对一家互联网公司来说，如果没有设置单独的数据运营岗，那么用户运营是和数据最贴近，也必须是最了解用户的。

用户运营核心的方法论就三个：拉新，促活和留存。拉新可以作为渠道推广单独讨论，而促活和留存则相辅相成。

非运营岗，或者其他类型的运营，通常只会注重一个活跃数据的果，而不会注意活跃数据的因。我们在这里就抽丝剥茧，教大家比较快速地了解活跃体系。

互联网公司对活跃用户的定义大同小异，主要以用户打开APP一次记为一个活跃用户。

按此基础可以在时间维度引申出周活跃用户，月活跃用户。即在一个自然周内打开一次APP，则本周为周活跃用户。月活跃用户同理。

我们假设有一款新产品，这是它四个月内的活跃数据。嗯，看来不错。

产品专注的市场领域不同，活跃用户数天差地别。一款小众的垂直领域产品和泛社交类产品，单纯看活跃用户数，你很难界定它们好坏。

好的数据指标，都应该是比例或比率。

我们设定一个新指标，活跃率：某一时间段内活跃用户在总用户量的占比。

按照时间维度引申，有日活跃率DAU，周活跃率WAU，月活跃率等MAU。

例：月活跃，本月活跃用户在截止月末的总注册用户中占比。

一般而言：活跃用户数，看的是产品的市场体量。活跃率，看的是产品的健康度。

实际得承认，不同产品，用户需求（高频或低频）不同，活跃率也有差异。用户运营更多的职责是监控活跃率的变化，并且提升它。

看，我们的活跃用户数上升，活跃率下降，这对新产品来说很正常。你不能要求每一个用户都使用我们产品不是？

别急，我还没补刀呢。

我们统计了注册用户数，那么我们也可以统计出本月新增用户数，很简单，两个月相减。

是不是看出来什么了？

要知道，按照活跃的定义，新注册的用户肯定是打开APP的用户，他也一定是活跃的用户。

所以，我们拿每月的注册总用户数减去新增用户数，计算老用户数。并且将新老用户的活跃率独立出来。

指标拆分后，我们发现老用户的活跃率比预期低。实际在产品早期、渠道投入资源推广、或一次成功的病毒营销后，因为新增用户数量的暴涨，总是会带动活跃数的上升。

A产品打算在五月份做大投入，在APP上进行活动，希望用户大力参与，同时在B渠道进行推广。在常规的统计指标中，发现活跃数据上升。事后分析发现活跃为新增活跃，老用户的活跃数据没有显著上升。配合其他活动数据，证实活动效果较差。

C产品获得投资后，通过大规模的烧钱推广，获得一个正向的活跃数据反馈。此时活跃有不小可能是由新增用户撑起的。产品自身的打磨若不好，老用户活跃率不会提高，这也是我们常说的留存概念。导致钱白白浪费不少。

产品进入稳定期后，有了一定用户规模，新增活跃一般对活跃数据就不会有大的影响了。那么以新老用户区分活跃统计就够了？我们简单定义三个场景：

用户A下载产品后，把玩了一段时间，发现这是他想要的功能，爱不释手，成为发烧用户；

用户B下载产品后，看了几眼就不再使用。产品2.0发布后，觉得有个新特性不错，于是回来继续使用，逐渐成为活跃份子；

用户C从网上看到随便下载的，用了产品觉得一般，吐槽几句并且卸载，不再使用；

用户包含各种类型，反应了不同群体的特征和想法。在使用整个产品的周期中，我们应定义更全面的指标：

流失用户：

有一段时间没有再打开产品，那么我们就视为流失用户，根据产品的属性，可以按30天，60天，90天等划分。

不活跃用户：

有一段时间没有打开产品，为了和流失区分开来，需要选择无交集的时间范围。比如流失用户是60天以上没打开产品，那么不活跃则是0～60天没打开。

回流用户：

有一段时间没用产品，之后突然回来再次使用，则称为回流用户。回流用户是活跃用户，且是由流失用户或不活跃用户唤回而来。

活跃用户：

一段时间内打开过产品。

忠诚用户：

也可以叫超级活跃用户，长期持续使用产品，比如连续四周，或者一个月内15天等。

现在我们发现，不论是活跃用户还是不活跃用户的维度，都一下子丰富了起来。

通俗的理解一下用户活跃的变化

上文ABC的三位用户活跃路径为：

A：新增—活跃—忠诚

B：新增－不活跃－回流－活跃－忠诚

C：新增－不活跃－流失

回到一开始那款产品的数据，我们将分解后的新指标统计出来。（定义忠诚用户一个月内有15天活跃；流失用户为两个月没打开过）

（以上数据以月末当天的统计为准）

你看，指标开始变得复杂了。产品有长期使用的忠实用户，也有流失用户。有用户回来继续使用，也有用户不怎么爱用产品。

数据是为了方便讲解随手编的。实际的情况可能会更复杂，可以根据情况灵活应对。

用户活跃可以简化为一个最简单的公式：新增用户的数量要大于流失用户的增加量。可以想成一个水池，运营会一直往里灌水，但是水池也会漏水，如果漏水速度太大，那么水池就干了。一款产品可能因为市场竞争、拉新乏力导致新增用户数下降，也可能因为产品改动，运营策略失误造成后续流失用户变多。

将数据制作图表：

(活跃用户和不活跃用户可以拆分出来，周活跃同理)

