昨晚看了《谁说菜鸟不会数据分析》入门篇的第一章。主要介绍了什么是数据分析，以及数据分析的整个流程。下面呢，就给大家说说数据分析的定义，以及数据分析的步骤流程。

该书对于数据分析的定义跟百度百科相差无几。

“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，最终的目的帮助人们作出判断，以便采取适当行动。”

数据分析的整个流程主要包括了6个部分（以分析百度竞价近一个月的转化为例）

1、确定分析的目的以及分析思路。目的是分析近一个月百度的竞价效果怎么样。分析思路先看一下近一个月的展现量，点击量，消费额，转化量，转化成本。然后于上个月的数据做一个对比。

2、收集相关的数据。数据收集的来源主要是从百度竞价后台的提取，百度统计的相关数据，以及百度商桥的咨询量的数据。

3、数据的处理。对展现，点击，消费，咨询量，转化成本进行简单的汇总。与上个月的数据进行对比。

4、分析数据。与上个月对比，这个月的咨询量的是增加了还是减少了，转化的成本是降还是升。咨询量增减的原因是什么.转化成本提高或是降低的原因又是什么，得出一个结论。

5、数据的展现。数据的展现，一般来说要么的表格，要么是一些图标如柱状图，饼状图，折线图等等，使用的标准是怎么样让别人能够清晰明了的看懂。

6、形成数据分析报告。最后就是完成一份完整的数据分析报告。

以上就是今天的分享，有点糙，后续会把数据分析的每个步骤详尽地大家说的。这篇文章只是让大家对于数据分析有个大致的了解。

为什么你的数据分析成果总是难以落地?数据分析的价值总是远远低于预期?

01 遵循数据分析标准流程

数据分析遵循一定的流程，不仅可以保证数据分析每一个阶段的工作内容有章可循，而且还可以让分析最终的结果更加准确，更加有说服力。一般情况下，数据分析分为以下几个步骤：

1)业务理解，确定目标、明确分析需求;

2)数据理解，收集原始数据、描述数据、探索数据、检验数据质量;

3)数据准备，选择数据、清洗数据、构造数据、整合数据、格式化数据;

4)建立模型，选择建模技术、参数调优、生成测试计划、构建模型;

5)评估模型，对模型进行较为全面的评价，评价结果、重审过程;

6)成果部署，分析结果应用。

02 明确数据分析目标

在数据分析前期，要做到充分沟通、理解业务规则、关注业务痛点、了解用户需求、换位思考，明确为什么要做数据分析，要达到一个什么目标。

03 业务与数据结合确定分析主题

以解决业务问题为目标，以数据现状为基础，确定分析主题。前期要做好充分的准备，以业务问题为导向，以业务梳理为重点，进行多轮讨论，分析主题避免过大，针对业务痛点，实现知现状、明原因、可预测、有价值。

04 多种分析方法结合

分析过程中尽量运用多种分析方法，以提高分析的准确性和可靠性。例如，运用定性定量相结合的分析方法对于数据进行分析;融合交互式自助BI、数据挖掘、自然语言处理等多种分析方法;高级分析和可视化分析相结合等。

05 选择合适的分析工具

工欲善其事，必先利其器，数据分析过程中要选择合适的分析工具做分析。SPSS、Rapidminer、R、Python等这几种工具都是业界比较认可的数据分析产品。

它们各有其优势，SPSS 较早进入国内市场，发展已经相对成熟，有大量参考书可供参考，操作上容易上手，简单易学。Rapidminer 易用性和用户体验做得很好，并且内置了很多案例用户可直接替换数据源去使用。R 是开源免费的，具有良好的扩展性和丰富的资源，涵盖了多种行业中数据分析的几乎所有方法，分析数据更灵活。Python，有各种各样功能强大的库，做数据处理很方便。

06 分析结论尽量图表化

经过严谨推导得出的结论，首先要精简明确，3-5条即可。其次要与业务问题结合，给出解决方案或建议方案。第三尽量图表化，要增强其可读性。

数据分析过程中，除了以上六条原则，还要避免以下3种情况：

1)时间安排不合理

在开始分析工作之前，一定要做一个明确的进度计划，时间分配的原则是：数据收集、整理及建模占70%，数据可视化展现及分析报告占25%，其他占5%。

2)数据源选择不合理

一般企业中的数据来源有很多，SAP、TMS、CRM及各部门业务系统，每个渠道的数据各有特点。这时，应该慎重考虑从哪个渠道获取数据更加快捷有效。数据源选择不合理，不仅影响结论的可靠性，而且有返工的风险。

