“Excel数据透视表有一个灵活的特点，根据你的需求实时变动汇总方式”

01

—

实例分析

如下所示：是一份销售流水数据，有时间，月份，区域，商品，数量，金额几个字段，如下所示：

现在针对不同的数据汇总需求，可以制作不同的数据透视表进行汇总分析数据，关键是各个字段需要放置的位置不同，从而得到我们想要的结果

02

—

呈现数据方式案例

问题1、需要知道各个区域销售的数量和金额情况？

思考几秒钟，这种需要将“区域”字段拖动至行，将“数量”和“金额”字段拖动至值即可，操作窗口如下所示：

问题2：需要知道每个区域，各种商品销售的金额，有两种展示方式

第1种是将区域和商品字段都拖入行，将金额插入值，效果如下：

第2种是将区域拖入至行，将商品拖入至列，将金额拖入至值，得到的结果如下：

问题3：需要知道各个区域，各种商品销售的数量和金额情况，也有两种展示方式

第1种是将区域和商品两个字段拖入行，将数量和金额拖入值，展示效果如下所示：

第2种是将区域插入至行，将商品拖入至列，将数量和金额拖入至值，展示效果如下所示：

从中我们总结一个数据透视表的规律，当我们的值标签里面有两个字段时，最好列标签里面不要放内容，要不然表格会很庞大。

问题4：需要知道每个区域每个商品，每个月销售金额是多少

当然根据自己的需要，月份，区域，商品，三个字段的位置可以调整，并且行项目里面可以上下级的更换位置，如下是商品和区域调换位置的结果：

主要看我们分析的侧重点在哪，然后决定字段的位置摆放

本节完，有什么不懂的可以留言讨论，期待您的转发分享

欢迎关注，更多精彩内容持续更新中...

--------------

搞定Office每周三更新

「搞定Office」是黑马公社全新的七大版块之一，每周三更新，教授Office等办公软件的各种应用技巧。

◆◆◆

如何利用数据透视表快速进行数据汇总

黑马说：在Excel2013版本中，大家知道如何对繁杂的数据进行梳理，通过分析查看数据背后的联系吗？今天黑马就教你通过数据透视表快速的进行数据汇总！

投稿：千禧世代

◆◆◆

图文说明

操作放法

打开EXCEL表格，点击 “插入” 菜单栏，在最左端有一个“数据透视表”。

点击后会弹出一个“创建数据透视表”的对话框，然后再点击右方的按钮。

再点选我们需要做统计的范围，以下是示例中点选范围。

然后再选择放置数据透视表的位置，点选“新工作表”，这样它会在保存的时候新建一个工作表，然后再点击确定。

这样它就会新建一个工作表，起名为“Sheet1”。然后我们在右侧——“数据透视表字段”下方，将“职称”拖到行标签下，“籍贯”拖到列标签下，”基本工资“拖到值标签下。

然后左侧表格就显示出来了，我们再给其加一个边框，就成了如图所示的样子，一张数据透视表就完成了。

分析

我们可以从这个表中分析得出，唐山市的讲师基本工资是983元，而其教授的基本工资是900元。

这里讲师的基本工资是所有唐山市讲师基本工资之和，而总计下方表示的是唐山市所有职称的基本工资之和。

这个表里的所有数据都是通过求和计算的，如果我们想求其平均值，我们需要这样操作：在表格右方”数据透视表字段“中的”值“列表下，有一个倒三角符号，点击之后在下拉菜单中，选择”值字段设置“。

在值汇总方式下方，选择“平均值”，点击确定后，列表中的数据就是平均值的结果。

注意：

1.在选择区域的时候，一定要连带表头一起选择。

2.为了不影响之前的数据信息，建议在新表中创建数据透视表。

一、浙江近三年的高考最低控制分数线

2018年浙江最低控制线：普通一段588分 二段490分，三段344分。

2017年浙江省高考各批次分数线公布，具体如下：

第一段分数线：577

第二段分数线：480

第三段分数线：359

2010-2016年浙江高考各批次录取控制分数线

因为浙江在2014年实行高考新改革，所以最有参考价值的是2017年和2018年，而在这之前（包括2016年）的数据，因为现在的文理不分科和七选三等原因，所以相对来说，参考价值不是特别大。单纯地从2017年和2018年的最低控制线来看，一段二段今年都是增长了10分或者是10分以上，而三段线则是降低了。今年浙江的语文试卷吐槽很多，小编就不细说了。