用户运营们可以按照日、周、月维度维护三张报表，监控活跃数据的变化（建议花更多精力在周报表上）。

如果是一个好的用户运营，他会继续思考：每天有多少活跃用户变得不活跃？有多少忠诚用户变得不活跃？又有多少流失用户被我们唤回来等，并且分别是什么原因引起的。

怎么样更详细的监控活跃数据的变化呢？我们引入桑基（Sankey）图的概念。

这时，活跃数据比单纯的表格清晰多了，而且我们也能够显著观察到不同活跃层的变化。万千变化，存乎一图。 有了数据和趋势，我们应该聚焦更多精力到怎么去应用在运营和业务上。

观察忠诚用户，发现他们有什么特征，为什么爱用我们产品。同样的道理，我们也能观察流失用户；

忠诚或流失用户是否在推广渠道上有显著差异（配合新增留存数据）。

某一段时间回流用户增加，是产品更新，市场推广，还是活动营销？

本周，变成不活跃的用户比以前多，要不要做一次用户访谈看下原因？

活跃的用户用Push营销，流失的用户用短信营销，这是不是一个好方法？

以上种种，皆是用户运营需要考虑，也是要和各部门协同解决，贯彻整个产品一生的运营方向。

活跃类指标有一个显著特点需要明白，它们都是后见性的指标，也就是事情发生后我们才能观察到。比如我们发现某一段时间流失数据（假定两个月没打开APP为流失）上升，往前倒推两个月，发现当时刚好展开一次活动，那么我们有理由相信活动造成了一批用户卸载，可惜运营此时已经无能无力。先见性预防比后见性观察对运营更重要。

根据不同的用户活跃状态，依据产品的特性能采取很多运营手段。这是精准化运营的第一步。接下来则是划分用户层次等，进行更精准的运营，不过那是另外的话题了。

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。

运营一个微信公众号，为什么要做数据分析？因为我们不能盲目给我们的粉丝灌输我们认为他们需要的东西，而是切实对他们有价值的内容。为了更好的了解我们的用户，易指导运营，所以数据分析是不得不做的！应该思考的问题不是做不做分析，而是怎样去做数据分析的问题。

那么需要从哪些层面做数据分析呢？主要包含四个：用户分析，图文分析，自定义菜单分析以及消息分析。

用户分析：包括用户的增长，用户的属性。在用户增长方面，需要去观察用户增长以及负增长背后的逻辑。用户量激增，是因为我们的某篇文章的某个点打动了用户；还是某次活动，形成了裂变传播。在用户属性方面，包括对于用户的性别比例，年龄层次，地域分布，兴趣标签等的分析。了解用户的特征，通过对用户的画像，适时调整内容方向。

图文分析：包括阅读来源，阅读量等单篇图文分析包括转化率朋友圈传播分享等。通过对单篇图文的深度剖析，深挖用户的兴趣点，做针对性的内容生产。舍弃用户不感兴趣的点，在用户感兴趣的点去深度挖掘。

菜单分析：舍弃冗余的菜单设置通过菜单的点击率了解用户对哪方面的需求更感兴趣，对哪些菜单设置视而不见。点击率较低的菜单设置，分析其原因，不断舍弃不受欢迎的菜单，增加新的菜单。

消息分析：用户公众后台留言统计用户对设置关键词的回复数量，从而来指导判断文章的好坏。以及对用户留言的统计分析，客服与用户深度交流，了解用户的影藏需求。

数据分析对于指导运营是至关重要的，不要因为繁琐而不去做。数据是运营的方向指南，指引我们拨云见雾。

我是王李江，与你分享新媒体运营的小小感悟。大家多提意见，相互交流！

数据分析对于运营来说非常重要，它就像航海中的指南针，越精确的数据细度能反映不同运营手段对应的不同效果。

那么，到底该如何利用数据分析显著提升运营效果呢？本文将从4个维度给你一些建议

随着运营种类的增多，针对不同的运营模块，对应的数据分析方法也不相同。那么，怎么通过精细化的数据分析使流量运营、用户运营、产品运营、内容运营的运营效果实现指数级增长呢？

流量运营更多的解决的是用户从哪来的问题。

在目前硅谷流行的增长框架中，拉新是最重要的一个环节，和过去粗放式的流量运营中，关注PV、UV等数据指标相比。在如今流量红利逐渐退去的市场环境下，竞争更加激烈，仅仅从PV、UV等方面作为流量的KPI是远远不够的，还应当从更多的方面进行评价，才能更有效率地进行流量的管理。

1、流量概览

通过多维指标判断基本的流量情况。

在判断流量的基本情况时，除了访问量、UV、PV等这样的量级指标。我们同时还应该多维地关注平均访问时长，平均一次会话浏览页数，也就是我们讲的访问深度，跳出率等基本质量的指标。通过几个指标的基础组合，我们能了解用户使用产品的最基本概况。

例如平均一个访客，一天内访问几次产品。其中百分之多少，仅浏览一页，就直接跳出，丧失了转化机会。用户一次使用大概使用多长时间等等。

产品生命周期的概念，过去最多地应用在商业模型中，而目前也有很多的互联网产品在使用相关的概念。

产品生命周期中，最直观的指标就是访客的构成。访问用户中，包括新访的用户和访问用户。登陆用户，包括新登陆用户和登陆用户。新访客比上全体访客，登陆用户比上访问用户，新登陆比上登陆用户的比例，等等，也可以判断流量的基本质量。

举例来说，一个处在成长期的产品，来访的流量中，新用户的比例很低，说明增长的空间就相对较低。这个时候，我们就应当及时调整运营方向。

2、流量分析

在了解流量的基本情况之后，我们需要对流量进行细分分析，一旦探索和暴露流量方面的问题，制定下一步可执行的策略。

按访问来源分析流量表现

那么在网站的流量分析中，一般分析维度包括访问来源、落地页、搜索词、广告等等。我们主要讲一下访问来源以及流量具体从哪里来。

从访问来源来讲，那么基本的访问来源，我们也可以叫一级访问来源，包括有直接访问、外链、搜索引擎和社交媒体。在每一类访问来源下，又存在多种形式和多种渠道。比如说社交平台和搜索引擎，就会有多个不同的平台。在这个框架下，我们需要去一层一层地进行拆解，从大类到具体的类别，再到具体的渠道来查看流量的表现。