3)沟通不充分

无论是分析人员内部的沟通还是与外部相关人员的沟通，都是至关重要的。与外部人员沟通效不顺畅，可能造成前期需求不清，中间业务逻辑混乱，最终导致数据分析结果差强人意。与内部人员沟通效率低，可能造成分析进度滞后，分析工作开展不畅等诸多问题，直接影响分析效果。

对于数据分析师，分析经验的积累与专业知识的提升同样重要，因为有些问题不是只用专业知识就能解决的，所以在平时的工作中要有意识的去学习业务知识、掌握先进的分析工具，做一个有心人! |内容来源：大数据

百家号-【袁帅数据分析运营】运营者：袁帅，互联网数据分析运营实践者，新社汇联合创始人。会展业信息化、数字化领域专家。认证数据分析师、网络营销师、SEM搜索引擎营销师、SEO工程师、电子商务职业经理人。

DataEye

数据分析

数据要能够带来：结论、假设、行动项

在前面《信息流广告优化不会数据分析怎么办？答案在这里.....》给大家分享了关于在广告投放过程中，数据分析的5种思路和方法。今天我们继续来讨论一下关于数据分析的一些方法、原则和步骤；希望在童鞋们的工作过程中有所帮助。

基本原则

做数据分析工作，一定要遵循一定的原则，这些原则，我简单列了列，属于比较看重的，但是不一定是通用的。

让我们先来看数据分析的流程。星星认为，数据分析应该遵循下面这个流程：

也就是说，数据分析需要从问题中来回到问题中去。拆解一下其实，数据分析主要要有五个步骤：问问题、找对象、选数据、做分析、再验证。

问问题：数据分析必须要有明确目的

数据分析在启动时，一定要有非常明确的目的。这种目的，可能伴随一次或多次目标明确的测试动作。譬如说，原先的商品落地页的购买转化率比较低，需要使用新的落地页，以提升流量进入后的购买转化率。

这个时候问的问题，应该有3个：

当前的商品落地页是值得进行优化的吗？

商品落地页的优化是可行的吗？

能够优化到什么程度？

你会发现，这个时候，其实原先的一个目的（想办法提升商品落地页的购买转化率），就变成了3个问题，而这3个问题，接下来就要指导整个数据分析的过程。

找对象：明确分析的可行性和分析的范围

对于上面的例子来说，其实是要对着三个问题来进行1by1的解决，需要去弄清楚对象。

问题1：当前的商品落地页是值得进行优化的吗？

这个问题的对象其实不是商品落地页，而是商品落地页的来源渠道的流量情况和流量到来后在商品落地页的行为模式。

因为，如果流量本身进入的就少，可能样本本身就不具备去测试验证的可能性，反而需要我们先去提升流量分发的能力。

问题2：商品落地页的优化是可行的吗？

这个问题的对象既可以是新的落地页，也可以是老的落地页，只要能够通过数据证明，对落地页的调整是否会影响购物转化率，那么就可以得到结论。

问题3：能够优化到什么程度？

这个问题其实现在是回答不了的，要回答这个问题很明显，首先有一个前提，就是商品落地页的调整，对于改进购买转化率来说，是具备可行性的，这样你就可以把对象识别出来。

选数据：从已明确对象身上去挖掘相关联的数据

数据分析：什么样的数据指标是最重要的？我们再分析数据的时候应该参考哪些指标？选数据这件事儿，其实后半段不难，但前半段不太容易做，涉及到选择时间跨度，对象数据的维度等；一句话，要有逻辑性。

做分析：客观中立，从数据中洞察

分析这件事情，其实就是讲究，从数据中自然推导出结论，讲究客观中立。不能带着结论去凑数据，也不能一脸懵比不要知道数据想要和你谈什么。

再验证：带着数据告诉你的结论，反过来去看待最初的问题

我和小伙伴们说的是，数据要能够带来：结论、假设、行动项。也就是说，一次数据分析，应该能够帮助你先认识到问题在现阶段的状况（结论），能够帮助你提出下阶段的可能性（假设），能够帮助你梳理接下来要着手做的事情（行动项）。

