本文来源： 运营研究社，转载请注明

熟知基础图文指标

在微信公众平台自带有的图文数据我们称之为基础图文指标，这应该 80% 的公众号运营都会去看的数据。

通过它们你可以知道每篇公众号图文送达给多少人，有多少人阅读了（来源分布），多少人点赞转发了，具体来公众号基础图文指标主要包含如下字段：

1）单篇图文基础数据

① 送达人数

图文消息群发时，送达的人数。

② 图文页阅读人数

点击图文页的去重人数，包括非粉丝；阅读来源包括公众号会话、朋友圈、好友转发、历史消息等。

③ 图文页阅读次数

点击图文页的次数，包括非粉丝的点击；阅读来源包括公众号会话、朋友圈、好友转发、历史消息等。

④ 分享转发人数

转发或分享到朋友、朋友圈、微博的去重用户数，包括非粉丝。

⑤ 分享转发次数

转发或分享到朋友、朋友圈、微博的次数，包括非粉丝的点击。

⑥ 微信收藏人数

收藏到微信的去重用户数，包括非粉丝。

⑦ 原文页阅读人数

点击原文页的去重人数，包括非粉丝。

2）单篇图文传播数据

点击单篇图文详情分析还可查看公众号打开率、一次二次传播率、阅读来源以及阅读趋势。

① 一次传播数据

指的关注该公众号的用户通过公众号会话阅读文章或者从公众号分享文章到朋友圈的行为数据。

一次传播转化率越高，说明公众号推送文章内容受到现有粉丝的喜欢，有利于维护现有的粉丝，增强其粘性。从后台数据上看，一次传播共有两个核心数据。

a. 公众号会话阅读率（俗称打开率）

公众号会话阅读人数/送达人数，如果想提升文章的打开率，那应该着重考虑文章的标题应该怎么取，但是别做出格的标题党。

b. 从公众号会话分享率（图文转发率）

从公号分享到朋友圈的人数/公众号会话阅读人数，该是衡量这篇推送文章价值的标准，图文转化率越高说明这篇文章质量越好。

② 二次传播

它是用户在未关注公众号的情况下，在朋友圈点击阅读或者在朋友圈再次分享传播的行为。

相比一次传播，二次传播更加能够说明该篇文章推送的传播力和影响力，是深度传播，比一次传播的数据更有价值。

③ 阅读来源及趋势

这是图文分析中非常关键的数据，我们通过分析阅读来源，可以推测出读者的阅读场景，知道他们是在哪个渠道看到文章的，方便我们做运营优化。

目前公众号阅读来源包含如下渠道：

a.公众号会话

文章在选定的时间内通过公众号推送、预览、手动回复来获得的阅读量统计。

b.好友转发

将文章转发给好友或者推送到群的阅读量统计。

c.朋友圈

将文章转发至朋友圈后文章的阅读量统计。

d.历史消息

在公众号历史消息里点击文章的阅读量统计。

e.其他

按照微信官方的解释“其他”阅读来源，总结下来有以下 7 种。

微信自定义菜单,包括引用图文素材，引用历史消息等。页面模板,原创开通后页面模板引用图文素材，引用历史消息等。微信搜索,在微信->发现->搜一搜里搜索到的“相关文章”。朋友圈热文,在微信->发现->看一看，被推荐到朋友圈的文章。关键词回复，关键词自动回复时弹出的图文素材。文章内部链接，阅读原文链接。微信收藏。阅读微信收藏内的文章。

广告大师约翰·沃纳梅克曾说过"我知道我的广告费有一半是浪费的,但我不知道浪费的是哪一半"。看完公众号自带的基础图文数据，你或许也会有同样的困惑：

“我的公众号图文写不好，但是到底哪些图文不好，我应该怎么优化？。”

为了找到问题的答案，这时候你需要学习的下边我分享给大家的图文的多维度数据分析。

导出图文多维度数据

如何导出公众号图文数据呢？如果你还在一篇图文一篇图文的把数据复制粘贴到 Excel 表，那真的是要把人蠢哭了。

这里推荐两款款图文数据导出神器——新媒体管家和壹伴。它可以帮助你非常快的创建并下载一个图文多维度数据报表，该工具提供任意时间跨度的图文数据下载服务，第一次做多图文数据分析建议把它全部图文数据下载下来。