举例子来讲GrowingIO的博客是一个以运营干货为主的网站，有部分用户会直接访问来查看我们博客内容更新。很多文章会进行外部的推广，在媒体进行转载引用。我们自己也会分享在不同的社交媒体中。就如图所示，我们拿社交媒体推广为例，其中访问量、访问用户、平均访问时长、跳出率等指标，我们可以直观地发现，相比较于微信和知乎、微博推广平台的流量质量是相对来说比较低的。

这个时候，当运营资源有限的情况下，我们的运营人员，就需要针对流量的基本表现，来进一步规划社交媒体推广的策略。

从流量入口分析流量表现

我们刚才讲的访问来源的分析中，讨论的更多是流量的来源。但仅仅考虑来源，我们就忽略了流量的另外的一个方面，也就是流量的入口。

所以对一般的网站来说，流量的入口，就是第一个到达我们网站的页面，也就是我们一般所讲的落地页。因此落地页的分析，对于流量质量的判断来说，也是十分重要的。用户到达网站的第一个网页，大部分是哪一个网页，是不是大部分流量被导入或者引流到了无效或者是不重要的页面，从而使用户丧失了进一步了解的兴趣，直接跳出了我们的网站。

通过访问量、跳出率等这些指标我们就可以对我们导流的落地页，有一个基本的判断。

分发渠道和版本

对于APP来讲，流量分析中主要的维度，应该包括的是分发渠道，还有APP的版本等。那么对于分发渠道来讲，我们需要监测用户下载的主要分发渠道。比如说小米应用市场、腾讯应用宝等等。

各个渠道中，除了活跃用户数，也就是我们讲的DAU或者访问用户量这样的指标外，新访问用户量也是一个很重要的指标。对于下载量较大的分发渠道，我们需要进一步去做分发渠道的这种ASO的优化。争取较好的推荐位等。

当然同时，如果当某个分发包出现问题，导致不能下载的时候，我们也可以及时地去发现问题。

在APP产品中，产品会经常去进行一些功能的优化调整，来进行新版本的发布。所以一段时间之内，会存在新版本和老版本APP被同时使用的情况。这个时候我们就需要在时间维度下，去监测不同版本的APP使用用户量占比的一个情况。也就是图中的这种APP版本更迭情况图，进一步地去了解我们的APP版本的更迭速度，以及目前大部分用户使用的是否是我们进行新版本优化的这样的一些情况等等。

在正常分发渠道之外，一般我们还会做一些比如说外部的推广活动，利用H5或者是外部链接等等，去进行APP的推广。对于这些外部链接，以及相应活动推广的这些渠道包，我们也要进一步甚至去重点关注他们的流量的基本表现。

3、流量激活及转化分析

流量的基本的分析，除了访问量、跳出率等指标以外，我们还应该和产品的具体目标结合起来。做流量或者渠道运营的童鞋，在拉新的基础上，更重要的是要找到对产品目标具有正向促进作用的渠道。所以还需要进一步激活。

在下图中，我们以激活来举例，当然激活在每个产品中的定义也是不一样的，有的和注册有关，有的会更深一步。比如说像做支付类产品，可能是做到实名认证等等。不管是什么样子的定义，激活一般是需要一定的流程和步骤的。我们可以按照激活的流程和步骤做一个漏斗分析，得到激活流程的整体转化率，以及每一步的流失情况。

4、综合流量大小、激活、转化等进行渠道的优化配置

接下来，我们就可以按照访问来源来分析每个渠道的激活转化率了。在上图的这个例子中，我们可以看到，对于不同渠道引流的用户，注册激活转化率有较大的差异。

通过这样的分析，我们就能够进一步深入了解不同渠道的差距。比如下图，这几个渠道中，除了好123以外，在转化的第二步之后的转化率的量级，其实是相差不多的。在第一步和第二步之间的这个转化率，有较大的差异。

转化的第一步，一般来讲是一个转化开始的意愿判断。所以我们可以大概地去定位客群特征，并去做推广话术和方法的差异化。对于比如说像好123这个渠道，是一个访问量很大，但是基本上没有转化的渠道。这个时候，我们就需要进一步去对比投放的目标，是想去增加大部分的曝光，还是希望能够精准触达目标的客群，来进一步进行渠道投放的评估。

除此之外，有时候不同渠道整体转化率的差异并不是很大，但是在每一步的转化率上面存在一些差异。尤其是一些垂直行业，特定的推广渠道，目标客群的需求和特征是不一样的。在一定程度上，这些目标客群的区别，就会影响这个核心的转化行为。

所以对转化漏斗分渠道进行分析，我们也可以进一步看到，不同的导流渠道来访的用户，中间的行为是否存在差异，甚至以此来推断客群的特征，并判断是否可以去做一些差异化的运营。

我们正处在互联网高速发展的阶段，快节奏的今天，越来越多企业需要的是能够为其带来直接价值的东西，往往会忽略数据和报告给企业带来的实际价值。事实上一份有效的大数据分析报告能够对企业产生很大的价值。

大数据分析报告的价值

1. 了解客户

大数据可以把我们的触角深入到某个社区、某类人群、某种具体的产品，来了解他们的真实情况；

2. 了解自身

大数据不仅是面向客户，同样也能面向企业自己。自身的产品生产流程、产品特点的定位、产品布局，这些都可以借助大数据进行更好地调整。也许只是将两个步骤调换顺序，可最后的效果却是天翻地覆。