注：文章摘自“运营圈信息流广告”，内容观点或经验不代表DataEye立场，仅做为资讯传播参考。

DataEye

DataEye成立于2013年9月，主要面向游戏行业提供基础数据服务。目前DataEye的数据服务涵盖游戏精细化运营、游戏安全、游戏营销推广等各个环节，累计服务24000多款游戏，SDK累计安装量15亿，与腾讯、网易、阿里、中手游、中清龙图、英雄互娱、芒果互娱等知名厂商建立广泛而深度的合作。DataEye一直秉承技术创新是第一生产力的原则。目前在大数据存储、大规模运算、移动环境数据处理等领域获得多项技术专利，并入选2016年中国大数据创新企业。DataEye已获得包括深创投、亚商资本在内的国内多家知名机构的多轮投资。

联 系 我 们

企业官网：dataeye

咨询电话：400 648 2833

咨询QQ1：3173109221

咨询QQ2：2030196706

招贤纳士：hr@dataeye

之前谈了数据分析的定义和作用：雨沐田：到底什么是数据分析？雨沐田：数据分析有什么作用呢？

今天来说一说数据分析的步骤，大数据分析和传统数据分析的步骤都是一样的，就一起说了。

在说步骤前有必要回顾下对数据分析的定义：数据分析就是为了特定目的对相关数据在理解的基础上进行消化，并挖掘提取有用信息的过程。

通过对数据分析的定义，就可以对步骤有个初步的分解了：

第一步：明确分析目的，设计分析的思路

不能为了数据分析而分析，目标是起点。

企业客户转化率分析、产品市场占有率分析、订单增长情况分析等等，都是一个个具体的业务目标。

有了具体的目标后，就要根据目标性质确定分析思路和方法，这里牵扯到数据分析方法论的问题，我之后会专门分解。常见的有A/B测试法、PEST分析法、4P理论等。

第二步：收集相关数据

有了具体目标和思路后，要做的第一件事情就是收集相关数据，数据有内部数据和外部数据；从来源看，有网络数据、付费数据、免费数据、问卷调查数据等等，收集的数据越全越多，对数据分析越有利。

第三步：整理清洗收集的数据

现在能获取数据虽然多，但拿到的数据不一定都是真的，也不一定有效的，所以要对数据进行清洗，认真筛选，删除无效数据。

然后对剩下的有效数据进行整合、补缺等，使数据尽可能的规范、完整。

第四步：开始数据分析

之前的步骤都是为了数据分析做准备，数据分析是最核心的一步；数据分析是在既定的目标及思路的前提下，以收集到的数据为基础，用特定的方法进行的数据提炼过程。

分析方法有很多，常见的有对比分析法、相关分析法、平均分析法、交叉分析法、漏斗图分析法等等，数分析的方法很多，要根据分析的目标和方向来确定有什么方法。[ 关于数据分析方法请等后文一一分解 ]

数据分析要有方法，也要借助各种工具，常见的有Excel、SAS，SPSS，R语言等等，其中Excel最常见，也能解决绝大部分问题。

第五步：组织数据，展现数据

数据分析完了是否结束了呢？还没有呢！

数据分析的结果往往还是一些数据，是被提炼出来的数据，这些数据并不够直观，对于阅读的人来说有难度，于是要考虑数据可视化的问题，就是要让数据以更直观的方式展现出来，常用的方法就是将数据图表化。常见的图有柱状图、饼图、条形图、折线图、散点图等等。

图表表现力更强，人也更喜欢看图表。

第六步：编写数据分析报告

数据展现了，还没有结束，为什么呢？

数据分析的结论需要多个数据的支撑，而每个数据分析过程又相互关联、相互影响，数据的验证和分析也有逻辑顺序。

为此，我们直接将分析的结果全盘托出，对方可能就懵了，根本不知道这些数据和图表是什么，所以为了更好的传达数据分析的观点，需要将分析逻辑、分析思路、分析过程、分析结论等合理的组织并以专业报告的形式体现出来，可以是PPT，PDF文档或Word等，根据需要而定。