二、浙江2018年上海院校的投档线

三、浙江2017年上海院校的投档线

四、数据分析

1、报考人数

今年高考浙江省有30.6万考生，比去年增加1.5万余人。其中普通高校招生报名26.1万人，单独考试招生报名4.5万人。

2017年浙江省有29.13万考生，比去年少1.6万人。其中普通高校招生报名25.01万人，单独考试招生报名4.12万人。

2016年，普通高校招生报名26.86万人(文科9.95万，理科16.91万)，比2015年减少1.13万人(文科减少0.33万、理科减少0.8万);高职单考单招报名3.88万人，比去年增加近900人。

2015年浙江省共有31.79万考生报考高校招生，比2014年约减9%。其中，普通高考报名28.00万人(文科10.28万，理科17.72万)，比2014年减少2.86万人(文科减少0.97万、理科减少1.89万)。2015年浙江高职单考单招报名3.79万人，比2014年减少近4000人。

从2015年到2018年，浙江的高考报考人数是一直增长，真是满满的压力啊。

2、招生计划

复旦大学2018年在浙江的招生计划数是25人（其中文科12人，理科10人，医学3人），2017年在浙江的招生计划是33人（其中文科20人，理科10人，医科3人）；上海交通大学2018年在浙江的招生计划是17人，2017年则是19人；同济大学2018年在浙江的招生计划数是137人，2017年是139人。小编看到一组悲伤的数据，这边浙江报考人数在增长，而那边上海院校在浙江的招生计划瘦身却是在减少，看来对浙江的考生来说，想要在江浙沪包邮区读书的梦想实现是有点曲折啊。

2017年浙江高考计划招生240900人，其中本科计划125500人，高职专科115400人。

浙江省的2016年普通本科计划超过14.45万。同时，985、211高校2016年安排在浙招生计划也比2015年有增加。高水平大学三位一体招生计划1270余名，比2015年约增300名。

3、录取分数

2018年浙江省一段上线人为53141人，普通高考首段录取各类新生7.45万名，其中普通类平行一段录取4.39万名，艺术类第二批第一段录取0.83万名，体育类平行第一段录取0.13万余名。二段录取近9万人（包括艺术类和体育类）。按照以上的数据，小编大致估算，2018年浙江的一本录取率大概是在16%左右。

2016年浙江高考实际录取人数为27.56万余人，录取率为89.7%，比2015年提高2.6个百分点。普高统一招生录取本科15.04万人，本科录取率达56%，比去年提高1个百分点。“985”“211”高校实际录取1.67万人，比2015年增加270 余人。

看到上面的数据，小编不知道同学你的内心有何想法，上海这些顶尖院校的门槛不是一般地高，而且招生计划也不是一般地少，加油吧。

教育部明确要求，确保各地高考录取率不能降低。所以，小编大胆地猜测，2019年我们浙江省的一本录取率应该是还要上升，大概是在18%左右。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析，是运营中很重要的阶段，是信息流推广中一个非常关键的工作，拥有一套清晰的账户数据表，能让你的数据分析过程，轻松自如、得心应手。

笔者在进行数据分析的时候，一般会用到五张表，这五张表进行分析汇总，然后发现账户中的问题，最终解决问题，让账户效果变得更好。

1、营销流程数据表

2、计划消费数据表

3、搜索词报告表

4、多维度数据表

5、关键词报告

营销流程表格

统计营销流程数据（包括各账户展现、点击、消费、平均点击价格）、统计商务通有效对话、统计预约系统的预约量和到诊量，这些全部放在一张表格上，方便计算预约率和到诊率，也方便对比近期的数据，及时发现波动和异常。

如果经常账户提前下线，或者钱花不出去，就要看看是不是市场有波动，或者竞争对手有大动作，还是账户哪里出了问题。都可以在营销流程数据表中找到问题。只有细心的统计数据，才能为以后的优化方向做好铺垫。

昨日计划消费数据报表

统计昨日计划消费数据，把咨询和预约归类在这张表上统计，可以直观的看出消费、对话成本、预约成本和到店成本。

如果某计划成本过高，就要看一下这个计划的投产比合理不合理。短平快、风险小、利润大的计划，会比其他成本要高，这个要结合公司的经营方向来做调整，把成本控制在一个可以接受的范围里。