更人性化的是它在帮你快速到处图文数据的同时，已经把数据进行了初步的加工了，比如分享率、点赞率、评论率、朋友圈打开率，并对每一个数据字段都做了标注说明。

有了这些图文数据，可以说你已经打败了 60% 的公众号运营，想要做到用数据驱动公众号运营，你还需要学会如何搭建图文数据分析模型和图表化呈现。

这里我想推荐另外一款非常棒的数据分析神器——BDP。它提供了 26 种数据模型，接下来你只需要跟我一起，随意拖动一些数据指标，可以看到很多让人意想不到的结果。（前方高能，请坐稳扶好！脑洞不够的可以在「运营研究社」订阅号回复“图文数据”看视频教程）。

图文整体运营情况

通过 BDP 的词云分析模型，我们可以通过它快速的知道，自己过去 90 天是否围绕公众号定位的进行图文写作。词云上关键词的大小是和它在标题里出现的频率成正相关，看到“运营”这个词占地面积最大，那我就放心了。

那过去 90 天的整体图文阅读情况是怎么样的？最高阅读量是 9904，最高打开率是 7%，最低是 1368，最低打开率是 2%。平均阅读量 4019，平均打开率 4.1%，平均分享率 5%。

另外，我意识到运营研究社在图文推送时间上一直不太稳定，那到底什么时候推送比较合适呢？

通过对推送时间、阅读量、标题三个数据字段构建散点图,去分析运营研究社的推送时间是否集中以及哪个时间段推送阅读量效果最佳。

还别说，通过这么一分析确实给了我不少公众号优化方向：

1）在8、12点这个时间段的出现的高阅读量点数最多，那我们就把推送时间就集中在这两个点了。

另外，作为对推送时间的假设的验证，建议大家可以跟我一样，看看目前自己所关注的订阅号里边在这个时间点推送的数量有多大，如果少于10个那就初步证明这是合理的。

2）在过去 90 天我们并没有达到平均阅读量 5000 的目标，运营社套路编辑部仍需多努力哈。根据阅读量来源分布，我们要么提高打开率，要么提升分享率，要么提升整体选题质量。

图文选题质量

深夜发媸徐老师曾说“选题大于一切”，为了达成平均阅读量 5000 的目标，我需要去找到那些适合我们的选题。

于是我用图文标题、图文阅读量两项数据，在 BDP 上快速生产一个阅读折线图用它来分析。在过去 90 天，哪些图文的阅读是高于平均值的，这些文章在选题上是否有着某项共性是值得去总结的。

分析结果，着实让我倍受打击。我每次辛辛苦苦写的超长干货类选题，其实在运营研究社里非常的不受欢迎，反而那些大众熟知的热点、商业、工具、影视以及职场撕逼场景的选题才是大家所热衷的。（大家再去看看运营研究社订阅号，其实可以发现我们已经按照此结论做了选题调整）

图文标题质量

与公众号图文阅读量，另一项最为相关影响因素是标题质量，相信起标题也是目前很多公众号最迫切需要提升的能力，当然也包括我们运营研究社。

于是我把过去 90 天的图文打开率的从低到高进行了排名，尝试分析那些用户认可的标题都有哪些特征。

《战狼2为什么这么火？因为吴京懂运营》《吴京直播事件：当套路成为主流，运营也就完了》《我在腾讯面了上百人，有些潜规则必须告诉你》《我改了 2000 份简历，这些你必须知道！》《非名校进 BAT 有多难？我用悲惨的经历告诉你》《新媒体运营是怎么死的，哈哈哈哈》

看到图文打开率的趋势图，我发现运营研究社过去标题真的起的太糟糕了，此刻我最想知道的是到底有哪些好文章被标题耽误了。

带着这样的问题，我需要去确认下我的设想，是不是高质量的内容真的因为标题被拖了后腿。于是把过去7天的打开率、分享率、涨粉率拉了一个雷达图。

当看到《你被哪些好友拉黑了》、《为什么你无法战胜晚睡，而我可以？》的分享率大于打开率，就知道在过去 7 天就有俩文章被标题耽误了。另外这 2 篇文章都是在晚上 20：00 被我们推送的，这再一次警醒我千万别晚上推文。

通过对标题打开率的趋势与雷达图分析，我们定下以下 2 个起标题原则：

1）标题最好要蹭热点和名人、标题不能太局限在运营，最好要覆盖到潜在目标人群。标题最好要直戳用户痛点，而且用疑问句式。

2）每周对打开率低于分享率的标题进行独立复盘，以防下次再犯。

图文传播质量

阅读量的来源主要靠两大渠道：一个是公众号会话，一个是朋友圈。为了完成平均阅读量 5000 的目标，在用选题和标题提升公众号会话阅读量的同时，我需要让来自朋友圈的潜在用户阅读量也提升。