最后一步属于数据分析的结晶和果实，是传达结果的最终形式。也是很多数据分析师不够重视的一环，分析要专业，报表也要专业，一定要重视！

到这里，一个完整的数据分析流程就结束了。传统数据分析和大数据分析都是一样，整理如下图：

而数据分析的每一步都有具体的方法和工具使用技巧，更多内容且听之后文章逐一分解。

我是公号「大数据分析狮」，只谈大数据力量！

对于网站的数据分析包括流量运营、用户运营、产品运营、内容运营四个板块。

流量运营：

Web端主要是看访问量、pv、uv，基本质量指标包括用户的平均访问时长、平均一次会话浏览页数和跳出率，通过这些指标可以判断用户的活跃度，以此作为标准来评判一个产品的生命周期，这对于新媒体运营者制定产品策略以及营销策略有着直接的关系。在网站流量分析中，主要从访问量、流量入口、广告等角度切入。

访问来源包括直接访问、外链、搜索引擎和社交媒体等，通过对来源的分析，可以进行精细化管理，然后优化内容渠道，其次是落地页，这是最终用户到达你网页的入口，如果用户被导入到无效或不相关的页面，一般会有较大的跳出率。最后广告的投放的优化也是一个导入流量的重要部分。

在流量导入之后，还需要进一步激活和转化，我们分别对转化的每一步进行分析，可以通过比较分析，找出流失率最高、最低的那一步，然后优化渠道。

在进行一系列流量分析和转化分析之后，我们可以进行相对应的策略制定，具体方式包括搜索词、落地页、广告投放优化等等，根据性价比来进行渠道配置。

用户运营：

流量运营是用户的引流，而用户运营就是用户的维护。其实导入与维护都具有很大的相似性，需要根据用户的行为（访问、浏览、回复、评论、发帖、转发、分享）来建立行为指数，最终将用户分类，进行精细化的运营。对于不同类的人群，进行对应的刺激，比如说，针对一个内容传播类用户和内容生产类用户所采用的方法应该有所区别。

对于不同网站的留存指标分析有不同的时间群组划分方法，高品类产品的日留存率更好的反应用户与产品的关系，而工具类的周留存率就比日留存率更加具有业务意义。

产品运营：

用数据来分析和监控功能

1、 监测异常指标，若一个用户在同一实际啊频繁点击验证码地发送，说明我们在这功能点上有问题，这可以及早提醒我们去做功能地改善，弱化用户的怒点。

2、 通过留存率来检验功能的效果，当一个新功能进入的时候，若发现用户持续使用的比例较低，我们就需要思考是否有引入新功能的必要性，它是否在一定程度上较低了客户的体验感。

内容运营

在开始通过优质内容去维护客户时，，你需要定位你的内容是作为一盒产品存在还是辅助产品的存在，，其次是对用户的需求分析，有针对性的向用户推送他们可能感兴趣的内容。

题图来自 Pexels，基于 CC0 协议

全文共 3306 字，阅读需要 6 分钟

—— BEGIN ——

由于公司内部的发展，团子小白接到了公司安排给我的任务，负责平台数据统计和分析，对此，团子结合自己经历为大家简要的描述一下关于数据分析这一块的流程和内容，同时为大家分享一些常用的数据网站。

对于一家公司来说，数据是反应一个公司近日的发展状态如何，得知近日的发展状态是处于向上、稳定、向下情况，公司目前的动态。

其次可以通过具体的数据分析、得到具体分析结果；例如你的目标用户、用户的行踪、某一块功能是的使用情况、转化率、留存率等等情况。

数据分析一般可以分为着三种：

行业数据分析

竞争品数据分析

自身产品运营数据分析

三种数据分析的用途，也大不一样。

行业数据分析和竞争品数据分析，主要是帮助BRD和MRD的撰写，了解社会行情、竞争对手的情况，得知整个市场的总体情况和未来的发展趋势。

而自身产品运营数据分析，主要是帮助周报和月报的撰写、产品当前情况的发展，了解平台的整体状态。

同时，团子主要描述一下关于自身产品运营数据是怎么分析的、分析什么、分析时，需要哪些关键的指标。

在进行数据分析时，一般会走以下几个步骤：

目的—数据收集—数据的统计与描述—归纳与总结—建议／改进

一、数据分析的目的

何为数据分析的目的？团子认为就是：为什么要对数据分析的原因，你想通过数据获取什么东西来帮你论证什么。

团子有一次部门内，想修改平台对商家激励机制。对此，团子需要通过问卷调查得得到商家对之前的激励机制怎么样、激励程度如何，同时对未来修改的机制，又有如何，他们的需求程度有多少。