搜索词报告

搜索词报告，一般1周统计一次，数据量大的时候3天一次，然后把搜索词报告和和关键词报告进行合并统计。可以很直观的看出某个词的展现或者点击。把这些词在账户里重点标记，或者单独管理，对账户优化有很大意义。

这样结合来看，可以让你对整个账户关键词和数据方面了解会非常清晰。再结合数据分析思路，持续优化账户，往好的方面发展，往高质量方面走。这就是小编整理的数据分析所用到表格的分析。希望能帮到正在竞价一线奋斗的竞价员们。

多维度数据表

多维度数据表是把账户数据和客服转化数据结合起来的一个非常重要的表格，我的习惯是把关键词、搜索词、展现、点击、消费、对话词，通过EXCEL的（vlookup）函数调用，把这些数据全部展现在一张表里，这样就不用看好几张报表，劳神劳力还容易迷糊。

通过这张表，可以直观的看出该关键词的展现量、点击量、消费情况以及是否产生对话。针对这些数据，可以很直观的看出来很多问题，调价、添词、否词、优化账户，基本上全靠这张表。

竞价员可能要看好几张表格，而且容易混乱，很难发现问题，所以在这里笔者着重推荐多维度数据表，然后结合关键词报告，这两张表是较为重要的。

关键词报告表

高消费的词通常是核心词，这种词出价都高，但只要着陆页问题不大，转化还是不错的。这种词，可以往上抢一抢，这类词虽然出价高，但点击总体不会太多，消费一般在一半以上，在账户预算够的情况下，尽力保证排名。如果预算不足，就找出主推项目和利润最大的项目来调整。

一般关键词报告是结合搜索词报告一起看的。每天在筛选完这张表之后，根据关键词的数据分析，如果实在没有点击，那就直接否掉。否掉一批词，再往账户里新增一批词，把该否的否掉，该删的删掉，注入新鲜血液，账户才更有活力。

日常中，我们利用Excel表格较多，若出现一张表多家单位使用时候，或者多个表格重复某个数据，那么如何汇总起来呢?我们可以借助相关软件进行汇总。希望本文能帮到你。

问题

现一张表多家单位使用时候，或者多个表格重复某个数据，那么如何汇总起来呢?

方法/步骤

一、建立属于自己数据报表

表格不一致，利用自己制作好Excel表进行复制过来，重新修改。打开软件【高级】-【报表定义】

步骤：新增报表，编号报表（报表唯一号，不能为空），选择报表类型，我们一般都是固定表格，所以选择【行列固定】其他可以根据情况输入。

二、设置自己表格，可以复制粘贴过来。利用合并窗体来设计。

双击进入表格设计，第一行全是设计功能键，我们可以设置表格样式，或者你已经有了模板，直接复制粘贴进去，调整字体以及单元格大小。

给单元格进行类型设计，如字符型，数字型等。统计数据我们都使用数值型，将小数点设置两位，根据表格形式设立。

三、如此类推，将所需表格设置好

在表集中可对报表属性进行修改，切记，若建立好报表，填报数据保存之后就不能更改报表格式，但公式还可以修改。

四、数据填报

将各家单位数据填报进去，数据填完整之后，我们可以进行数据汇总。

五、数据汇总

步骤：数据填报完成之后，可以新建汇总封面，意思是你汇总单位属性设置，填报汇总单位信息之后，他们数据都归在旗下。

点击汇总，就会提示【完全汇总完成】

六、汇总明细查看

步骤：汇总完成之后，点击【编辑】，就会发现各家单位数据都在汇总旗下。我们可以查看汇总数据。

例如：我们查看某个数值，它的明细。

我们可以利用久其软件进行汇总，减少很多不便，对于没有数据系统用户来说，这工具既简单又实用，不妨试下。对于数据汇总方式有很多方法进行。Excel也能汇总，但多家单位一起汇总，设置公式较多，容易错乱。因此借助某些软件进行汇总，可以更快速获得有用的数据。

注意事项

1、建立汇总封面才能显示汇总数据；2、各家单位要对应上级代码是一致。

更多数据管理经验关注【电脑帮帮手】，专注于计算机、信息管理，期待您关注和支持！

部分大数据入门帖子

000

我通过 数据挖掘入门,自学人工智能,python入门,nlp是什么,统计学入门,大数据入门,爬虫是什么意思,学习大数据要什么基础,数据分析师适合女生嘛,自学大数据该怎么入手等63个入门相关关键问题，找了200篇左右的高票入门帖子。我想通过python自动抓取这些帖子每天的访问量变化，分析出这些帖子的商业价值。那么我是怎么做的呢？