来自朋友圈的阅读量 = 分享量 × 朋友圈打开率

且分享量又同文章质量和公众号会话阅读量有关，朋友圈打开率又与标题质量有关。

于是我初步判断，如果我想提升来自朋友圈的阅读量，那么我们就需要提升公众号打开率、分享率、朋友圈打开比例。

紧接着又有两个问题：

① 这 3 个因素哪个对朋友圈阅读量影响最大？

② 朋友圈打开比例是否直接受标题影响，如果是的话是否与公众号打开率成正成相关？

为了找到答案，我做了两组的趋势对比。我把朋友圈阅读量、打开率、分享率、打开比例 4 个数据放在一起做趋势对比，又将图文打开率与朋友圈打开比例做趋势对比。

通过数据量化分析发现：

1）对朋友圈的阅读量影响最大的是朋友圈的打开比例，其次是分享率，最后是公众号打开率。

其实《你被好友拉黑了嘛？别在傻乎乎的群发测试了》 公众号打开率低，但是分享率高，原因竟然是小编在图文底部留了一句“建议大家将文章推荐给身边每一个人，予人玫瑰手留余香。”

2）朋友圈的打开比例与公众号打开率关系很复杂。

一方面，朋友圈打开比例高的公众号打开率通常也比较高。这也跟之前在标题优化那边提到的一样，标题可以往更泛一点人群的需求上去靠，借热点、蹭名人、直戳人性痛点，比如《我打王者荣耀，全是为了工作》。

另一方面，有趣的是，公众号打开率高的，朋友圈打开比例却不一定高，比如《我在腾讯面了上百人，这些潜规则你必须知道》《发现老板给我工资开低了，你呢》。

对于运营研究社来说，如果想提升来自朋友圈的阅读量，就少提跳槽、老板等话题，因为你讲的再干货他们都不敢分享到朋友圈，大部分人应该都分享到群里边去了。

图文涨粉效率

做公众号不是做慈善，我们写公众号图文要么是可以变现要么是可以涨粉。就运营研究社目前的阶段来说，我们比较关心的是一篇图文能带来多少粉丝。对于涨粉效果好的图文选题就要投入精力多写，不太好的就要放弃。

因此，我们建立了阅读量与涨粉量两个数据维度的气泡图，并去分析角标右上角的图文选题类型。

右上角的气泡代表了活动类的《运营试卷出炉！2017 普通高等运营入学考试》、热点类的《战狼为什么会火？因为吴京懂运营！》、《让你懵逼的阿里双 11，凭什么做到 1500 亿》....等文章，这样也更加明确了我们的文章写作方向要同热点、影视、工具结合，毕竟它们不仅阅读量高，而且涨粉效果也好。

用数据验证假设

通过数据发现选题和标题的问题，并做出了选题与标题的优化假设之后，我们需要运营一段时间，用数据来验证假设。于是我们把公众号阅读量、朋友圈阅读量、涨粉率以周为单位做了对比。

看到阅读量和涨粉效果提升明显，我喜出望外，这说明我们的选题和标题覆盖到了潜在目标用户。

唯一遗憾的是，我们的打开率并没有如预期的那样提升，看来我的小皮鞭需要继续挥起来了。

最后，问题来了，运营研究社通过数据分析发现问题、做出假设并且优化运营策略之后，到底把平台阅读量做到 5000 了嘛？

数据在这里：

是不是很有效？

以上就是数据驱动公众号运营的全部分析过程，如果你觉得脑洞不够用，可以在「运营研究社」回复“图文数据”观看视频教程。或者，如果你不想再重新烧一次脑的话，那一定要记住这 4 点结论：

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。

在打开一个店铺后台的时候首先要看的就是以上这些数据，对店铺近况有一个大概的了解，然后再去发现问题。比如这个店铺，淘宝上做化妆品的皇冠店， 通过这 6 张截图，我们可以大概知道：

店铺动态评分

在线宝贝数量

前一天的经营数据

同层级同行的访客

客户构成等等。

然而这些数据只是对这个店铺有了一个基本的了解。诊断并没有开始，因为我们还没有发现哪里有问题。接下来，我们来具体看看如何利用这些数据，看清背后的问题，以及如何优化解决，突破瓶颈。