——这就是我想通过调研数据得到目的。

当公司安排我每周对平台的数据进行分析时，首先了解撰写周报。团子就会去查看之前负责人，输出的文档进行深度学习。

从中团子通过之前输出的文档总结了几点小技巧：

强调数据的重要性（对重点的数据进行标红）。

从数据分析出来的重要结论，进行标红。

能用数据表明的结论，就用数据来表明结论，数据是最可靠的论据。

分析数据时，要表明数据的来源。好让读者知道，那里来的数据，可行度高嘛？

二、数据收集

在收集数据时，首先我们应该需要了解的是收集哪些关键的数据？收集什么样的数据，需要根据你的目的来定。

例如，团子所在的实习公司是做电商直播，在平日的周报中，需要体现出以下几个指标：

用户留存率

用户平均访问时长

订单数据

商家下单数据

直播相关数据（场均观看人数、直播场次情况、直播间转发情况、各直播类型的数据情况）

用户注册数

用户流失率

在创业型的公司，没有很大的经历建立自己系统的数据库，一般是寻找第三方平台，外包出去。因为如果后台需要建立强大的数据话，需求大量的技术做支撑。

但是有些特殊数据平台自己会自己开发，例如团子所在直播数据、订单数据、用户信息。

对于创业的公司来说，能通过外包降低公司的成本方式，他们会尽可能外白出去，毕竟与当前需求价值挂钩。

三、数据的统计与描述

在进行数据统计与描述之前，首先我们需要了解一些关键数据指标代表内容和如何进行统计的公式。

1. 新增APP下载总量

团子所在的公司主要使用第三方平台数据监控平台（友盟、腾讯云）进行统计。

如果你想得到竞争者的数据情况，团子为你推荐一个免费的平台：ASO100 。

2. 用户留存率

在一段时间内，用户在一次使用此产品的情况。

团子举个例子：7月10日新增1000人，7月11日500人使用，12日400人、13日300人、14日200人、15日100人。因此10日的留存率50%，以此类推，如图。

漏斗图怎么做？问百度哈～

3. 用户平均使用时长

用户在平台逗留的时间，通过平均算法，了解整体使用时长情况，排出异常使用情况。

计算方式=所有用户使用时长之和／总人数。

用户平均使用时长越高，说明用户对平台的重要性越高。

因此，使用时长可以作为划分用户等级的指标之一。

4. 用户注册数

在一定时期内，当前平台新用户注册情况。

5. 用户活跃度

按照某一时间内，例如15天，一个用户在平台的启动了一天，那么它的活跃度为1。如果15天之内启动2次，那么他的活跃度为2。以此类推，如果活跃度越高，说明对平台的贡献越高。

有一次在产品社交群中，有人问如何进行用户划分？团子认为用户的划分，主要是根据用户对平台的贡献程度。

贡献程度可以根据用户使用情况、付费情况两个维度进行计算，计算的权重，根据当前平台情况。

例如平台更多是注重付费，那么付费的比重相对高。

6. 用户流失率

一个观察周期内的活跃用户，如果在下一个观察周期内不活跃，则称为流失用户。

用户流失率=流失用户／总用户

通过流失率了解平台走失的情况。

7. 用户回流

设置三个观察周期，回流用户指第一周期活跃，第二周期流失，在第三周期又活跃（回访）的用户。

了解以上几个大众的指标，通过平台得到相应的数据，然后用excel进行数据整理，作出图表。

在进行数据图表描述时，我们时刻需要提醒自己为什么会有这一数据的出现，什么原因导致这个结果的出现，对于当前的数据情况，我们需要进行什么样的改进，提出什么样的意见。

案例分析

团子以近日小黄车举办过的“全城搜集小黄人”活动为例，通过ASO100获取他们近期的下载情况，进行数据描述一下。

如这是小黄车安卓系统的下载情况，活动时间是7月7日至14日，为了让大家更好的了解这次活动对小黄车新增下载有何影响，将时间周期放置从4日至18日，同时结合其他竞争品（摩拜、小蓝车）情况，进行一同分析。