001

因为我的帖子信息整理在excel里，我把它们存储成csv，以便python可以读取，要得到文章的阅读数，能通过python抓取网页，分析网页中的阅读数得到数字，所以要把csv里的url取到python里变成数组

import csv

def get_all_urls():

csv_reader=csv.reader(open("/.../url100.csv"))

r = []

for row in csv_reader:

if row[1] == 'url' or row[1] == '':

continue

r.append(row)

return r

每个网站文章页的格式不一样，意味着每个网站我们要写一个获取阅读数的方法对吧！所以我们需要一个辅助函数，拿帖子的url分析出这个帖子的域名，根据域名才能选择正确的获取方法哦～～

def get_domain(url):

domain = (url.split("/")[2])

return {

"jianshu":"简书",

"blog.csdn":"CSDN",

"zhihu":"知乎",

"zhidao.baidu":"百度知道",

"cnblogs":"CNblog",

"sohu":"搜狐",

"jingyan.baidu":"百度经验",

"blog.jobbole":"伯乐",

"douban":"豆瓣",

}.get(domain,"未知"), domain

OK！！我们的两个辅助方法都有了。

002

本文的重头戏来了～～，核心的方法

get_read_count(url, domain)

，看看名字就知道了，根据url和域名获取文章点击数。咱的思路是这样的，第一天，获取一遍所有帖子的，第二天再获取一遍，3，4，5，6天。这样，每天的每个帖子的阅读数变化就出来啦。说着容易，做起来坑不少。

坑1 我们是用requests模块get方法获取的网页全文，很多网站都会判断是不是正常的浏览器访问，咱们需要把headers写成跟浏览器请求一样，如下：

headers = {

"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"

}

r = requests.get(url,headers=headers)

# print(r.text)

得到了网页内容，就该xpath上场了，先分析下阅读数的html特征，我们一般可以用xpath得到阅读数，比如：

if domain == 'blog.csdn': result = root.xpath("//span[@class='read-count']/text()") return (result[0].split("：")[1])

坑2 但也有很多网站用了js的方法动态获取阅读数，此时就需要动一些小小的脑筋了，此处只放出一个小例子：

if domain == 'blog.csdn':

result = root.xpath("//span[@class='read-count']/text()")

return (result[0].split("：")[1])

* 坑2 但也有很多网站用了js的方法动态获取阅读数，此时就需要动一些小小的脑筋了，此处只放出一个小例子：

if domain == 'xxx':

result = root.xpath("//span[@class='read-num']/text()")

m = re.search(r'news_id: \"\d+', r.text)

qid = (m.group().split(": \"")[1])

pvurl = "https://v2.xxx/public-api/articles/" + qid + "/pv?callback=jQuery112406240523630131836_1532664955380&_=1532664955381"

# print(pvurl)

pv = requests.get(pvurl, {

"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"

,"Referer":url

})

return (pv.text.split("(")[1].split(")")[0])

基本思路就是这样：去找到这个文章的阅读数的请求，自己用python拼装请求，得到内容。

003

好，锅也预备了，菜也该炒了。最后一步每天遍历访问一下：

urls = get_all_urls()

# print(urls)

for i in range(len(urls)):

title = urls[i][0]

url = urls[i][1]

# print(url)

doaminName, domain = (get_domain(url))

count = (get_read_count(url, domain))

print(url + "," + doaminName + "," + count)

004

新鲜的数据来了~~~

只列出增长最高的一些数据

最后得出总计1.6w多人一天来看过这些文章，价值多少呢？

005

需要全部帖子的，需要完整分析程序的，或正在自学大数据机器学习的，可以戳下面的连接找我，我叫API1024戳我

为什么数据分析思维重要

如果我们在分析一个问题前，思维缺失就像下面图中所表达的一样，往往不知道问题从哪里下手，在这个时候就轮到平时锻炼的数据分析思维了。

核心数据分析思维

结构化

可以看作金字塔思维，把待分析问题按不同方向去分类，然后不断拆分细化，能全方位的思考问题，一般是先把所有能想到的一些论点先写出来，然后在进行整理归纳成金字塔模型。主要通过前面介绍的思维导图来写我们的分析思维。

