数据科学家必备的5个好习惯！数据分析师必备！

亚里士多德说过,人类的美德分为两类:一是理智的,二是道德的。理智的美德由教学产生和发展,道德的美德由行为习惯而来。由此可见良好的习惯有多重要。那么数据分析师应该养成哪些好习惯呢？下面是小编为大家整理的数据分析师必备的5个好习惯。

永远不要轻信自己的分析结果

很多时候，我们的分析都是含有一些潜在的假设，而在分析过程中被忽略。比如2016年美国总统大选教导我们。数据会说谎，要谨记。然后数据自身是不会说谎的，而是取决于如何做数据分析、如何展示结果。那么如何保证结果的正确性呢？最基本的一点就是不同方面来快速验证一下数量级。

了解行业信息和业务信息

这一点非常重要。分析和挖掘，最终都是要落到具体的业务上来的。所以做数据，不能脱离业务和行业规律。对于业务中的乱七八糟的各种概念更是要深入理解，不能停留在表面。有时候，一个业务概念理解失误（比如0是否有参与计算），会导致分析出完全相反的结论。

解释结果才是根本

很多时候，我们以为写完code跑完程序就完事了。能做到这一步只能算是一个合格的data analyst。这离数据科学家，统计学家还差远了。分析，验证，解释结果才是根本!

想想你的听众是谁

数据很多时候不仅仅是一个人埋头苦干，还需要跟人交流，比如说跟合作伙伴的沟通，跟老板的沟通，跟其他组员的沟通，跟不同部门的人沟通。针对不同的听众，相应的需要强调不同方面。

保持好奇心

爱因斯坦说过，提出一个好问题比找到一个合适的答案更重要！数据分析不是一个新的学科，但是工具、内容、应用方向等一直在不断改变，所以保持好奇心，持续学习进步，探索新领域对长期发展是最重要的一点

　　从我实际的观察，结合对数据的理解，数据分析或数据驱动在不同的公司，在不同的阶段落地，需要经历这样的5个阶段：

　　1.靠经验+拍脑袋决策——无意识阶段

　　2.统计数据产生后的数据结果——感知数据阶段

　　3.分析数据产生背后的原因——思考阶段

　　4.根据数据分析的结论开始行动——行动阶段

　　5.让期望产生的结果产生——数据驱动阶段

　　星牛网小编在这里只具体来分析一下前四个阶段，别问我为什么，我也很无奈啊，说了没用啊~

　　第一阶段

　　这个阶段的企业，基本没有数据分析部门，对于运营过程中的常规数据分析，基本由产品运营人员手工做报表，公司内部没有开发专门的数据分析系统，也没有接入第三方数据分析平台，导致无法通过数据给企业带来额外的信息和价值。

　　第二阶段

　　这个阶段，是关于如何回答好5W2H的。（注：5W2H是指什Who、When、Where、What、Why、How、How Much）

　　需要有数据分析师的角色帮助各部门分析各类数据，公司可以成立自己的数据团队来开发数据分析工具，也可以选择第三方的平台，不论哪种方式，都要收集足够的数据，把各个部门所产生的数据尽可能准确、详细的统计到，并且有可视化展现的报表可以查看。这样，企业经营者就可以通过数据统计的结果，感知到公司各个部门的运营情况，把各个部门的工作内容变成可量化的指标来评估。

　　第三阶段

　　这个阶段是通过分析、洞察数据来思考为什么会有这样的结果，是对于上个阶段的进一步诊断。需要对数据进行多维分析，还需要有很强的行业知识，对数据有全方位的认知。除了对数据的全面掌握以外，还需要引入行业参考数据等，再跟据自身产品的特点，找到每一个可量化指标的最佳参考数据，监控这些指标，快速查找原因。从而能够清晰的知道是哪些原因导致的，从而做出合理的决策。