3. 做好运营

大数据在广告运营方面有着十分强大的作用。通过大数据的相关性分析，根据不同品牌市场数据之间的交叉、重合，企业的运营方向将会变得直观而且容易识别，在品牌推广、区位选择、战略规划方面将做到更有把握地面对。

4. 开展服务

企业可以借助社交媒体中公开的海量数据，通过大数据信息交叉验证技术、分析数据内容之间的关联度等，进而面向社会化用户开展精细化服务，提供更多便利、产生更大价值。

也就是说，真正有价值的大数据分析报告能够在中宏观规划、微观/细分市场分析、方案执行和策略部署等方方面面为企业带来价值。

那么大数据报告怎么做？

1. 要有一个好的框架

跟盖房子一样，好的分析肯定是有基础有层次，有基础坚实，并且层次明了才能让阅读者一目了然，架构清晰、主次分明才能让别人容易读懂，这样才让人有读下去的欲望。

2. 数据获取

有了具体的问题，你就需要获取相关的数据了。这时，应该慎重考虑从哪个渠道获取数据更加快捷有效。好的分析一定要基于可靠的数据源。在正确的数据基础上做分析，才能找到正确的结论。

其次，就是对数据采集的对象、过程和处理方法进行评估，看数据是否具有时效性、代表性。

3. 数据预处理

现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据分析，或分析结果差强人意。数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。把这些影响分析的数据处理好，才能获得更加精确地分析结果。

4. 数据分析

在数据分析前，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。

5. 分析报告

这时候展现出了数据分析师的表达能力，如何深入浅出的讲述自己的报表，是自己数据分析是否落地的核心。

在企业中，数据分析师的角色十分重要。没有数据指引的企业犹如没头苍蝇到处乱飞。

如何成为一名数据分析师？

上海数据分析网当前我国数据分析师由中国商业联合会数据分析专业委员会以及工信部教育考试中心共同考核认证。通过培训考核，工信部教育考试中心颁发《数据分析师职业技术证书》，数据分析行业协会颁发《数据分析师证书》，此证书是申请成立数据分析事务所的必备条件之一。

CPDA至今已走过14个年头，目前，全国已培养两万多名持证人员，分别在专业事务所以及数据分析相关行业工作，待遇丰厚，前景明朗。

数据分析师课程架构

课程特色

线上-线下相结合的教学方式

CPDA数据分析师培训采用面授课程加远程学习相结合的方式。面授课程主要侧重于实际应用，集中利用每周六、日上课，共计8天48课时，采用案例教学、互动教学、头脑风暴、深度讨论相结合和方式全面讲解数据分析知识。

远程学习为一年期的网络辅助教学，包括课前知识准备、课堂学习课件、模拟考题、在线答疑及案例实解等内容。

强大师资团队

作为由中国商业联合会数据分析专业委员会、工业和信息化部教育与考试中心在上海唯一的授权管理中心，秉承着对每一位学员负责的态度，我们聘请了专业的数据分析教师团队，带你挖掘数据深处的秘密，大数据大有可为！

最权威的认证

一年四次认证考试，通过后颁发双项认证：

1、中国商业联合会数据分析专业委员会颁发《数据分析师证书》，是将来进入数据分析师事务所工作的前提，唯一的行业从业证书。

2、工业和信息化部教育与考试中心颁发《数据分析师职业技术证书》，在工信部官网可直接查询。

课程体系

第七次课改后采用全新教材，课程内容涉及到数据分析基础、市场营销、战略管理及供应链管理等多方面知识。为此，我们推出了新型课程体系！

先给大家讲一个数据分析的小故事，发生于四百年前。

在中世纪，科学界最大的争论在于，到底是地球围绕太阳旋转，还是太阳围绕地球旋转。那时候有一位伟大的天文学家叫第谷·布拉赫，为了解决这个人类科学最初的大争论，开始了寻求数据支持的伟大征程。当时丹麦国王专门为他建了一个天文台，配备了齐全的观测仪器。从那时之后的20年里，第谷每天晚上风雨无阻地观测行星运动的轨迹，把每个行星每天晚上的位置，精确地记录下来，是天文史上第一个真正地开始收集大数据的天文学家，但是他没有足够的智慧从中发现行星运行的规律。 后来，第谷的学生开普勒拿到大量的数据之后，摒弃了每一天的视角，他从每一年的视角来看：地球每365天就会回到原点，而其他的行星还在自己的轨道上运动。他把行星运动的轨道画出来了，得出了所有行星围绕太阳运动的结论。在此基础上，开普勒提出了著名的行星运动三大定律，成就了近代天文学的开端。

这个故事告诉我们：

1、数据是数据分析的基础。如果没有第谷20年如一日的观测记录，开普勒不可能取得如今的成就；而如果没有开普勒，第谷的所有观测数据，都将成为一堆毫无用处的废纸。

2、要客观的分析数据，具备数据分析的视角和思维。第谷一直以“地心说”的思想观察数据变化，开普勒接受了哥白尼的“日心说”思想，在新的角度上结合观测数据才发现行星运动的定律。

3、要学会合理利用数据。开普勒通过每年的观测数据，才发现了行星运动规律，当我们面对海量数据的时候，最需要的是独具慧眼，在繁杂的数据中找到我们需要的数据，才能真正的将数据运用起来。

我觉得无论什么工作兴趣最重要，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他会觉得不耐烦，那么显然他不适合做数据分析;如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

再则就是逻辑性，可以让他试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

接着是业务理解能力，最简单的就是让他定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。(宏观层面，不要深入细节)