通过以下几个图表，我们可以得知几点信息：

1. 根据数据的时间周期来看，小黄车正在推出一系列相关的小黄人主题活动，从6月底到7月中旬，就开始持续的做活动。使得用户下载基数很大，因此下载总数是其他竞争品下载总数约3倍。

2. 站在市场整体角度来看以下图表，我们可以观察到一个有趣的现象就是：他们三家的下载波动都十分相似和雷同，虽然小黄车通过活动刺激了他们下载总数的增加，同时也使的同行竞争品的下载幅度也伴随的增加。如果将他们的时间拉长、放远看，他们会呈现出一个固定的模式。这属于市场的波动。

3. 站在用户的角度单独来看小黄车的数据。在活动初期和中旬，用户下载量属于向下的趋势，到后期下载量暴增长。

团子认为，由于本次活动的时间周期为一个星期，在活动前期和中旬，用户正在忙于自我储备小黄人卡片。

当活动延续到后期时（小黄车在产品的设计上面，时刻提醒本次活动即将结束、同时时刻更新获奖的人数），让用户产生了紧迫感和渴求感，使得很多用户由于手中缺少某一张卡片，希望可以通过好友互换获得那张卡，获得7元现金的奖励。因此激励用户分享、进行用户互动，使得活动后期用户下载量大增。

总结：前期相关活动的安排，对本次活动的推广有很大的帮助。

好友互换功能的设置，使得用户与朋友之间的互动大大增加，从而后期用户下载量大大提高。

活动的设计，包括获奖人数、活动时间的提醒，激发了用户的渴求度、紧迫感，使得活动氛围大大增加。

有时候因为数据的不全面性，导致数据分析的结果出现偏差。

团子当时对小黄车这一个活动进行分析时，手中看到了第一张的结果，然后误以为下载量的下降是因为活动的规则导致活动前期和中期，下载量下降。

当团子拿起整体行业的数据图表时，团子才明白下载量下降的原因更多的是来自整体市场波动效应而产生的。

不要做一只井底之蛙，偶尔跳出看看整体，才知道一切都是这样。

四、归纳与总结

对于归纳总结这块，团子个人经验也不很丰富，团子分享一些总结方面的技巧。

在做周报时，你需要花很多心血用在数据整理和描述上面。但是，有很多同事在浏览你的周报时，一般只会认真看总结部分，对于其他部分他们很多都是带过，毕竟制作一份周报，它的篇幅很长，很多同事并没有太多时间来阅读。