　　第四阶段

　　这里说的行动，指的是基于对数据做了大量的分析，在得到结论或者数据模型之后，对产品做的优化，给用户提供不同的产品体验。包括数据部门在内的各个部门需要进行联动，将分析结论和实践结合起来，让数据结论不止停留在报表上，要让数据在产品和营销中流动起来。

　　听小编说了这么多的，到底你们的数据能发挥出多大的价值，是以何种形式来驱动企业发展的，需要大家共同来创造啦。

现在，数据资产成为了企业家最常挂在嘴边的字眼。诸如销售数据、业务数据等企业在生产经营中产生的大量数据经过清洗、提取、分析等操作后，就可以呈现出重要商机和风险警示。但是，企业规模不同、数据应用的成熟度不同，大数据技术的发展更是一日千里。如何利用沉寂在CRM、ERP、Excel等工具里的数据成为了企业亟待解决的问题。

数据提供了有意义和有价值的见解，使人们具备了技术决策能力。以下的5个技巧可帮助企业从谈论关键指标转变为针对战略决策数据采取行动。

1.建立数据库

行政数据储存于OA中，客户和销售数据储存于CRM中，生产和财务数据储存于ERP中，还有大部分的数据用Excel进行管理，这是大部分企业的信息化现状。储存于不同系统当中的信息如果不能进行互联，就无法产生额外的价值。要开始实施数据管理过程，重要的是要在企业内的所有应用程序管理软件中建立统一的数据标准和数据模型，以便跨系统进行数据关联。数据可视化可以显著改善企业内部的决策效率。但是，源数据清理和排列是首要关键步骤，企业应加以重视。

2.统一数据标准

在建立了数据库之后，企业还需建立一个数据标准使现有数据和未来新增数据都能够在同一个标准下统一管理， 避免 “信息系统建设越多，未来数据整合越难” 的困境。适当的数据管理将使企业能够构建其数据模型，并随时增强现有分析。

3.建设数据管理平台

数据管理平台不仅具备数据的储存，还是一套数据组织和管理的解决方案。特别是企业各部门之间数据的共融共通，以及企业数据怎么样进行索引和关联，形成企业内部数据的有效互联互通。数据管理平台还要以业务为导向，不能脱离实际业务而存在。比如零售企业，就应该形成以消费者为中心的索引和画像系统，主要支持精准广告、智能客服等核心业务， 其次才是以商品为中心的索引系统，主要支持物流和仓储优化等业务。

4.了解数据所有权在哪里

一旦开始清理数据的过程，将数据模型的各个部分拼凑在一起，就会自然产生数据所有权的问题。不同部门的数据权限是什么，不同等级的工作人员的数据权限是什么，都需要企业在一开始进行制定，这需要在明确不同部门的数据需求之后再进行定制。

5.建立自己的交付引擎

企业可以引入可视化技术，虽然一开始可能并不确切地知道其作用，但一旦采用，管理人员和员工之间的想法就会蓬勃发展，并且需求将会快速增长。过早释放某些功能可能会导致一些错误的启动。而在将可视化引入企业之前，需要确保已经构建了引擎，建立一个入口，开发优先级机制，并考虑所有安全隐患。

“大数据”这个词已经引起了很多人的关注，但随着大数据的概念发生波动以适应瞬息万变的市场，人们将在未来几年越来越了解大数据。在企业中，数据提供了有意义且有价值的见解，使人们掌握了能够简化效率、跟踪安全数据，并提高客户满意度的技术决策能力。当正确管理和使用数据时，数据可能是拥有洞察力的关键，这种洞察力可让企业提升新的高度或获得更多的利润。

在网络，移动设备，传感器，社交媒体，交易应用程序，日志文件，大数据等实时数据泛滥的情况下，发现了大量垂直市场应用程序，从诈骗检测到科学研究。无论涉及重大隐私问题或企业困难的挑战如何，仅在2017年，大数据投资就获得超过570亿美元的增长势头。预计未来三年的投资将以约10％的年增长率进行增长。