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。

——谷芬芬

专业内的要求基本就是对数据的意识和一些技能的掌握。下面具体说说从一些非专业内要求的方面出发，有哪些方面能表现这个人更适合数据分析。

首先是看到数据有兴奋感的人。有兴奋感说明你有兴趣，那说明很会有意愿把数据分析好。

其次是愿意学习的人。你分析的内容永远不会一尘不变，即使你分析的主题是相对固定，但业务是变化的，你需要不断的学习业务，同不同人沟通，吸收别人的观点。所以分析师一定要报着学习的态度。

然后是逻辑思维较强的人。数据分析师想要把你的分析好，一定要有结论思维。

还有就是较强的表达与沟通能力。因为数据分析最终价值的实现，一般来说不会是分析师亲自去制定或者实施。所以你一定很有条理、逻辑清晰向别人表达，让业务方认识到你分析结果的价值，从而影响业务方去愿意使用你从数据中得到的观点。

——欧阳帅

觉得还是应该先看清楚自己的未来的方向吧~

我有不少朋友 非数学/计算机/统计学 专业毕业的朋友走的是这个方向，数据相关，非技术路线，更偏向于市场方向，对技术的要求只是Excel、PPT，最多要求SPSS，很少要求会写SQL。这条路线看起来比较高大上，可以走外企路线。

数据分析师方向，很多读数学、统计学、计算机的童鞋会选这个方向，终极目标都是成为数据中心的负责人。中间有2个分叉，一条是从数据分析师到数据产品经理，这个路线最近很流行，主要是结合了数据分析和产品经理的能力。一条是高大上一点的数据挖掘方向，这条路线要求比较高，但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想，但算法和代码实现能力不是谁都能掌握的。.

根据你自己想走的路，加上自己的技能点。

——张锦华

想了解更多相关内容，记得持续关注我们哦。

如果你觉得有点意思，请有秩序的评论、转发、收藏。

本文作者：郭朝晖@蝈蝈创新随笔

本文是我关于大数据分析方法的几点思考。当初的目的是系统化地看待数据分析。为了这点东西，我花了一个礼拜的时间，思考的结果却是碎片化的。看来，想清楚并不容易。由于时间关系，只能中止。文字描述很不严格、肯定经不起推敲，读者找不毛病是正常的、看不明白更是正常的。不感兴趣的可以当做胡扯。我希望将来有时间时能把问题思考下去。

从数据中发现信息和知识，是人们多年来的梦想。随着大数据理论的兴起，这个话题变得非常热门。在有些人看来，大数据非常神秘，似乎无所不能。当然，现实不会是这样。我想，研究大数据，首先要破除迷信：大数据需要什么条件、什么问题是大数据无法做到的。

1、知识和信息，只能从关联关系中得到

对象（包括过程，如生产过程、购物过程）及其属性、同一对象的属性之间具备关联关系。例如，“张三身高1.8米”就是对象（张三）与属性（身高）的关联；再如，如果我们知道张三体重75公斤，则“1.8米”和“75公斤”之间就因“张三”建立了关联。

关联的对象可能并不确定：我们看到一张履历表，即便隐去名字、不知道这个人是谁，也知道其中的各种信息是与某人关联的。

在数字化的世界里，不和其他的符号（数字）关联的符号（数字）是不包含任何信息的。从不包含信息的素材，得不到包含信息的结论。

有人可能反对这个观点：谷歌曾经用“感冒”的搜索量预报流感啊，这里哪有关联呢？其实，只有搜索“感冒”的数量是根本无法预测流感的。谷歌的做法，是把“感冒”的搜索与搜索的地点、时间联系起来。

这个观点告诉我们：收集数据的时候，要尽可能地把关联关系建立起来；没有关联关系，数据很容易成为垃圾。这种情况并不少见：有些实验室，把针对同一试样的各项实验结果分别保存起来，而没有建立统一的ID、关联关系丢失。这样的数据，再多也没有用处。

2、人们要挖掘的知识和信息，就是找映射关系

知识（或信息）的发现与挖掘，其本质是寻找映射关系：通过已知的、对象的一部分属性，把对象的另外一部分属性或对象本身找出来（或缩小范围）。产生这类问题的原因是：只有一部分属性已知、容易得到、容易识别、容易表述，而另外一部分未知、不容易得到、不容易识别、不容易描述。

例如，我们可以说：张三就是那个穿红衣服的——这里“穿红衣服”比其他特征容易识别。从衣服识别出张三，就是从张三的衣着特征（属性）找到关联对象（张三）的信息；从一个人的身高预估他的体重，就是从一个根据一类属性估计另外一类属性。

我习惯于把信息挖掘和知识发现分开。

在本文中，信息挖掘指的是预测某个特定对象的属性，如上海市的人口是多少；知识发现是确定一类对象的属性之间的关系，如一类人群中身高和体重的关系。当然，这种区分不是绝对的。

3、映射关系的差别

正确的识别，最好的办法是找到好的素材（数据）。素材与结果之间的关联强度是不一样的：有的比较强，是因果关系、必然联系；有的比较弱，是相关关系、偶然联系。

例如，我们可以根据DNA、相貌、衣服来识别一个人。但三者相比，DNA的联系是强的必然性联系、衣服是弱的偶然性联系，相貌是介于两者之间的联系。大数据的一个著名案例，是网站根据客户买的药判断她已怀孕、并推送有关产品：因为这种药只有孕妇才吃，是很强的关联。

从数据得到的知识和信息，往往不是绝对正确。一般来说，可靠的结论基于可靠的数据和可靠的分析方法。数据量大了以后，滤除干扰的可能性增大，从而可以从原来可靠度低的数据中，得到可靠性相对较高的数据。

所以，尽量找到好的素材，是做好分析的第一步。

在很多情况下，我们找不到好的素材。这时，首先要做的尽量提高数据质量。数据质量不仅是精度问题，还包括数据来源的可靠性：为此，需要把数据来源的相关过程要搞清楚，否则很可能会误导人的分析。