案例现在有一个线下销售的产品。我们发现8月的销售额度下降，和去年同比下降了20%。我想先观察时间趋势下的波动，看是突然暴跌还是逐渐下降。再按照不同地区的数据看一下差异，有没有地区性的因素影响。我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，是不是这个原因。客户访谈也要做，但是往常一直找不出原因，这次我也不抱希望，姑且试试吧。要是还找不出原因，那我也很绝望啊。

公式化

在结构化的基础上，这些论点往往会存在一些数量关系，使其能进行＋、－、×、÷的计算，将这些论点进行量化分析，从而验证论点。

业务化

业务化即是深入了解业务情况，结合该项目的具体业务进行分析，并且能让分析结果进行落地执行。用结构化思考＋公式化拆解得出的最终分析论点再很多时候表示的是一种现象，不能体现产生结果的原因。所以需要继续去用业务思维去思考，站在业务人员或分析对象的角度思考问题，深究出现这种现象的原因或者通过数据推动业务。

增加业务思维方法：贴近业务，换位思考，积累经验

数据分析的思维技巧

在数据分析中，三种核心数据分析思维是框架型的指引，实际应用中还是需要很多技巧工具的。7种数据分析技巧，它们分别是象限法，多维法，假设法，指数法，二八法，对比法，漏斗法。

象限法

通过对两种维度的划分，运用坐标的方式表达出想要的价值，由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，广泛应用于战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等。

下图是RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

菜品销售增长率和销售利润

多维法

多维法是指对分析对象从多个维度去分析，这里一般是三个维度，每个维度有不同数据分类，这样代表总数据的大正方体就被分割成一个个小方块，落在同一个小方块的数据拥有同样的属性，这样可以通过对比小方块内的数据进行分析。如图，这是一个快餐店的外卖订单多维表：

虽然只有下单时间、菜品名称、平台三个维度。但根据这个立方体，已经能解决很多掌柜急需了解的问题了。

我们可以通过切片实现每个平台每种菜品的销量，每个月每种菜品的销量，某个月某平台菜品销售情况等等操作。

假设法

在一些情况下，如进入新市场的销量、商品提价后销量的变化情况，可能没有明细数据进行分析，那么就需要用到假设法。假设法也就是假设一个变量或者比率成立，然后根据部分数据进行反推，这是一种启发思维的技巧，一般过程是先假设后验证然后判断出分析结果。

例题：你是自营电商分析师，现在想将商品提价，你分析下销售额会有怎样的变化？解答思路：首先可以确定销量会下降，那么下降多少？这里就要假设商品流量情况，提价后转化率的变化情况，然后根据历史数据汇总出销量下降百分百，从而得出销售额的变化情况。

指数法

指数法是把某个数据多个指标按一定的计算转化为同度量的一个值，这个度量值称为指数。例如在一场游戏竞技比赛中要确定该场的MVP，则是需要根据击杀数、死亡数、助攻数、经济、补兵等指标进行综合计算出一个得分，得分高的为MVP。

指数法常用的有线性加权、反比例、log三种。线性加权即是把每个指标乘以一个系数后相加，反比例即是用数学上的反比例函数y=k/x变化后在计算，log即是数学中所说的对数一般以2为底数或者10为底数。指数法使用没有统一标准，一般是根据经验来做，将无法利用的数据加工成可以可利用的。例如，NBA计算最有价值球员的指数参考：

二八法

二八法即是二八法则也可以叫做帕累托法则，比如在个人财富上可以说世界上20%的人掌握80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

对比法

对比法就是用两组或两组以上的数据进行比较，常见的是用于在时间维度上的同比和环比、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用非常频繁，多与前面的技巧结合使用。

漏斗法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。不过，单一的漏斗分析是没有用的，不能得出什么结果，要与其它相结合，如与历史数据的对比等。

下图我用BI商业智能工具FineBI连接了CRM系统的数据，对客户的行为数据做了漏斗图形式的展现。

2017年是上海高考第一年“3+3”新模式下的高考，2018年的高考报名工作现在也全面启动，小编在前阵子刚刚整理了2017年上海高考录取相关的一些数据，今天来给大家分享一下，供新一年的高考生参考。

结论先行：

1、约5%的高三考生选择了在春考阶段升入大学；

2、上海的重点大学升学率名列全国前列，平均录取分达到526分；

3、重点大学主要招生计划7成分布在本地9所高校中，其中上大人数最多；

4、新高考改革第一年本地各高校录取分数并没有出现特别大的波动；

5、各高校投档线中外地高校的分数线普遍高于本地高校。

关于春考

在讨论“3+3”模式秋考之前，先说一句去年春考的数据，2017年春考总共23所高校招生，招生人数为2211人。由于春考的报名与1月份的学业考、英语一考同步进行，因此最终春考的实际报名人数并没有特别完整的数据。

