对于具体的业务场景问题，我们该怎么办呢?我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。

在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

对于电子商务网站，流量是非常重要的指标。

上图中，我们将网站的访问用户量(UV)和页面浏览量(PV)等指标汇汇聚到统一的数据看板(Dashboard)，并且实时更新。

这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。

在选择维度时，需要仔细思考其对于分析结果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。

3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群(segmentation )的手段。

我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。

而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。

上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。

这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。

漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。

通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。　　其中，我们往往关注三个要点：　第一，从开始到结尾，整体的转化效率是多少?　　第二，每一步的转化率是多少?　　第三，哪一步流失最多，原因在什么地方?流失的用户符合哪些特征?

上图中注册流程分为 3 个步骤，总体转化率为45.5%;

也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。

但是我们不难发现第二步的转化率是 56.8% ，显着低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。

显而易见第二步的提升空间是最大的，投入回报比肯定不低;如果要提高注册转化率，我们应该优先解决第二步。

5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。

数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量(UV)和页面访问量(PV)这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。

上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。

网站购买转化率低，以往的业务数据无法告诉你具体的原因;通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题(比如是不是商品不匹配等等)，从而为决策提供依据。

6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。

每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。

我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。

在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人(上图红色线条)，那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人(上图绿色和紫色的线条)的留存。

这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。

7 A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。

产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不同的产品交互形式，通过比较实验组(A 组)和对照组(B 组)的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。要进行 A/B 测试有两个必备因素：

第一，有足够的时间进行测试;

第二，数据量和数据密度较高。

因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

8 数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。

作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。

利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。

我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。

当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。

说起MapReduce，可以从思想、模型和运算及应用过程等几个方面来进行理解。首先，来简单说说它的思想。MapReduce可以说是凝结了人类对数据处理工作的基本思想，即分类与汇总。我们都知道，MapReduce其实分为两个阶段，即map阶段和reduce阶段。map阶段即映射阶段，该阶段主要负责对数据进行切分处理，reduce阶段即归约阶段，也就是在map阶段的处理结果上进行汇总。我们可以把它定位成一种用于大规模数据集并行运算的编程（算法）模型。

在实际应用中，MapReduce是Hadoop框架集群的核心之一，在HDFS的基础上对海量数据进行运算。先来分别看一下map和reduce的详细运算过程。

Map过程：

@Override public void map(KEYIN key,VALUEIN value,Context context) throws IOException,InterruptedException{ System.out.println("进入Map"); context.write(KEYOUT, VALUEOUT); }

这里KEYIN，VALUEIN就是在RecordReader中生成的Key和Value；这里KEYOUT，VALUEOUT就是map的输出。之后，Map的输出到Reduce的输入中间经过了一个复杂的过程：map的每个输出都会先写入缓存（buffer in memory，默认100MB，可以在job提交前通过io.sort.mb修改），该100MB的缓存有个阈值80MB（默认0.8）。注意，这里引入了第三个类Partition。

Reduce过程：

在map过程中强调数据在本地计算，即优先数据在哪就把map任务分配到哪。而reducer是需要从所有map的输出文件中把属于自己的copy过来，所以会占用网络带宽。从不同task tracker拿到的文件也是先写入buffer（原理同map的写入buffer），当buffer中的数据达到阈值，就写入磁盘。存数据的过程叫merge，merge过程可以发生在：

（1）内存到内存的merge。默认关闭，如果开启表示最后如果内存有数据，不会先全部写入磁盘再回头跟磁盘上的其它数据一起merge，而是直接在内存中merge，再与磁盘中的其它数据merge。

（2）内存到磁盘的merge。与map端的spill类似。

（3）磁盘到磁盘的merge。最后将所有（2）之后的文件进行最终merge，注意（1）的情况。

之后开始reduce的过程，即merge的最终输出是reduce的输入，reduce的输出默认是输出到HDFS上。输出格式由OutputFormat类确定。

在这里需要提及的是Yarn并不是MapReduce的替代者，它只是作为一种计算框架的资源管理系统而存在，所以在理解MapReduce的过程中，也应该了解其与Yarn的关系。尚学堂陈老师指出Yarn的存在有时会对MapReduce存在的问题进行一些补充：