4、相关与因果

有些相关性的背后，一般会有因果关系存在。两个要素由因果产生关联的机制大概可以分成两类：1、两个要素具有因果的关系：比如刚做父亲的青年人常会买尿布；2、共同原因导致的两个结果之间的关系：比如孩子的父亲会常买啤酒，也常买尿布；于是，啤酒和尿布就可能关联起来。

有些相关性，看似没有因果，但背后往往有某些特殊的规律或因素其作用（上述第二种情况）。比如，女孩子往往喜欢花衣服，与基因和文化的共性有关。但这种因果关系可能相隔太远，以至于难以考证了。

当人们需要根据关系作出决策时，需要研究因果的逻辑关系：到底是谁影响了谁。否则，根据分析结构的盲目行为可能适得其反。 “到底谁影响了谁”为什么会成为问题？大概有两类原因：

第一类原因是：忽视了时间因素。如“统计结果表明，练太极拳的身体差”。现实却是：很多人身体变差（包括衰老）以后，才练太极拳。一般来说，具有因果关系的两个要素之间，时间上有前后关系：原因早前，结果在后。

第二类原因是：忽视了前导因素。“公鸡一叫，天就亮了”。现实却是，天量之前的迹象被公鸡察觉到了。两者是第二种因果关系，只是看似“原因在后、结果在前”了。

一般来说，工业大数据分析更重视因果，而商务大数据分析对因果性的要求较弱。

5、数据分析的先导因素

从某种意义上说，数据分析的过程，就是寻找强的相关关系（必然性、因果性），或对弱的相关关系进行综合、得到强的相关关系。

用数据发现信息，需要用到各种知识。例如，把“云南白药是用于治疗外伤的”放入计算机，当某人购买白药的行为判断他或家人可能受伤，从而可以推荐相关产品。但注意到：这种类型的知识很可能是被人事先装入计算机的，而不是靠计算机自动学习得到的。

所有的学习过程，本质上都是基于这样一种假设：A和B的一部分属性类似，则推测另一部分属性也应该类似。例如，A和B的身高相似，则体重也可能相似。现实中，两个属性确实具有强烈的相关性，但身高相同而体重不同的也大有人在。这时，如果我们还知道他的体型，是瘦弱、偏瘦、正常、偏胖、肥胖型，对体重的估计就可以准确一些。由此可见，用数据发现知识的过程，本质上就是提高相关性、可靠性的过程。

一般来说，人们在做数据分析之前，一定会有一定的知识积淀， 但认识不清却是一种常态；人们希望通过对数据的分析，来改变这种常态。而改变认识的过程依赖于数据的质量和分析数据的方法。所以，刨除分析方法外，分析过程依赖于两个先导性因素：1、数据质量（包含多方面的含义）如何；人们已有的认识如何。

注意，这段说法有个潜台词：强调了人类可认识的知识，而不是机器用复杂函数关系表述的、人类难以用逻辑关系认知的知识（如神经元）。的确如此，笔者一直认为：这类方法的作用被学术界有意识地夸大了。

6、数据分析的过程

与商业大数据相比，工业大数据更重视可靠性和精确性。在很多情况下，猜出一个结论并不难，难的是论证一个结论。一般来说，凡是可靠的知识，都应该能够被机理和数据双重认证。

大数据分析的一个重要特征是：传统概率理论的假设往往不成立。例如：大数定理的条件往往不成立、模型的结构往往未知、因果关系不是天然清晰、自变量的误差往往不能忽略、数据分布往往是没有规律的。所以，为了得到可靠的结果，人们工作的重点很可能是验证这些条件、构造这些条件。从某种意义上说，数据分析的过程，主要是排除干扰的过程、特别是排除系统干扰的过程。而且，如果完全依照逻辑、用纯粹数学的办法加以论证，则数据需求量会遭遇“组合爆炸”，永远是不够的。这时，已有的领域知识就是降低数据需求量的一种手段。要记住：求得可靠性是一个过程而不是结果、可能永远没有终点；分析的过程只是不断增加证据而已。这个过程，是修正人的认识的过程；所以，错误或不恰当的认识常常是分析过程中最大的干扰——这个干扰一旦去除，我们可能就发现了真正的知识。

数据量大的直接好处，是排除随机性干扰。但排除系统性干扰却不那么容易，数据量大是必要条件但不充分，需要深入的方法研究才能解决问题。

系统性的干扰往往体现在：对主体进行分组，所体现的规律是不同的。比如，身高和体重的统计关系，男女是不同的、不同民族是有差异的、可能与年龄有关。如果不进行分类研究，统计的结果就会与样本的选取有很大关系。但分类研究也会遇到一个困难：遭遇组合爆炸，数据再多都不够用。这时，“领域知识”就会发生作用：

认定一个结论成立的办法，是确认它的“可重复性”。在许多情况下，“可重复性”指的是在各种分组下都成立的结论：最好能在不同时间分组中也能成立。分组越多、分组的维度越多、结论的可靠性越高。

但具有“可重复性”的结论，往往只在一定的范围内成立。在很多情况下，“明确结论成立的范围”也是数据分析的重要内容。

如何分组、如何确定范围、如何构筑逻辑链条、数据结果的解读、数据结果与领域知识的融合，都是重要的能力。事实上，根据领域知识，常常用于构造证据链、进行有效的数据选取和分组。

在精密论证时，我们就会发现：基础数据的质量很重要。因为许多干扰就来源于数据本身。从某种意义上说，数据的采集方法和环境不同，就是不同的数据。

在构建数据分析体系的过程中，也会发现，企业经营的数据分析也确实需要一个可展示的平台，实时展示业务，有问题就优化更新。

FineReport 数据决策系统

7、关于预测数字

许多问题分析的目的得到一个数字：如钢的强度、用电量、人口数量、钢产量。这类问题的特点之一是：最终的结果是各种影响因素相加得到的。

对于这种问题，我的观点是：要想得到可靠的结果，一定要拆成若干子问题来分析。其中，各个子问题要尽可能利用规律性的结果来分析。我认为：把人的认识和数据用到极致的时候，才能得到最好的结果。随便地建立回归模型是不懂数据的表现。

数据对运营的工作有着很关键的指导作用，比如帮助运营提高工作的效率、了解工作效果，让运营更快、更好地做出某项决策等。

在时时都在强调大数据价值的时代，APP运营到底要如何利用数据分析做好每一次活动运营?