2017高考整体数据

2017年上海高考总报名人数约4.7万人，其中本科院校招生人数约2.6万人，占比55%，也就是说大部分高考生都是可以升入本科院校的。

除此之外，985高校和211高校在上海招生人数分别约为2700人和6600人，占比分别达到5.9%和14%，也就是说上海2017年的高考生中有20%的人是可以升入985/211重点高校的。20%的重点大学升学率在全国来看仅次于天津地区位列第二，对于经历了非常残酷的小升初、中考选拔之后的上海高考生来说，高考的升学率其实还是非常可观的。

在分数方面，2017年上海高考不分文理、取消一本二本分数线，只设置了一条本科线——402分，而全国各985/211高校在上海的招生录取分数线平均分为526分，高出本科线124分。大家可以结合自己目前的分数来推算一下有多大的可能性可以升入985/211高校。

本地重点大学录取数据

全国985/211高校总计在上海招生约9000人，其中3/4的招生计划在本地的9所高校。（招生计划共分为：自招、综评、提前批、普通批、农村专项、艺术类、体育类）

其中本地的9所高校具体招生情况如下：

四所985高校总计招生人数达到了2772人，大部分为综评、提前批招生名额；

上财由于招生人数较少，同时又是财经类高校，分数线排名全国第10，上海第4；

上大作为以城市名命名的高校，在沪总计招生1633人。

高校投档分数线

985/211高校之外，小编特整理了上海和外地部分高校在2016年和2017年两年的投档线排位对比，仅供大家参考。通过下面两张表更加凸显了今年志愿填报整体还是呈现出一个相对稳定的态势。

几点说明：

1、2016年的排位以理科投档线为准，毕竟理科生较多，这个相对更有参考价值；

2、2017年的排位以各个专业组中分数线最低的专业组为准，投档线是该院校录取的末位考生的分数，因此选取分数最低的专业组相对更有参考价值；

3、排位差是指相比去年，今年的投档线排名差值，如：交大医学院去年投档线排位是第七，今年是第三，排位差=7-3=4。

分专业组分数线

我们再来细分到专业组来看一下数据：2017年上海高考本科普通批次，总共有990个专业组在上海进行招生，最终有75个专业组未有考生填报。小编在剩下的915个专业组中，拉取了投档线排名前100的高校专业组，其中来自上海的有11个高校的18个专业组，11个高校分别是：复旦大学、上海交大、交大医学、同济大学、复旦医学、上海财大、华东师大、上海外大、华东政法、华东理工、东华大学。

在投档线排名前100名的专业组中依然是以外地高校为主，一方面是外地高校在上海招生人数相对较少，另一方面是外地高校数量相对较多，所以导致了投档线相对较高（北大、清华在本科普通批次没有招生计划）。具体如下表（上海高校已标黄）：

专注于上海高考升学政策、名校招生信息、上海高校自主招生信息分享。

——上海高考生

2017 年马云在某次年会演讲中提到一件让他惊讶的事情。

在西湖边上他曾看到乞丐在用支付宝收款码进行乞讨，从界面操作上看该乞丐还能熟练应用支付宝提供的「生意通」功能，研究本周的乞讨收入趋势以及单位小时的乞讨金额，从而为自己制定更加高效的的乞讨策略。

图片来源于网络

乞丐都在用数据分析来武装自己了，身为互联网从业者，你还敢落后？为了让你感知到数据分析对工作效率提升价值，我们来看一个真实的运营案例。

你为什么要学习数据分析

运营研究社在 2018 年以前，公众号图文的推送时间是不固定的，在早上、中午、下班时间、深夜都有过推送，所以相应的阅读量的波动也非常大。

在今年年初我提出了一个假设“如果把推送时间固定的话，会不会对图文打开率（阅读量）的提升有促进作用”。

为了检验这一设想，当时我需要解决的第一个问题是：

“运营研究社的公众号黄金推送时间在哪？”

我导出了运营研究社过去 1 年里的图文数据，并拿推送时间、打开率、标题 3 个数据字段来构建散点图。

运营研究社过去半年图文数据

从过去 1 年的推送时间和打开率的散点分布图来看，高打开率的图文主要集中在中午 12 点、13 点两个个时间段，于是我把将这两个时间点定义成运营研究社图文推送的黄金时间。