大数据分析所需的基本资源

大数据咨询已成为软件开发服务提供商的可行选择。无论是营销还是品牌实施的新产品，公司都不会轻易作出决定。当提到任何重大举措时，企业都会寻找他们客户提供的数据，以确保公司正朝着观众遵循的方向发展。

从点击流数据到购物车上的信息，都有大量的材料需要筛选，这就是为什么企业支付高价值的大数据咨询服务才能理解这一切。对于新职业市场的人来说，大数据分析是一个不错的选择。 当然，必须熟悉开始处理数字所需的技能和工具。

大数据分析所需的五个资源如下：

1.完成MATLAB Mastery Bundle

MATLAB或Matrix是一个多范型数字计算空间和编程语言。用外行人的话来说，它是一种工具，它使得编写代码，运行脚本以及执行数据分析和可视化等任务变得轻松易懂，从而解决复杂问题，而这些代码还不那么复杂。

2. Python Power Code BONUS Bundle

市场上有许多重要的编程语言可供选择，数据分析师使用其日常任务和职责中的很多。但是，如果有人要先学习，那就是Python。 Python语言被誉为用户友好型以及直观性。此外，它拥有众多的功能，这使它能够处理数据争夺。 70小时的培训通过展示如何下载，提取，清理，汇总，分析和可视化数据，开始了编程教育。

3.大数据和分析主工具包

数据分析师和高级分析咨询人员使用大量的语言和工具来获取角色，这并不足为奇。这四个模块集合为数据库添加了四个重要的分析工具，即Minitab，SPSS，SAS和R Studio。

4.使用Tableau Desktop 9 Bundle进行数据可视化

通过交互式仪表板分析和呈现数据以完全挖掘信息的主要工具之一是Tableau 9.这个收集将使您了解Tableau。因此，可以开始创建自己的可视化数据。

5.完整介绍R编程包

R的核心是一种统计编程语言，它非常适合挖掘和分析数据。但是，它也具有高级图形和机器学习功能，在数据可视化和集成复杂算法方面提供了一些独特的优势。在五门课程和三本电子书中，收集指导通过要点使用R来充分发挥潜力。

大数据优势

大数据应用程序可让数据科学家，统计人员和其他分析专业人员分析越来越多的结构化数据以及其他形式的数据，而这些数据往往不被传统的商业情报和分析程序所利用。这涵盖了非结构化和半结构化数据的组合，例如互联网点击流数据，网络服务器日志以及来自客户电子邮件的文本，机器数据，社交媒体内容和通过连接的传感器到事物互联网的呼叫细节记录。

在更大的范围内，数据分析技术迎合数据集分析的手段，并最终帮助企业做出充分知情的决策。商业智能查询回答关于业务绩效和操作的基本查询。大数据是一种高级分析，涉及复杂的应用程序元素，如预测模型，统计算法等。

用数据咨询创造新的增长机会

数据分析可以创造大量新的增长机会。此外，它甚至可能会产生一个新的业务类别，例如分析和汇总行业数据的类别。大多数企业将处于大量关于服务和产品，供应商和买家，消费者偏好和意图以及更多信息流的信息中。

各行各业的企业都应该开始大力创造数据功能。除了广泛的数据外，数据的高频率和实时性也是至关重要的。通过数据分析，实践被更广泛地使用。

今天的大数据和分析应用市场真是巨大。世界各地的软件开发服务提供商提供了大量的数据咨询工作。现在，大数据体验意味着更有可能从软件开发组织获得有利可图的工作。市场很大，有一系列的项目，交易，服务和合作关系。咨询服务可能会有所不同，具体取决于组织的特定要求，以及需要利用数据分析和解决方案的功能，这些功能可以简化业务流程。