问题一：30 天退款率 2.5%

唠叨一句： 30 天的平均退款率是2.5%，是一个什么概念呢？也就是说每成交 100 单就会有 2.5 个人因为各种问题退款。全店日销 100 单左右，转化率不到 2%，每天都有退款，店铺做起来会很累。确切的讲，这个问题现在还不能开始解决，因为我们还不知道他店铺的具体情况，找出真正的原因，对症下药，才能完美解决问题。

问题透视：造成这种问题的原因一定和产品质量有关，和服务有关。

解决方案：一般退款情况，如果是因为产品本身质量有问题，任何技术都没办法解决。技术也许可以掩盖一时，但是治标不治本。因为我们服务的就是顾客，欺骗顾客的行为不可取。最好的解决办法就是升级产品，所以产品利润低、质量又不是很好的产品，宁愿舍弃不做。如果顾客因为对服务不满或是对物流不满而退款退货的，就很好解决，用心做服务，让客户满意应该是做生意的根本。客户提交的问题不要逃避，应该及时有耐心的客观解决。多一个客户还是少一个客户，就看自己怎么做了。

问题二：付费流量过高

唠叨一句：这是一个失败的店铺，这店铺过去是交给其他代运营公司经营，把付费流量硬是做到了 70% 以上的占比。如果是高利润产品，直通车投入产出高的店铺倒不失为是一个赚钱的办法，但是，现实是残酷的。

问题透视：之所以付费流量占比会高，一方面是在大力烧直通车，另一方面也表现了自然搜索权重的无能，他的标题组合一定有很严重的问题。稍候我们会验证。

解决方案： 一、调整直通车方案，控制出价。二、优化标题，保证标题的每个关键词都是有精准流量的有效关键词。

问题三：店铺的跳出率和跳失率过高

唠叨一句：很多人分不清跳出率与跳失率的区别。跳出率是指仅仅访问了单个页面的顾客占全部访问顾客的百分比，或者说从首页离开网站的顾客占多有访问顾客的百分比。而跳失率是指访客不管通过什么渠道进来，没有继续访问其他页面就离开，就称之为一次跳失，跳失率是 100%，又浏览了其他一个页面再离开，跳失率就是 50%。而这位店铺的跳出率是 80% 以上，PC 端的跳失率达到75% 以上，拉低了全店的跳失率。可想而知这个店铺装修有多可怕。

问题透视：跳出率和跳失率问题和宝贝的详情页、首页装修有直接的关系，也可能是引入的流量不精准导致。详情页没有做好宝贝关联营销也会导致跳失率增高。买家进店后发现店铺装修很不靠谱，没有购买欲望，甚至是没有浏览兴趣。或者发现不是自己想要的宝贝，于是掉头就走。

解决方案：对症下药，一、检查店铺是否在做或是刚结束活动。正常情况下，直通车、钻展、活动、还有手淘首页展位等引来的流量，转化都很低，因为流量不精准而导致跳失 ( 出 ) 率增高。二、看店铺的装修是不是有问题，是不是迎合顾客喜好，如果是装修效果不好，建议重新提炼卖点，重做装修。

问题四：同行优秀相比，30 天转化率最高时低于同行最低值

唠叨一句：看到这里，有心的同学会发现，以上问题都还没有一个准确的判断答案。只是说出了有可能出现的问题，针对相应问题给出不同的解决方案。这个店铺究竟是什么原因导致以上问题？不要着急，因为我们只是发现了问题，店铺还没有诊断完成，还得继续看。

问题透视：导致转化率偏低的因素有很多，店铺的中差评、价格、销量和零销量占比、店铺装修、客户定位等都是影响因素。需要一一排查，做全店的诊断，才能得出准确判断。

解决方案：根据以上可能做相应处理。如果是因为中差评过多，要及时做回评解释，甚至找出中差评过多的原因。价格方面建议不要去做低价竞争，因为利润是服务的保障，不赚钱是可耻的，但“君子爱财，取之有道”。赚了钱又不觉亏心，就说明你还是一个良心卖家。销量是一个必经之路，都是从低到高的积累。滞销宝贝数过多的话，建议下架一部分，做好流量引导，尽量都有销量。客户定位，流量不精准，是一个基础问题，检查关键词相关性和流量入口。店铺装修就不用多说了，非常重要。

问题五：无线端详情页基本没有单独设计，但是流量来源基本是无线端

唠叨一句：这就好比去打仗，给了你一把枪，你非扛着大刀上。16 年开始到18年淘宝进入无线端时代，人们已经习惯了手机平台消费，未来无线端的走向是直播时代，你还能不重视无线端吗？