一场活动按时间或阶段来分，可以分为活动前、活动中及活动后。今天我们打算从活动的前中后3个阶段来说说如何通过数据分析做好活动运营。

一、做活动之前：用SDK埋点了解用户需求

做一次APP活动，运营在活动前往往都有很多工作要准备，如了解现阶段市场情况、确定活动目的、了解活动受众属性以及做好活动策划等。

其中，了解活动受众属性的目的是为了调查用户对什么类型的活动、活动奖品有兴趣，让运营在做活动之前对用户的兴趣点有个底，并以此指导运营的活动策划。

那怎么才能更深入地了解用户兴趣或需求呢?

就目前的技术来说，获得用户行为数据的常见手段是SDK数据埋点，也有很多运营称之为“自定义事件”。APP应用内SDK数据埋点即通过在APP应用代码的关键部分植入统计代码，以此追踪用户在应用内的使用细节。运营通过搜集到的用户应用内操作行为信息来给用户分组、打标签，形成用户画像，再根据用户画像做策划能够吸引用户注意力的活动。

一般的APP活动运营工具，大多通过SDK埋点帮助运营人员搭建用户画像的。根据用户兴趣信息提取、展示、分析和挖掘，结合用户实际需求，并以用户数据实体为中心规约数据维度类型，将得到的用户兴趣喜好用结构化的形式为用户建立一个兴趣模型，深入了解用户需求，让运营的每一次活动都有针对性。

比如一个电商购物APP在上新一件新产品后，想要测试这件商品的受欢迎程度，而通过SDK数据埋点数据发现，该商品确实很受欢迎，他下次在做APP活动的时候就考虑将这件商品作为奖品。

二、活动中：搜集数据，实时调整活动

活动进行中，运营要做的就是搜集数据、分析数据，具体包括对活动的实时数据进行监控、分析活动发放渠道的优劣以及搜集用户反馈。

1、对数据实时监控，及时调整活动

活动开展过程中，运营可以看的数据有访问数据PV、UV、活动参与数、页面登陆数、中奖数、兑奖数、活动转化人数/金额，以及用户信息等。运营对活动数据进行实时监控，及时了解活动实时走向，一旦活动出现任何问题，立马知道问题出现在哪里，下一步该怎么调整。

比如之前双十一期间，有个客户在其APP内做了一次banner位投放活动，该客户下午在看数据的时候，发现从12点到1点之间，活动参与人数和兑奖人数明显不成比例，经过检查和测试，发现是奖品的概率设置上出了问题，导致参与活动的用户中了奖而无法兑奖。该运营人员找到问题后，马上对活动中奖概率进行了调整，第二天活动数据就正常了。

2、分析活动发放渠道的优劣

活动需要推广，推广就会涉及到活动投放渠道。运营在活动运营过程中，需要对渠道转化数据进行采集和分析。运营要根据多个指标来对分析每个渠道带来的转化率，比如哪个渠道带来的用户更精准，每个渠道带给APP应用的用户成分(老用户占比多少，新用户占比多少，转化率如何等)。运营人员通过对比活动投放渠道的数据，确定哪个渠道能够为APP活动吸引来更更多新用户且用户质量高。对于优质的渠道，可以记录下来，以便以后的活动投放可以集中精力在优质渠道上。

3、重视用户反馈

活动作为一种互动性较强的运营手段，在开展过程中或多或少都会有一些用户自愿做出反馈的。用户反馈既是用户参与活动后的体验，也是了解用户信息的途径。正面的用户反馈是用户对活动的认可，有利于提高用户对品牌的忠实度和粘性;负面的用户反馈是运营日后做活动需要改进的地方。

建议运营在活动开展过程中多重视用户反馈，为之后的活动策划提供参考。

此外，还建议运营将有效用户反馈和无效用户反馈做区别，有效反馈重点分析，无效反馈有针对性分析。有效反馈是指一些具体化的反馈，如对活动亮点的评论、活动过程中的某些缺陷、用户的吐槽等;无效反馈是指一些没有实质具体性描述的反馈，如一些客套语和概括语。

三、活动后：数据复盘

活动结束后，对整个活动数据进行复盘很关键。一场APP活动需要复盘的数据主要有以下几个方面：

活动PV、UV：有多少人参加了活动，活动给APP带来多少流量，这些流量能够给APP每天带来多少新注册用户。如果还要分析转化的话，需要运营在活动结束后对这些用户的数据进行具体的分析。

新老用户参与活动情况：在对活动参与数据进行分析时，要特别注意参与人数中新老用户的分布情况，了解APP新老用户的价值分别是多大。

活动转化率：如果做活动的目的是为了促进产品销售，这就需要运营在活动后对活动的转化进行分析。看看参与活动的用户中有多少是在活动后购买了APP产品的，有需要的还可以根据数据分析出人均购买次数和购买金额。