文 | 韩卯卯

来源：韩卯卯

入门思路有四步

第一步 熟悉各种数据指标

第二步 指标落实到报表和模板

第三步 掌握数据分析方法

第四步 运用数据分析方法论

第五步 系统性理解业务

「一 数据指标」

熟悉数据指标，是数据分析的基础，就好像是学英文先学字母一样。

「二 报表分析」

数据分析指标不仅要自己看得懂，还要落实到一个固定的模板去监控展示。

这样的好处有二，一是不用每次都找技术去导数据，用excel分析数据，有时候还卡得慢；二是通过把指标放到电子模板里展示，汇报分析结果是清晰明了，领导也能直观得看出数据差异，做决策性分析。

这个一般通过报表工具或者BI工具。如果没有，请死缠烂打找IT同事去开发去买~

下图以finereport开发的效果举例：

流量分析（finereport）

渠道转化分析（finereport）

活动推广分析（finereport）

「三 数据分析方法」

对比分析法

指将两个活两个以上的数据进行对比，分析他们的差异，从而揭示这些数据所代表的事物发展变化情况和规律。分成两类：

静态比较是在同一时间条件下对不同总体指标的比较，也叫横比

动态比较是在同一条件下对不同时期指标数值的比较，也叫纵比

分组分析法

深入总体的内部进行分组分析。其关键在于组数和组距。在数据分组中，各组之间的取值界限成为组限，一个组的最小值称为下限，最大值称为上限；上限和下限的差值称为组距

结构分析法

是指被分析总体内的各部分与总体质检进行对比的分析方法，即总体内各部分占总体的比例，属于相对指标。一般某部分的比例越大，说明其重要程度越高，对总体的影响越大。

结构相对指标（比例）的计算公式为：结构相对指标（比例）=（总体魔偶部分的数值/总体总量）*100%

平均分析法

运用计算平均数的方法来反应总体在一定时间、地点条件下某一数量特征的一般水平。

交叉分析法

用于分析两个变量之间的关系，即同时将两个有一定联系的变量及其值交叉排列在一张表格内，使各变量值成为不同变量的交叉节点，形成交叉表，从而分析交叉表中变量之间的关系。

杜邦分析法

杜邦分析通过利用各主要财务指标间的内在联系，对企业财务状况及经济效益进行综合分析评价的方法。它的特点是，将若干用于评价企业经营效率和财务状况的比率按照其内在联系有机的结合起来，形成完整的额指标体系，并最终通过权益收益率来综合和反应。

漏斗图分析法

以漏斗图的形式占线分析过程及结果。能对业务流程有直观的表现，能说明问题所在。单一的漏斗不能说明好坏，需要利用对比分析方法。

矩阵关联分析法

是指根据实物的两个重要属性座位分析的一句，进行分类关联分析，找出问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。在解决问题和资源分配时，为决策者提供重要参考依据。

「四 数据分析方法论」

单纯的罗列数据指标，是没有意义没有价值的。

需要以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这样才才能得到有价值有指导性的分析结果。

营销方面的理论模型有4P、用户使用行为、STP理论、SWOT分析等

管理方面的理论模型有PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART等

都是经典的营销、管理方面的理论，需要在工作中不断实践应用，体会其中的强大作用。

以分析理论为基础，搭建的分析框架，会使数据分析变得有血有肉有脉络，真正做到理论指导实践。明确数据分析目的以及确定分析思路，是确保数据分析过程有效进行的先决条件，它可以为数据的收集、处理及分析提供清晰的指导方向。

这些跟数据分析相关的营销、管理等理论统称为数据分析方法论。

4P营销理论

它是随着营销组合理论的提出而出现的。可以采用4P营销理论对数据分析指导了解一家公司的整体运营情况。

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

产品：从市场营销的角度来看，产品是指能够提供给市场，被人们使用和消费并满足人们某种需要的任何东西，包括有形产品、服务、人员、组织、观念或它们的组合

价格：指顾客购买产品时的价格，包括基本价格、折扣价格、支付期限等。价格或价格决策关系到企业的利润、成本补偿，一级是否有利于产品销售、促销等问题。影响定价的主要因素有三个：需求、成本和竞争。