问题透视：从左侧红框可以看到，很多宝贝没有做手机端详情，竟然还有店里的爆款，但店铺明显没有重视无线端权重。

解决方案： 建议无线端详情页单独设计发布，越快越好。

问题六：标题没重组，全网一样的标题几十页

唠叨一句：为什么直通车的流量占比那么高，自然搜索流量占比那么低。但是还不能完全确定，还要等分析完直通车数据之后才能最终确定是什么原因。

问题透视：复制一款宝贝的全标题，粘贴到淘宝搜索框搜索，竟然有几十页的宝贝出现。无法突出自家产品的明显优势。

解决方案：利用好生意参谋的搜词工具，筛选黄金词重新组合标题。监控关键词的数据持续优化。

近几年，大数据这个词突然变得很火，不仅纳入阿里巴巴、谷歌等互联网公司的战略规划中，同时也在我国国务院和其他国家的政府报告中多次提及，大数据无疑成为当今互联网世界中的新宠儿。

而近期朋友圈疯转的“马云无人超市迎客，再不努力你将无工可打”，“看李彦宏如何谈AI”等新闻热点，无不展示着人工智能的快速发展，但在直木看来，人工智能之所以能取得突飞猛进的进展的背后，不能不说这些年来大数据长足发展的结果。

人工智能和大数据有什么关系呢？

如果我们把人工智能看成一个嗷嗷待哺拥有无限潜力的婴儿，某一领域专业的海量的深度的数据就是喂养这个天才的奶粉。奶粉的数量决定了婴儿是否能长大，而奶粉的质量则决定了婴儿后续的智力发育水平。

据数联寻英发布《大数据人才报告》显示，目前全国的大数据人才仅46万，未来3-5年内大数据人才的缺口将高达150万，越来越多人加入到大数据培训，都希望在大数据培训机构中学习最前沿的知识，找一份不错的工作。

本文从4个方向让大家充分了解大数据，望对同学们的大数据从业有帮助：

大数据就业前景

大数据就业方向

大数据就业薪资

大数据职业发展

一、大数据就业前景

据职业社交平台LinkedIn发布的《2016年中国互联网最热职位人才报告》显示，研发工程师、产品经理、人力资源、市场营销、运营和数据分析是当下中国互联网行业需求最旺盛的六类人才职位。其中研发工程师需求量最大，而数据分析人才最为稀缺。领英报告表明，数据分析人才的供给指数最低，仅为0.05，属于高度稀缺。数据分析人才跳槽速度也最快，平均跳槽速度为19.8个月。根据中国商业联合会数据分析专业委员会统计，未来中国基础性数据分析人才缺口将达到1400万，而在BAT企业招聘的职位里，60%以上都在招大数据人才。

二、大数据就业方向

大数据领域三个大的技术方向，这些不同的技术方向，对应企业的哪些招聘岗位？

1. Hadoop大数据开发方向

市场需求旺盛，大数据培训的主体，目前IT培训机构的重点

对应岗位：大数据开发工程师、爬虫工程师、数据分析师 等

2. 数据挖掘、数据分析&机器学习方向

学习起点高、难度大，市面上只有很少的培训机构在做。

对应岗位：数据科学家、数据挖掘工程师、机器学习工程师等

3. 大数据运维&云计算方向

市场需求中等，更偏向于Linux、云计算学科

对应岗位：大数据运维工程师

精通任何方向之一者，均会 “ 前（钱）”途无量。

三个方向中，大数据开发是基础。以Hadoop开发工程师为例，Hadoop入门月薪已经达到了 8K 以上，工作1年月薪可达到 1.2W 以上，具有2-3年工作经验的hadoop人才年薪可以达到 30万—50万，一般需要大数据处理的公司基本上都是大公司，所以学习大数据专业也是进大公司的捷径。