活动预算：本次活动投入了多少，比如投放了多少优惠券或者奖品，带来多少新用户，每个新用户的成本是多少。

活动受欢迎程度：通过活动分享次数和人数评估活动是否受欢迎。

活动平台：如果活动在不同的渠道做了投放，还要分析每个渠道的效果和质量。

从数据中发现问题，总结规律，避免下次活动重蹈覆辙，这是运营做活动数据复盘的目的。活动盒子为了让运营更好地做好活动数据复盘，开发了数据概况板块，里面有运营需要搜集的所有关于活动的运营数据，节省运营搜集数据的时间和精力。总之，数据复盘做得好有助于运营在下次做活动时少走很多弯路。

对于APP运营来说，学会搜集数据、分析数据，并把数据应用到实际工作中并指导运营更重要，数据既是间接生产力，更是直接生产力，建议运营在做活动时多多运用数据分析。

文 | 帆软数据应用研究院 船长

数据分析就近几年看来，越来越有一种像通用技能发展的趋势，从生产、研发、市场、销售到运营，多多少会存在数据分析的需求。

关于数据分析，网络上有不少分析报告案例，但细细读来，好多都缺少辨证，逻辑不严谨，又或者分析得浅尝辄止。恰逢最近读了《大数据分析的道与术》，是一套很完整的理论书籍，结合自己多年的数据从业经验，积累了一些心得，想与大家分享。

作为一个唯物主义者，做事总是爱讲方法论。曾经“农村包围城市，武装夺取政权”作为方法论的代名词，总是挂在嘴边。那么数据分析工作，方法论是什么呢？是“先道后术，以道驭术”，也就是先了解数据分析的核心原则，再掌握数据分析的一些关键技术。

什么是数据分析？

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，为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。其实简单理解，数据分析本身就是“数据”和“分析”两块工作。一方面是采集、加工、整理数据，另一方面是结合数据背景分析数据，从中提取出对业务有帮助的结论。

数据分析的成果通常是数据分析报告

。常见的就是带图、表的PPT、PDF文件，也有一些Web版的图表系统（有兴趣的，可以在应用商店搜索“数据分析”，有各类演示系统可以体验）。对于数据分析报告，类似议论文，分析是论点，数据就是论据。

数据分析有什么用呢？这个经常被问到，尤其当一篇花里胡哨的报告在网上发布，就有人说报告没用，顺带着撇一嘴数据分析也没用。

数据分析对企业的巨大价值体现在业务发展的前期（探索期）或阶段性改进期（颠覆期）。当探索和变革业务时，企业需要数据分析去明确业务中的问题、机遇及解决方案。企业最大的成本是决策成本，而数据分析是提高企业决策能力的关键；当业务模式相对成熟时，企业则需要数据建模来提升业务效率，减少运营成本等。

那，数据分析又有哪些普遍又典型的应用场景呢？笔者经验，主要是三个：掌握业务状态、分析业务潜力、评估业务进展。

场景-掌握业务状态

：我们需要通过对核心指标进行监控、解读和分析，掌握业务经营状况。比如某日销量出现异常波动，需要数据分析来定位原因。（产品A本周销量异常上涨10%，是什么原因？怎么分析？）在比如月末、季末部门做关键业务指标总结，并做业务发展趋势分析等。（本季度的关键数据指标如何？各项业务进展如何？都有哪些积极消极因素，具体多大影响，下个月、下个季度业务则呢么发展？）譬如下方用finereport搭建的数据平台，统计监测的业务数据。按照制定的业务分析规则展示，可以清晰地看到哪个环节出错。

销售额分析

销售团队分析

销售指标追踪

场景-分析业务潜力

：产品当前的主要问题是什么？下一步的发展潜力在哪里？从数据中挖掘问题原因并提出对策，指明产品的下一步改进方向。比如商品B近3个月流失了1000个会员，原因是什么（分析原因）？如何减少会员流失（找对策）？

场景-评估业务进展

：新上线的产品策略或新推进的运营活动，带来了多少业绩提升？项目的覆盖面和影响面如何？其中存在怎样的问题，如何进一步优化等等。比如针对部分客户，设计全新的促销策略，在本月执行后，如何评价促销策略带来的业绩提升？是否目标客户群比上个月购买额增长可以作为促销策略的成果？

既然数据分析有如此之多的应用场景和使用价值，那么怎么才能做好数据分析呢？只能说，太难，既需要工具技巧的掌握，又要有能明察秋毫洞若观火的业务经验。但相比而言，个人觉得后者更为重要，就像如果只知道方法论，但没有对业务的理解，如何实行的套路，数据分析只会浮于表面，既不能挖掘问题原因，也不能提供解决方案。

做好数据分析，不谈技术，先认清以下4个关键。

1、业务调研：理解业务是基础，否则分析是无本之木，甚至是个人意淫。

2、创新思考：广阔的知识面和积极的思考，是分析思路的源泉，数据分析的创新思考，实质上就是从更多的思路进行分析，找出最合理的思路。

3、逻辑推理：对数据指标作出正确的归因分析和判断。

4、可行建议：产生对业务切实有效的改进建议和执行方案。

“业务调研”是数据分析的起点，也是获取分析思路的基础，但是需要兼具深度和广度的“创新思考”，才能获取更独到的分析思路。分析思路也可以认为是统计数据的角度，完成数据统计后，需要“逻辑推理”来保证从数据到结论判断的正确性。最后，用“可行建议”来保证分析结论的落地执行，产生可量化的业绩。这就是数据分析从业务中来，回到业务中取得完成过程。

本文是笔者《大数据分析道与术》读书笔记第1篇，浅述了一下。下周将结合自身经验，对业务调研、创新思考、逻辑推理、可行建议逐一做解读分析。

文 |

帆软数据应用研究院

船长