对性，又有普适性。拖放式界面，操作简单。数据兼容性强，适用于多种数据文件与数据库，同时也兼容多平台，windows、mac、Online均可使用。而且重要的一点是免费为用户安排现场培训或按需求进行在线培训。

优点：

处于行业领导者地位，功能完善；

有较好的图形展现与客户感知；

新产品开始支持云端展现，但是需要客户端支持；

缺点：

相比于商业智能BI，更像一个基于数据查询的数据展示工具；

处理不规范数据、转化复杂模型比较难；

无法处理大量数据；

国内网络连接Online版速度较慢；

4.Qlik

网址：http://global.qlik/cn

QlikView只需轻轻单击几下，就可以对所有数据源进行合并、搜索、可视化和分析，可在不影响性能的前提下连接到多个数据源；其次视图种类丰富，界面简洁，互动性强，总体来说是一款简单易用的BI产品。Qlik用户可通过各类可视化效果，将Qlik扩展到任何应用程序中。另外用户也可以通过使用标准的和最新的网络API，可将可视化效果数据嵌入网站或应用程序。

优点：

产品功能完善，图形展现和客户感知良好；

支持SAAS，有权限管理功能；

缺点：

有一定的学习成本；

报表规范性要求很高；

数据抓取功能都非常弱，需要有非常好的数据仓库作为基础；

5.Spotfire

网址：http://spotfire.tibco

Spotfire服务对象是一线工作人员和日常决策人员，其交互界面形象易懂，无需写脚本语言和编写程序就可以对数据进行添加、分离操作。内置搜索引擎，可以随意查找任意信息。支持R、S+等统计、挖掘功能；有丰富、开源的R模型。标记有自身特色，提供了过滤、钻取等功能，多个标记同时还可以实现图形化的集合运算。

优点：

交互界面形象易懂，即使是普通的业务人员也能轻而易举地进行复杂的数据分析；

不一定要建数据仓库，还可以直接从多个异构数据源提取数据进行分析；

支持SAAS，有权限管理功能；

缺点：

SAAS版只支持30M，由于是国外服务器所以上传很慢；

不适合中国式的固定报表；

进军中国市场较晚，国内案例较少；

工具的适应性范围广，但是难易跨度大；

6.神策分析

网址：http://sensorsdata/

神策分析的产品有完整的使用文档，每个模块都有详细的使用说明以及示例，降低了用户的学习成本。而且支持私有部署、任意维度的交叉分析，并帮助客户搭建专属的数据仓库。目前提供事件分析、漏斗分析、留存分析、数据管理等功能，未来预计会增加用户分群、用户人群分析、推送和异常维度组合挖掘等

优点：

专注于用户行为数据分析，不追求做大而追求做全；

有详细的产品使用文档以及案例；

提供SQL查询；

缺点：

更多的是demo示例，不能开箱即用；

纯dashboard展示，并不能对单独一块数据作自定义分析；

7.BDP

网址：https://me.bdp/home.html

BDP个人版免费，只需导入数据，设定分析维度，即可实时得到图表分析结果。示例和视频教学很细致，交互页面友好。每次数据更新，对应的图表也会自动更新，可以免去一些重复制作的工作。分享环节也很贴心，报告可以一键导出为PPT、邮件发送，也可直接生成链接分享。

优点：

产品支持移动端；手机同步呈现最新数据

首次登陆的用户可以使用免费数据；

操作体验流畅，界面友好，功能全，总体来说是一款不错的产品；

即便是个人免费版，体验和功能仍然非常好；

缺点：

暂时用起来还不错，我比较喜欢用这个工具；

8.永洪BI

网址：http://yonghongtech

永洪BI是一款可在前端进行多维分析和报表展现的BI软件。支持拖拽操作，数据源格式多样，提供不同级别的查询支持，支持跨库跨源连接。另外永洪提供了一款数据存储、数据处理的软件——MPP数据集市，可与BI打通，使得数据查询，钻取和展示的速度大幅度提高。不过其产品用户体验一般，拖拽过于自由，导致仪表盘布局不好控制；主题样式虽多但是给人感觉样式还是很传统。

优点：

商业流程完善，给人专业的感觉；

产品定制化的版本效果不错；

支持的数据接入较多；

缺点：

SAAS版体验很差，有一定的学习成本；

UI的视觉效果一般，整体可视化效果不够现代化；

9.数据观

网址：http://shujuguan

数据观的功能设计理念是极简、无门槛，所以它最大的特点就是简单。数据观数据来自云端，如：百度 网盘、微盘、salesforce等。数据上传后，马上有推荐图表，引导明确。另外产品的使用没有技术门槛，无需专业IT知识，同时适用于非专业分析师出身的业务人员，可以快速将数据转化成直观的图表，适合一开始接触数据分析工具的非专业数据从业人员。

优点：

注册只需填写邮箱，且支持明道账号登陆；

使用引导明确，支持salesforce、百度云数据导入；

分析结果支持链接分享，大大降低用户的沟通成本；

缺点：

不支持超过20MB的数据上传；

数据导入后，数据分析体验方面存在bug；

产品的使用以点击为主，不支持拖拽操作；

10.FineBI

网址：http://finebi/

FineBI分为数据处理、可视分析和分享公用三大功能模块。支持多种数据源，图表风格清爽美观，可选择任意维度分析。分析页面由控件和组件组成，控件和组件的数量是可以添加至任意多个，但是布局的交互比较僵硬，且使用逻辑有点乱，引导不明确。需要安装本地客户端才能使用。

优点：

有较为详细的行业案例与技术方案；

产品演示和资源中心也较为清晰；

缺点：

需要使用客户端，增加了使用的不便利性

只有仪表盘展示，BI报表需要另一款产品；

无法处理大量的数据；

11.魔镜

网址：http://moojnn

魔镜支持自动拖拽建模，同时可视化效果库十分酷炫。用户可以邀请团队成员到自己的项目，合作进行探索分析，并且按照需求有效控制访问数据的成员权限。产品模块规划完整，有基础企业版到hadoop等5种选择为，而且可以支持定制化服务。但是可能是云平台版的缘故，使用过程中出现不少BUG，企业版的体验可能会相对好一点。

优点：

产品模块的规划比较健全，其中包括数据源导入、数据分析、仪表盘、数据挖掘和数据工厂；

官网的设计不错，模板选择性大，颜值控可能会喜欢；

工具使用指导清晰，使用篇和方法篇等比较详细；

缺点：

产品存在较多的BUG，UI和功能相对其他产品来说较简陋；

部分产品模块并不能切实用于数据分析；

选择一款适用的BI产品，能够大大简化数据分析的繁杂工作，提高分析效率与质量。当然，以上每个工具各有优点，工具地址都给大家了，接下来就是轮到你动手的时候了，找一个自己喜欢的工具，开始吧！