渠道：是指产品从生产企业流转到用户手上的全过程中所经历的各个环节。

促销：是指企业通过销售行为的改变来刺激用户消费，以短期的行为导致提前消费来促进消费的增长，吸引其他品牌的用户导致提前消费来促进销售的增长。广告、宣传推广、人员销售、销售促进都是一个机构促销组合的四大因素。

逻辑树分析

这是最经常使用的分析方法。主应用于业务问题的专题分析，将所有子问题分层罗列，逐步向下扩展。逻辑树的作用主要是帮助你理清自己的思路，避免进行重复和无关的思考。

「五 系统性的理解业务」

理解业务，可以先找行业大号的文章，有个初步的认识。

最主要的还是看这个行业的经典书籍，甚至是专业教科书。

关于广告营销行业，推荐两本书：

《营销管理》现代营销之父-菲利普·科特勒

现在各种分享会培训，里面流传的方法论、观点，其实科特勒在50年前就说过。

翻开书第一句话，就是产品经理的职业准绳——有利可图的满足用户需求。

《计算广告》360商业产品首席架构师-刘鹏

计算广告是新兴的综合性的课题，在在大数据和技术环境发展下催生出来的。

至少终于有本书，能有操守有底线的讲清楚DSP、SSP、DMP，它们是怎么来的，到底都是嘎哈的。

【私考】

正所谓 学好数理化，走遍全天下

能不能发展成为贺涵，就靠数据分析了~

有兴趣就好好学喽！

前言

是否想要改善你的决策过程？现如今，一个组织想要保持竞争力，光靠直觉本能已经不够了，大多数组织都已经认识到数据应该成为组织决策的核心。

凭借几乎所有业务领域的技术，你可以使用其生成的数据来确切了解组织中发生的情况，并通过测试不同的方案和成功使用信息来使你的业务更加灵活。

你不一定必须是数据科学家才能获得奖励，还可以采取一些简单的步骤，使你的业务决策更具数据驱动力。

正文

1.数据本能：从数据驱动的决策中获得收益

今天，世界各地的顶级公司都使用数据来决定他们的业务。他们领先于其他公司的原因是将关注的重点放到数据上而不再仅仅依靠商业头脑，从而获得竞争对手不具备的战略优势。

排名在前40%之后的企业，其大部分业务决策（约70%）是基于直觉或经验的。换句话说，通过数据驱动业务决策的的组织比那些由直觉本能驱动的企业更容易达到行业的顶端。

以下是成为数据驱动型组织后可以获得的一些东西：

l 在具有前瞻性的公司中使用数据有利于保持竞争力。

l 数据驱动的公司更加以客户为中心，深入了解客户和业务。

l 经济高效-存储大量数据可能是昂贵的，特别是如果你仅将其用于合规性目的。建议将数据放在工作中，并将其用于你的优势。

l 检测新的或错过的机会，帮助你的公司发展和定期改进。

l 变得更敏捷，更好地应对市场/创新。

2.不要让数据带领你走下花园之路

不得不说，你掌握的大量数据不一定与你开展业务的方式相辅相成。

数据与你可以从中吸取的洞察力一样有价值，所有关于浮动的信息很容易将你引入歧途。

从中吸取真正价值的关键是确定要使用哪些数据。你使用的指标（你衡量的信息，例如网页浏览量或转化次数）将决定数据驱动决策的成功率。你应该看的是那些对其增长至关重要的业务领域。