因此在写周报时，我们首先应该把总结放入顶端（最显眼的地方）；同时对于重要的数据和总结点，一定记得标红，这样才能让你的同事快速获取相应的信息要点。

关于如何总结，团子为大家推荐几本书吧，来弥补这块的不足。《金字塔原理》《学会提问》《麦肯锡工作法》，希望可以帮到你。

五、建议／改进

团子很高兴为大家分享了自己在数据这块的经历和想法，虽然文章整体篇幅干货比较稀少，这也跟团子本人也有很大的关系。

虽然团子在实战经验没有其他作者那么丰富，但是团子还是很努力的想为大家分享自己的点点滴滴，一同成长交流。

接下来为大家分享一些数据网站，希望后期在做数据这块能对你有帮助～

ASO100： https://aso100

百度指数：https://index.baidu

199IT互联网数据：http://199it

IT橘子：https://itjuzi

百度移动统计：https://mtj.baidu/web/welcome/login

中国互联网数据平台：http://cnidp

亿邦电商数据：http://ebrun/data/

浏览器市场份额：http://tongji.baidu/data/browser

中国网络视频数据：http://index.youku

Alexa网站监控数据：http://alexa

易观／艾瑞数据库

百度

希望以上的数据网站，可以帮到你～

—— END ——

每个人都会有机会进行数据展示，为什么别人展示永远获得正视，而我的展示永远只有自己愿意去看，别人在看手机？那怎样做数据图表分析呢请看以下步骤：

如何对表格进行修饰，本次小编带来两个技巧，一是使用“套用表格格式”，和使用“条件格式”。二是带领大家学会养成修饰表格的思维。

第一步是对表格进行粗略的修饰调整，思维：行高、列宽、对齐方式、表格线等；

使用“套用表格格式”、“条件格式”之后看数据不再枯燥无味，而且还更有看头。“条件格式”可以将筛选条件转换为颜色可视化，从而达到一目了然的效果。

第一个技巧，①“套用表格格式”。方法：任一单元格→开始→套用表格格式。

②“条件格式”，方法：选中单元格区域→开始→条件格式。

条件1：高于平均值

条件2：数据条

条件3：色阶

第二个技巧：养成修饰图表的思维。这次举例柱形图的修饰例子，其他希望大家动用类似的方法进行模拟实践。

步骤一：根据销售数据建立柱状图，建立方法可参考。选择数据源→插入→柱状图→选择数据源→编辑坐标

步骤二：添加辅助线。选择数据源→→添加→点击柱体右键，设置数据系列格式→次坐标轴→选中柱体，右键更改图表类型→折线图。

希望回答对你能有所帮助，如果觉得不错就来点个赞或关注吧，感谢各位了！

数据能真实反映产品运营的效果，了解哪一块做的好，哪方面有待改进，转化率、留存率等核心指标（也可称为KPI）是多少。这里的产品包括实物、虚拟、内容、活动等，可以当做产品来运营的事物。

01-数据分析目的

这是数据分析的起因：为什么要进行数据分析。有了目的，后续开展的相关工作都是围绕这个目的展开。公司上半年会议提出要深度优化产品APP，因此运营部需要通过问卷调查和在官方微信号、微博、APP引导用户反馈使用情况。

了解用户对之前的产品使用体验怎样，有哪些功能妨碍了正常使用，需要增添什么新功能满足新需求，以及其他意见和建议。这些都是通过分析反馈回来的问卷数据来确定的。

02-收集什么数据

有了目的后，就要着手制定执行方案，理清哪些是必要的关键性数据，哪些是辅助性数据，需要多少样本。既然要优化产品APP，那么就要考虑到：

（1）APP相关数据：APP下载总量、打开次数、使用时长，分析竞争对手的APP。

（2）用户留存率：某段时间内，有多少用户下载、使用或卸载。

（3）平均访问时长：每次打开使用多长时间，使用哪部分内容较多，哪部分较少。

（4）订单数据：通过APP产生的消费情况。

所谓的关键性数据，就是涉及到产品活的好不好的真实反馈。

03-数据统计分析

先了解所要收集的数据代表的内容及统计方式，比如“APP下载总量”指在某段时间内APP在各应用平台的总下载量、新增下载量，同时分为安卓端和ISO端。同时使用数据图表描述，能用图表示的就不用文字叙述。

对统计出的大量数据，分析出导致这样的结果的原因具体是什么，涉及到哪些因素，怎么去优化。

04-意见和建议

通过大量数据统计分析得出的结果，是否符合当初设定的目的和指标，或相差甚远。哪一块需要加强，哪方面需要保持，有什么好的建议让下次做的更好。可以开会讨论各抒己见，或单人面对面交流，或提供报告，多渠道收集反馈，详细分析。

通过分析产品运营数据，能了解产品、活动或内容推送整体状态，为运营提供决策，也为周报、月报、季报的撰写及其他项目的规划提供分析素材。

做好数据分析需要考虑三个问题，数据从哪来，数据到哪去，数据怎么去？今天我们来讲讲数据怎么去的问题，也就是数据分析步骤。

一、定义

“勿忘初心，方得始终”，做数据分析前要想好针对的问题是什么，想通过数据分析解决什么问题，数据分析的结果能帮助你达到什么目的，对现阶段你的产品有何实际的意义。

基于分析目的确定分析范围。比如你想分析用户流失原因，你分析的范围就是流失的用户，你不能去分析新增的用户，再比如电商类产品，你想对高价值用户进行分析，那么什么是高价值用户，那么你可能确定范围：“xx年xx月xx号-xx年xx月xx号，购买次数5次以上，总金额在3000元以上的用户”，这些都是我们在数据分析之前需要确定的，只有范围确定清楚了，分析的数据才具有指导意义。

规划分析的进度和质量。比如说你要做数据的采集，你就需要考虑清楚用什么样的技术手段采集数据，用什么样的方法进行分析，然后这个过程中产生的误差多大范围内是可接受的，或者是自身有了预判，我知道这种数据分析方式会带来什么样的影响，对最后的结论带来多少干扰。