1. Job Tracker存在单点故障；

2. Job Tracker完成太多任务，当MR任务非常多时，造成很大的内存开销；

3.Task Tracker端，如果两个大内存消耗的任务一起调度，容易出现OOM，如果只有Map任务或Reduce任务时会造成资源浪费。

那么Yarn的机制与MapReduce相比有哪些优势呢？ 首先旧的MapReduce主要包括Job Tracker和Task Tracker，Yarn中主要是三个组件：Resource Manager、Node Manager和Application Master。Resource Manager负责全局资源分配，Application Master每个节点一个，负责当前节点的调度和协调。Node Manager是每台机器的代理，监控应用程序的资源使用情况，并汇报给Resource Manager。因此与MapReduce相比，Yarn把资源管理与任务调度的工作分离开来，减少了MapReduce中Job Tracker的压力。

从上面的讲述中不难看出，相对于MapReduce，Yarn也有其自身的优势：

1.Yarn大大减少了Job Tracker的资源消耗，并且让监测每个Job子任务状态的程序分布式化了；

2.YARN中Application Master是一个可变更部分，用户可以对不同编程模型编写自己的AppMst，让更多类型的编程模型能跑在Hadoop集群中；

3.在旧的框架里，Job Tracker一个很大的负担就是监控Job下任务的运行状况，现在由Application Master去做，而Resource Manager是监测Application Master的运行状况，如果出问题，会将其在其他机器上重启。

数据分析时往往把数据划分四个层次，即把字符型数据再分为定类数据和定序数据，把数值型数据再细分为定距数据和定比数据。

1、定类数据，这种数据只对事物的某种属性和类别进行具体的描述。例如，对人口按性别划分为男性和女性两类，数据化后分别用0和1表示：对企业按行业类别分为农林牧渔业、采矿业、教育类、制造业、建筑业、金融业等等，可分别用1、2、3、4、5、6等表示。这种数码这是代号而无顺序和多少大小之分，不能区分大小和进行任何数学运算。定类数据形成各种类型，它们的排序是无关紧要的，哪一类在前、哪一类在后对所研究的问题并无实质性影响。而且，它们能够进行的惟一运算是计数，即计算每一个类型的频数和频率（即比重）。

2、定序数据，也成序列数据，是对事物所具有的属性顺序进行描述。定序数据不仅具有定类数据分特点，将所有的数据按照互斥和穷尽的原则加以分类而且还使各类型之间有某种意义的等级差异，从而形成一种确定的排序。这种序列测定在社会经济管理工作中应用很广泛。例如，对企业按经营管理的水平和取得的效益划分一级企业、二级企业等；对青年职工按所受正规教育划分为大学毕业、中学毕业、小学毕业等。这种排序是确定的,对所研究的问题有特定的意义。但是,它并不能具体测定各等级之间的间距大小,例如不能计算一级企业和二级企业的有实质意义的量的差距。类似地,也不能计算服务质量比预想的要好与羞不多之间的差距。

3、定距数据,也称间距数据,是比定序数据的描述功能更好一些的数据。它不仅能将事物区分为不同类型并进行排序,而且可以测定其间距大小,标明其强弱程度。温度是典型的定距数据,如10℃,20℃等。它不仅有明确的高低之分,而且可以计算差距,如20℃比10℃高10℃,比5℃高15℃等。定距测定的量可以选行加或减的运算,但却不能进行乘或除的运算,其原因是在定距数据的数值之间虽有确定的间距,但是没有自然确定的原点,即它的零点是人为指定的,所以不能得出倍的结论。