下面是你应该问的一些问题：

l 数据来自哪里，真的有代表性吗？

l 如果你根据数据做出假设，这些假设是否仍然会受到不同的结果的影响？

l 自变量会改变结果吗？

l 你能采用不同的分析方法吗？

3.如何在5个步骤中变得更加数据驱动

考虑到这一切，我们应该怎样让我们变得更加数据驱动？

步骤1：制定策略

数据驱动的决策从最重要的战略开始。这有助于集中注意力，除去所有对你的业务无意义的数据。

首先，确定你的目标——数据可以为你做什么？也许你正在寻找新的潜在客户，或者你想知道哪些流程是有效的，哪些不是。

看看你的业务目标，然后围绕它们制定一个策略——这样你就不会因为大数据提供的所有可能性而变得不知所措。

步骤2：确定关键区域

从客户交互到员工使用的机器，数据从各个方向流入组织。管理多个数据源至关重要，并确定哪些领域将带来最大收益，什么领域是实现你的首要业务战略的关键——例如，财务或运营。

步骤3：数据定位

现在，你已经确定了你的哪些业务领域将从数据分析和你想要解决的问题中获益最多，现在是时候确定哪些数据集将回答这些焦点问题。

这涉及到你已经拥有的数据，并找出哪些数据源提供最有价值的信息。这将有助于简化数据。请记住，当不同部门使用单独的系统时，可能会导致不准确的数据报告。最好的系统可以交叉分析来自不同来源的数据。

根据你的业务目标定位数据不仅有助于保持数据存储的成本下降，还能够确保你获得最有用的见解。

注意成本，为了让董事会高兴，所以只关注你真正需要的数据吧。

步骤4：收集和分析数据

确定将管理数据的关键人员，这通常是部门负责人。也就是说，最有用的数据将在外部和内部的各个级别进行收集，因此你可以全面了解业务发生的情况。

为了有效地分析数据，你可能需要集成系统来连接所有不同的数据源。你需要的技能水平将根据你需要分析的内容而有所不同。查询越复杂，你需要的专业技能就越多。

另一方面，简单的分析可能只需要Excel的工作知识，例如，一些分析平台提供可访问性，以便每个人都可以访问数据，这可以帮助连接整个员工队伍，并使更多的联合组织成为可能。

数据越多，人们就越有潜力从中发现洞察。

步骤5：将洞察转化为行动

你从数据中获取的见解的方式将决定你从他们那里获得的收益。

有多种商业智能工具可以将复杂的数据集合在一起，并以一种使你的见解更容易被决策者消化的方式呈现。

当然，它不是关于呈现漂亮的图片，而是以可视化的方式可视化洞察，使得更容易看出需要采取的行动，以及最终如何在业务中使用这些信息。

以上即是数据驱动决策的5个步骤，供你参考。

首席信息官正在利用数据分析来提高效率和促进增长，但并不是每一次努力都会产生结果。以下讲述了优秀的首席信息官是如何成功地利用数据分析和机器学习技术来增加收益或降低成本的。

如果把数据比作新的石油，那么掌握如何将其提炼为可使用的情报就是发挥其潜力的关键。为此，首席信息官正在使用预测分析工具，设计机器学习算法和对其他解决方案进行测试，以追求企业的效率和以新的方式为客户服务。

胡椒博士集团(Dr.PepperSnappleGroup)将机器学习技术用于语境相关性工作中

多年来，胡椒博士集团的销售路线员工一直是抓着一本厚厚的活页夹，里面装满了客户数据、销售和促销说明，然后去吸引一些零售客户，如沃尔玛和塔吉特百货公司(Target)等。今天，销售人员不再使用这种活页夹，而是配备了能告诉他们需要拜访哪家商店的iPad，而且还会告诉销售人员该为这些零售商提供何种优惠，以及其他关键指标。胡椒博士集团的首席信息官汤姆·法拉(TomFarrah)表示：“他们都是接订单的销售人员，为此他们感到很骄傲。现在他们配备了信息资料来帮助其实现目标，使他们成为智能的销售人员。”

该MyDPS平台配有机器学习和其他分析工具，可在工作人员加载应用程序时向其提供建议和日常操作记分卡。这些算法向员工显示他们是如何按照预期计划进行工作的，包括他们是否按照自己的计划工作，或是落后于计划，以及给他们提供见解，让他们清楚如何纠正他们的工作。法拉说：“如果我要让某人获得成功，我必须确保他们拥有哪些信息是与工作内容相关的。”