二、测量

测量包含收集获取数据和数据预处理。

收集获取数据。是用问卷的方式定量分析？还是从服务器调取日志进行分析...，这些都是数据的来源

预处理：比如说做调查问卷，对于回收来的问卷我们需要判断哪些数据是有效的，哪些数据是无效的，比如调查问卷共15道题，用户就答了一道题，这个就属于无效问卷，需要剔除出去，这个时候他的数据是不完整的，放进去反而会影响最终的数据结果。同样对数据库的数据也需要预处理，比如说你想统计新增用户，但是来了很多羊毛党用户，这部分用户对你是没有价值的，也需要处理掉。预处理的好坏，直接决定数据分析结果的质量。

三、分析

分析包含对数据的统计描述和针对问题的归纳和总结。

数据的统计描述。统计是对数据的定量分析，描述是对数据的定性分析，就是对你的数据进行定性和定量的客观性描述。

问题的归纳总结。这个是最重要的，也就是拿出我们的结论，数据本身没有价值，数据分析的结果才有价值。

四、改进

改进就是找到问题的解决方案和降低负面影响。

给出解决方案。比如最近产品用户流失比较厉害，你通过调查问卷和用户访谈了解用户流失原因，当得到分析结果以后，你需要给出解决方案。是你的体验没做好，还是竞争对手挖墙脚，亦或是你的商品价格提高了...这些都是原因，找到主要原因，给出专业的解决方案，老板要的是方案，不关心你分析的过程。

降低负面影响。比如电商的购物流程，浏览商品--》加入购物车--》下单--》支付--》完成购买，你通过漏斗模型分析，发现从加入购物车到下单流失很多，你通过数据分析发现流失的原因是设计上的问题，那么就可以重新优化设计方案，降低负面影响。

五、控制

数据分析是一个持续性的过程，所以需要持续的跟踪反馈，比如做数据的日报、周报、月报，它是一个非常持久的工作，而且数据分析的结果发出去以后，不同的人可能会有不同的看法，那么我们产品经理就需要收集不同的观点。

更新迭代。更新迭代是我们产品经理的一份重要的工作内容，不论是功能上的更新迭代，还是数据上的更新迭代。有的人可能说为什么要做数据上的跟踪迭代呢？因为数据具有时效性，我们分析的往往是一个时间段内的数据，数据会随着时间的推移发生变化，根据这些变化，我们需要做一轮新的数据分析。

一、什么是数据分析？

二、数据分析的分类

数据分析的三大作用：现状分析、原因分析、预测分析。

三、数据分析的六部曲

1.明确目的和思路

首先先明确分析目的，然后梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

2.数据收集

一般数据来源于四种方式：数据库、第三方数据统计工具、专业的调研机构的统计年鉴或报告、市场调查。

3.数据处理

数据处理主要包括数据清洗、数据转化、数据抽取、数据合并、数据计算等处理方法，将各种原始数据加工成为数据分析所要求的样式。

4.数据分析

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、R等工具。

数据挖掘是一种高级的数据分析方法，侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

5.数据展现

一般情况下，数据是通过表格和图形的方式来呈现的。

常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

一般能用图说明问题的就不用表格，能用表说明问题的就不用文字。

图表制作的五个步骤：

1、确定要表达主题

2、确定哪种图表最适合

3、选择数据制作图表

4、检查是否真实反映数据

5、检查是否表达观点

常用图表类型和作用：

6.报告撰写

一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。

结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

好的数据分析报告需要有明确的结论、建议或解决方案。

四、数据分析的四大误区

1.分析目的不明确，为了分析而分析，这是菜鸟常常容易出现的问题；

2.缺乏行业、公司业务认知，分析结果偏离实际。数据必须和业务结合才有意义。摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解，再根据业务当前的需要，制定发展计划，归类出需要整理的数据。同时，熟悉业务才能看到数据背后隐藏的信息；

3.为了方法而方法，为了工具而工具，只要能解决问题的方法和工具就是好的方法和工具；

4.数据本身是客观的，但被解读出来的数据是主观的。同样的数据由不同的人分析很可能得出完全相反的结论，所以一定不能提前带着观点去分析。

内容来源：小蚊子数据分析

百家号-【袁帅数据分析运营】运营者：袁帅，互联网数据分析运营实践者。会展业信息化、数字化领域专家。认证数据分析师、网络营销师、SEM搜索引擎营销师、SEO工程师、电子商务职业经理人。