在实践中也证明了“在固定时间推送内容有利用提升打开率”假设是正确的，从阅读数据上的反馈就是我们的阅读量在 3 个月时间里提升了 200%。

无论是在生活还是工作，数据分析已是一项必备技能。

我在招聘网站上研究了近 100 个运营岗位的职责要求，用户运营、内容运营、产品运营、社群运营、渠道运营，它们几乎都会在靠前的位置写上这样一行文字：

“通过有效的数据分析（点击率，访问，转化率等），研究分析用户的需求制定运营策略”。

为了让你能够掌握最实用的数据分析技能，本篇文章将带你了解数据分析字段与产品指标、熟知数据驱动运营的底层方法。

“竟巧妇难为无米之炊”，为了让小伙伴们赢在起跑线，下面将开始系统讲解数据分析里的底层元素——数据字段。

你的基础数据字段足够全嘛？

2015 年我在百度贴吧在内容运营，当时的我们核心 KPI 是将次日留存率提升至 45%，于是我就想研究用户首次登入的内容消费量与次日留存的关系，以期通过优化内容推荐系统来提升次日留存。

想法很好，现实却很悲剧，我在给技术同学提数据分析需求时，他们很佛性的回了句：

“抱歉，我们没有统计用户的内容消费数据”。

由于缺乏用户的内容消费数据，我当时只能搁置这套数据分析方案了（在补充统计用户消费字段的 1 个月后才最终落地执行）。

跟大家分享这个案例，主要是希望大家能够理解，数据分析的底层关键支撑是基础数据字段，没有基础数据字段你的任何数据分析方案都执行不了，没有基础数据字段，你再老司机也无法用数据驱动运营。

所以，为了能够做好数据分析，你需要尽可能全面的提出你的数据字段需求，具体来说包括如下 2 类基础数据字段：

1）用户信息数据字段

它指的是用户的社会信息数据，比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段

对于电商和母婴类产品来说，还需要基于「用户行为数据」推导家庭类型、家庭人数、家庭小孩标签、工作岗位、所处行业等高级用户信息数据字段。

2）用户行为数据字段

用户行为数据字段在记录时的格式通常是User id（哪个用户）+Active（哪种操作）+Time（何时产生）。

比如今天上午，我在贴吧客户端首页看了一篇与 China Joy 有关的的贴子，并且还对妹子们的颜值留进行了评轮。那么贴吧官方会将我的看贴行为数据，以如下格式被统计下来。

用户行为数据字段是每一位用户在产品上操作行为的数据记录，不同产品类型需要的需要记录的用户行为是不一样的。

阅读内容、点赞、评论、分享是社区产品的关键用户行为字段，点击产品、添加购物车、下单、付费、评价是电商产品的关键用户行为字段……

相比于用户信息数据而言，用户行为数据是数据分析的重中之重，可以基于用户行为数据的处理加工，分析出每天产品的登入用户总量（DAU）、新用户留存以及评论用户总量等产品数据指标。

促进数据增长指标都有那些?

有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。

其中一位运营说产品表现很不错，每天都有很多人互动和称赞，另外一位运营回答说产品有问题，用户都不怎么会将内容分享出去。

如果你作为老板，你应该相信谁？

我想这两位同学你应该都不会相信，甚至还会很生气，因为你的员工没有一点点的数据分析意识。

现代管理学之父彼得·德鲁克说过一句很经典的话：

如果你不能衡量它，那么你就不能有效增长它。

为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。

案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。

了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成）

按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。

5个产品的拉新指标

运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。

以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置如下数据指标。

1）浏览量

俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CTR=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。

2）下载量

指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。

比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。

3）新增用户

下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。

4）获取成本

用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。

5个产品的活跃指标

相比于下载量和用户量而言，在人口红利消失后，大家开始更关注实实在在的东西了——你到底有多少活跃用户。

用户活跃作为运营的核心工作，不论移动端、网页端或者微信端，都有相关指标可以衡量。

1）活跃用户数

DAU 指的是日活跃用户数量，指的是在 24 小时内活跃用户的总量。把时间周期拉长的还有周活跃 WAU 和月活跃 MAU。（MAU 指的是一个月时间周期里去重后的活跃用户总和）

Ps：与活跃用户相对应的还有流失用户、忠实用户、回流用户，其中流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。