经验教训：为了测试验证MyDPS平台的概念，法拉将该软件分给了一个分公司的四个人，并让业务总裁去拜访他们。他们透露，自从上个月使用MyDPS之后，执行销售额已经提高了50%，这一表现让他批准了该项目。法拉说：“他获得了结果，这就是销售所需要的，这不仅仅是为了项目的商业赞助，而且这也是他们希望得到的结果，这一点非常重要。”

凭借机器学习技术，RRD公司走上新业务之路

营销传播公司R.H.Donnelley公司为RRD公司的前身，几年前，RRD公司设立了物流部门，向消费者和企业配送它的印刷材料。为了支持这项业务，公司自己管理运营，并代表其合作伙伴配送各种物品，包括洗衣机、狗粮等等，最终成长为价值10亿美元的一个企业。这是一个挑战吗?在联邦快递和UPS成为无可争议的霸主的天下，找到一个最优的运费。

诸如天气、地域、司机和政治局面等因素都是业务上的成本。RRD公司的首席信息官肯奥布莱恩(KenO'Brien)表示，随着迫切需要对费率变量进行预测，RRD公司转向了机器学习和数据分析。公司聘请员工和与大学合作来帮助编写算法，在700条路线上测试数千个场景，直到能够以99%的准确率提前7天实时预计运费。奥布莱恩说：“该项目在不到一年的时间就完成了，我们现在仍然看到业务的增长与运费有关。”该公司预计，在2017年，其卡车货运代理业务将从400万美元增长到1600万美元，营收将增长1200万美元，业务规模达6亿美元。

经验教训：新企业需要高水平的全心投入，尽管奥布莱恩承认，他的一些业务同行已准备好在业务的不同环节上认输。该业务并不相信那些通常以感觉和猜测来完成一个流程的技术。RRD公司建立了一个协作环境，业务和IT共同合作来推进结果。“你会遇到困难，你会遇到挑战，但要耐心，”奥布莱恩说。

孟山都公司(Monsanto)利用机器学习技术，实现最佳种植计划

农民永远为要种植何种作物，种植面积，在哪里种植及何时种植而苦恼。种子行业巨人孟山都公司正在研究这项工作，利用数据科学为农业种植提供规范性建议。数学和统计学模型会绘制出雄性作物和雌性作物的最佳种植时间，以及在何处种植，在理想状态下，这就最大限度地提高产量并减少土地使用。孟山都公司全球IT分析主管艾德里安·卡地亚(AdrianCartier)表示，其机器学习算法在数天内完成了超过900亿的数据点，而不是几周或几个月。这是商业利益吗?在2016年，孟山都公司节省了600万美元，其供应链足迹减少了4%。卡地亚说：“北美地区的土地利用率下降了4%，相当于不去使用大面积的土地，这节省了大量资金。”

经验教训：孟山都公司成功的关键是在信息技术与供应链业务之间建立了一个“自始至终”的合作。卡地亚说：“他们具有农业和供应链角度的专业知识，而我们具有数学和统计领域的专业知识，两者结合起来，就创造了我们能够提供的价值。”卡地亚说道，他还寻求在供应链业务中“改变领导者和倡导者”，以形成对反对者一种健康的平衡。

柏克德公司(Bechtel)以卓越的大数据中心来颠覆自己

一个鲜为人知的事实：柏克德公司首席信息官CarolZierhoffer说，与建筑有关的支出占GDP的13%，但整个行业在过去二十年中只有1%的生产率增长。专家表示，通过重新制定合同、提高工人技能以及改进现场执行工作等方式，该行业可以提高50%至60%的生产率。柏克德公司建造了胡佛水坝、英吉利海峡隧道和其他大型设施，已经开始在业务各个环节的数据中挖掘洞察力。