三、大数据就业薪资

1、基础人才-数据分析师

北京数据分析平均工资： 10630/月，取自 15526 份样本，较 2016 年，增长 9.4%。

2、大数据开发工程师

北京大数据开发平均工资：30230/月。

3、Hadoop开发工程师

北京hadoop平均工资： 20130/月，取自 1734 份样本。

4、数据挖掘工程师

北京数据挖掘平均工资：21740/月，取自 3449 份样本，较 2016 年，增长 20.3%；

5、算法工程师

北京算法工程师平均工资： 22640/月，取自 10176 份样本。

四、大数据职业发展

最后一个问题，到底哪些公司需求大数据人才？

事实上，大到世界500强，BAT这样的公司，小到创业公司，他们都需求数据人才。

目前，大数据人才数量较少，因此大多数公司的数据部门一般都是扁平化的层级模式，大致分为数据分析师、资深研究员、部门总监3个级别。、

大公司可能按照应用领域的维度来划分不同团队，而在小公司则需要身兼数职。有些特别强调大数据战略的互联网公司则会另设最高职位—如阿里巴巴的首席数据官。这个职位的大部分人会往研究方向发展，成为重要数据战略人才。另一方面，大数据工程师对商业和产品的理解，并不亚于业务部门员工，因此也可转向产品部或市场部，乃至上升为公司的高级管理层。

马云说“我们已从IT时代进入了DT时代，未来我们的汽车、电灯泡、电视机、电冰箱等将全部装上操作系统，并进行数据集成，数据将会让机器更“聪明”。DT时代，数据将成为主要的能源，离开了数据，任何组织的创新都基本上是空壳。”

我们从大哥大，小灵通，到诺基亚塞班，到今天的人手一部智能手机，每天各大企业会收到多少数据，如何从这些数据里面分析础客户的需求，这都是企业所要做的事，总之，数据，是未来的一切。

作为竞价人员，你每天是不是这样分析数据的：看看消费、展现、点击、对话是否有下降，如果有下降，就去看看关键词排名，调调价格，做了这些操作之后，就期待着明天能马上出效果。结果，效果比昨天还差劲，不知道怎么办，然后，又去看看排名，调调价格，完全跟着感觉走，完全不知道如何去做数据分析。哪怕偶尔一次，效果变好了，也不知道自己到底是做了什么导致效果变好的。数据分析对于95%的新人来说，就好比撞大运，但是，幸运女神一般很少眷顾。那么你该怎么办？其实，大家都知道，数据分析就好比竞价老手和新手的分水岭，跨过去，你的新世界将被开启，跨不过去，你就永远停留在新手水平，升不了职也加不了薪。所以，想学数据分析的新人们，接下来的5分钟对你至关重要，这也许就是你打开数据分析大门的重要时刻，请打起12分精神！！！

首先，我会分享一张表，作为整篇文章的目录和结构，让大家知道数据分析是由哪几块组成的，然后，我再逐个对每个知识点进行剖析，帮助大家建立数据分析的知识体系。

做数据分析之前，我们要做的是数据统计。要做好数据统计，我们需要用到3个表，分别是：营销流程表、多维度数据表、竞价操作记录表。营销流程表的作用是统计每日数据，当数据累计得越来越多时，就可以做方向性的分析。多维度数据表，主要是统计产生对话的搜索词和关键词，多维度数据表可以看很多数据，比如：看哪个时段转化好，哪个地区转化好，工作日和周末转化是否有变化，哪个客服比较好，哪个计划转化比较好等等。竞价操作记录表，主要是做数据分析之后对进行的操作做记录，方便后期跟踪操作的效果是否达到预期，不会遗忘，失掉方向。接下来，开始给大家划重点了，打起精神来。

竞价数据分析之每日工作流程：

第一步：记录营销流程表数据。看昨天的数据，重点关注转化量是否波动较大。如果，是正常波动，则无所谓，如果波动太大，则需要去分析原因。

第二步：查看搜索词报告。看搜索词主要看两点：1、看昨天整体来的流量是否正常。操作：点击降序，浏览80%的搜索词是不是正常，如果不正常，则需要进行否词。2、按照平均点击价格降序，查看高价搜索词是否值，不值的就需要进行否词。PS：关于否词，这里有一个金句：低质量流量较多则收匹配，低质量流量较少则精确否定，非常不靠谱的流量则广否。

第三步：查看关键词报告：1、消费降序，查看高消费关键词的匹配是否正常，不正常则需要进行否词（请参考否词金句）。2、消费降序，结合转化量，看这个成本自己是否能接受，不能接受的关键词需要进行优化。对于关键词，可分为四类：高消费低转化、高消费高转化、低消费高转化、低消费低转化。后期，老王会写一篇文章，专门讲解如何对这四类词，进行分析和操作。

第四步：记录多维度数据表。为后期的分析积累数据。

第五步：记录竞价操作表。方便后期查看，自己的调整是否有效。

以上，即是老王为大家整理的竞价老手每日分析数据的工作流程，如有疑问欢迎交流，我是路人甲老王，一个希望新人快速成长的陌生人。

身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。

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！

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。

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。