2）活跃率

活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康。

比如说某款产品的 DAU 是 100 万，可能你觉得还不错，但是我跟你说它的总注册用户是 1 亿，活跃率仅为 1%，你的感受可能就是这款产品很不错了。

3）在线时长

现在数据分析也越来越注重用户行为了，为了深入研究一款 App 的活跃健康度就需要去研究在线时长（它是视频类网站的核心数据指标）。

不同产品类型的访问时长不同，社交肯定长于工具类产品，内容平台肯定长于金融理财，如果你是做内容的产品的，发现大部分用户访问时长只有几十秒，那么最好分析一下原因。

4）启动次数

它体现的是用户的使用频率，用户的日均启动次数越多，说明用户对产品的依赖性越高，活跃度也就越好。

社交产品的人均启动次数会在 3-5 次之间，是通互联网中在启动次数指标中数值最高的。

5）页面浏览量

PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数，用户在网页的一次访问请求可以看作一个 PV，用户看了十个网页，则 PV 为 10。

PV 是互联网早期 Web 站点时代的活跃指标，也可以理解为网页版活跃。

5个产品的留存指标

如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存衡量产品是否产品能够可持续发展，如果你是早期产品就更应该关注是留存指标了。

1）用户留存率

留存率 = 留存用户 / 当初的总用户量

用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。

假设产品某天在某渠道新增了用户 1000 个，第二天仍旧登入产品的用户有 350 个，第 7 天仍旧登入产品的有 100 人，那么这个渠道获取来的用户次日留存率有 35%，那么称七日留存率为 10%。

Facebook 有一个著名的 40-20-10 法则，即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%，有此表现的产品属于数据比较好的。

2）用户流失率

用户流失率和留存率恰好相反，如果某产品新用户的次日留存为 30%，那么反过来说明有 70% 的用户流失了。

流失率在一定程度能预测产品的发展，如果产品某阶段有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将失去所有的用户。

Ps：这里可以引出一个公式，生命周期 = （1 / 流失率）*流失率的时间维度。比如产品的周流失率为 50%，那么平均用户生命周期为 14 天。

15个产品的转化指标

运营而言，拉新和活跃、留存都只是手段，最终衡量你工作业绩的是你手上掌握了多少有价值的用户。

运营就像用户成长路上的指引者，指引者产品里的用户成为能够产生价值的超级用户，即回归商业的本质。

交易类产品转化指标

1）GMV

它是一个虚荣指标，只要用户下单，生成订单号，便可以算在 GMV 里，不管用户是否真的购买了，京东在双十一对外发布的战报是 GMV。

2）成交额

成交金额指的是用户付款的实际流水，是用户购买后的消费金额，天猫在双十一对外发布的战报是成交额。

3）销售收入

它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。

如果把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标。

成交金额与 GMV 的比率，实际能换算成订单支付率，它体现的支付的流畅度；销售收入和成交金额，也涉及到了退款率，它体现的是产品质量。

4）付费用户量

在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可以区分为首单用户（第一次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等。

同时，为了研究用户的付费潜力，你还可以研究下产品的付费用户比例：

付费用户比例 = 付费用户 ÷ 总注册用户

5）ARPU

在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。而在整个产品生命周期中，我们更关注用户平均付费，总收入/用户数。

ARPU 可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入：ARPPU = 总收入÷ 收费用户数

6）复购率

和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。

比如运营研究社的技能训练营在第一季度有 1789 个付费用户，购买次数在两次以上的有 657 人，那么我们季度复购率是 36%。

社区型产品转化指标

社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。

1）内容生成者

参与内容生存的用户�...

今天学习如何通过数据透视表实现表格的形式汇总数据分析如下图的效果：

一、首选创建数据透视表：为了方便查看，选择新工作表

二、设计-报表布局-以表格形式显示，如下图：

下图显示出来，但是看起来不是很直观，有汇总显示，如何去掉汇总，再有如果做二次数据函数取数的话，那就要标签内的文本内容完全显示，如何处理呢？

设计-分类汇总-不显示分类汇总

设计-报表布局-重复所有项目标签

三、去掉汇总，标签内显示重复项目效果如下：

四、日期如何以月份显示，采购日期右键单元格式-数字-日期-类型选择 2012年3月，确定。如下图：

如果你创建组合的，只能以单独的列显示年、月。

五、如何选择经典数据透视表布局进行拖拉效果：数据表右键选择数据透视表选项-显示-经典数据透视表布局打√即可。