Zierhoffer在沃尔玛、波音和洛克希德马丁公司会见了业内同行，以获得有关如何向前发展的见解。柏克德公司建立了一个先进的大型数据中心，其中包含5千万亿字节数据的数据湖，并开始了概念验证。该数据中心使用照片识别技术，并代表客户来检查和标记各个地点的照片，这节省了200万美元。自然语言处理(NLP)工具可解析索赔、提案请求(RFP)和合同。过去需要几天和几周的评估和计划工作现在只需要数小时。柏克德公司还扩大了分析工作范围，以了解员工的流失率情况，包括试图预测员工将何时离职。Zierhoffer说：“我们相信我们正在敲开解决生产率难题的大门。”

经验教训：数据仓库和质量是支柱。尽管柏克德公司可以分析大量的数据，但在整个业务各环节的数据质量必须提高。“我们不得不颠覆自己，了解我们是如何工作的，并且将数据仓库进行连接。”

数据分析帮助辛辛那提动物园提高客户满意度

辛辛那提动植物园成立于1873年，是世界上著名的动植物园之一，以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩，园内有500种动物和3000多种植物，是国内游客人数最多的动植物园之一，曾荣获Zagat十佳动物园，并被《父母》（Parent）杂志评为最受儿童喜欢的动物园，每年接待游客130多万人。

辛辛那提动植物园是一个非营利性组织，是俄亥州同时也是美国国内享受公共补贴最低的动植物园，除去政府补贴，2600万美元年度预算中，自筹资金部分达到三分之二以上。为此，需要不断地寻求增加收入。而要做到这一点，最好办法是为工作人员和游客提供更好的服务，提高游览率。从而实现动植物园与客户和纳税人的双赢。

借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力，在部署后，企业实现了以下各方面的受益：

-帮助动植物园了解每个客户浏览、使用和消费模式，根据时间和地理分布情况采取相应的措施改善游客体验，同时实现营业收入最大化。

一、数据工具

作为一名数据分析师，EXCEL是必须掌握的，EXCEL的图形表达能力够强大，也能提高你的工作效益，如果你能懂HADOOP，那就离大数据更近了。

如果你不想你依赖IT人员获取数据，可以学会SQL，SQL是为统计取数而生的方便工具，图形化的透视方式SQL也能表达的淋漓尽致。

二、分析能力

可以分广度、深度、速度来分析理解

速度：互联网发展快速，明明可以一个月的项目，你却花了两个月，这就是在浪费时间与人力。

广度：每个产品的用户拉新做的好，那么用户留存就会降低，活跃度也会因此降低，所以并不是每个产品都适合一上线就大量拉新，要分析各者之间的关系，保持一个平衡度，这些数据分析在广度上有一定的了解。

深度：有些问题一个人解决不了或者很难，多几个人就可以了，比如说搬砖，十人人搬总会比一个人搬快得多，哪怕不是十倍速度。而有些问题，靠堆人力是没用的。

三、技术能力

作为一名数据分析师，统计学是你的必备基础，然后用高级模型来解决实际业务，学了这些理论知识，你就需要一些工具辅助你，而P和PYTHON是很有名的数据分析工具，而数据分析师是一定跟数据打交道的，而数据都是储存在数据库里面的，所以掌握数据库技术也是必要的。

如果不知道从哪里找资料学习，推荐《统计学》《R IN ACTION》《深入浅出数据分析》这三本书，会对你很有帮助。

四、沟通能力

数据分析贯穿BIT、数据、技术、业务整个链条，通过对产品数据分析的结果从而说服产品和工程方面来改变产品，产生效应。这时候就得展现你的沟通能力了，你能清晰表达并让他们接受，这个过程就靠你自己的语言组织了。实操练习“以上都是理论和工具，但是实践才是出真知，不管是刚接触数据分析的职场人，还是专业学习数据挖掘分析的你，在学习以上内容的同时，多参加一些比赛，学习同领域的专业大神，自己操控一些项目，提升自己的专业能力，积累经验。

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

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 ——