4、定比数据,也称比率数据,是比定距数据更高一级的数据,它不仅可以进行加减运算,而且还可以作乘除运算。定比数据与定距数据的显著区别是它有一个自然确定的、非任意的零点,也即在数值序列中,零值是有实质意义的。例如,人的年龄、体重都没有负值,以零为绝对界限,一个人的年龄不能比零岁更年轻,体重也不能比零更轻。因此,我们既可以说甲某60岁,比乙某30岁年长30岁,也可以说甲的 ,年龄是乙的2倍。绝大多数的经济变量也可以进行定比测定,如产量、产值、固定资产投资额、居民货币收人和支出、银行存款余额等数据的四个不同层次表明对不同研究对象定量分析的条件和形式是不同的,必须根据具体对象和问题加以区别。例如,对企业职工可以计算他们的平均工资和平均收入,但却不能计算他们的平均道德水平和平均政治信仰。掌握数据的不同层次对于i确地分析数据和选择分析方法是十分必要的。

数据的四个不同层次表明对不同研究对象定量分析的条件和形式是不同的,必须根据具体对象和问题加以区别。例如,对企业职工可以计算他们的平均工资和平均收入,但却不能计算他们的平均道德水平和平均政治信仰。掌握数据的不同层次,对于正确地分析数据和选择分析方法是十分必要的。

必须指出,数据的四个层次高低之分只是就客观事物量化程度和运算功能来说的,而不是指数据研究本身的高低之分。如果从客观対象量化分析的难易程度来看,定比数据和定距数据是对定量数据的测量,比较直接和容易,而定类数据和定序数数据是对属性的测量,量化过程就困难得多,特别是对多雏的复杂现象和过程的测量就更加困难。例如,对科技创新和文化活动的测量比对生产活动的测量要困难;

对经常困扰人们的各种原因引发的通货膨胀和国民经济运行的周期性波动的测量,显然比对产品产量和产值的测量要困难得多;对诸如贫困与富裕、生活质量、社会公平与进步、综合国力等社会和政治问题的定量分析,无疑比经济问题又要困难得多。

在实际问题中,定距数据使用的机会较少,而且在许多场合可以采用与定比数据同样的处理方法,通常可把两者合并在一起。

说到数据分析，其实很简单，就是找到问题、来解决问题。在做SEM数据分析之前，首先要了解数据，为什么要分析数据？通过数据分析可以获得什么？

因此，正常的数据分析过程应该是：确定分析的目的→收集所需的数据→组织数据→分析数据→获得优化意见。

数据是我们调整账户的基础。对于刚入门的竞价员来说，数据分析很难理解。由于关键字报告、创意报告、搜索词报告、对话词报告、转化词报告中的出价数据太多，新手常常不知道怎么开始，此时你需要冷静下来，整理每个报告，过滤并查找有效数据以进行比较。

管理过这么多账户，凭借我们团队的经验，今天以快速掌握SEM数据分析进行讲解。

首先，您需要了解SEM数据名词的含义。点击率是多少？转化率是多少？跳出率是多少？等一系列技术术语，例如帐户点击率下降，您需要清楚地知道哪些因素会导致点击率下降，接下来应该做什么;调整帐户后，您必须清楚地知道哪些数据会发生变化，否则一切都是浪费时间。以下是两个月教育行业的数据案例。

整理后，复杂的数据将变得清晰。经验丰富的SEMer将知道对上图所示账户进行了哪些调整：这组数据是典型的流量不精准分析图，根据公司政策调整减少消费，平移展现下降、点击下降、对话下降、这些都是正常的数据范围，但是我们消费的下降，应该降低我们的转化成本，这组数据中我们的转化成本并没有降低，反而高出了1块钱，这就说明我们在降低消费时，没有控制我们的精准流量进来，还是以泛流量的方式进行优化账户，（当然这组数据的转化成本是指精准客户转化不是所有的转化成本）这就造成我们降低消费的同时没有一个合理的优化方案去优化账户。

随着互联网的发展、业务逻辑越来越复杂，数据的分析也就变的越来越重要。对数据的分析可有效避免逻辑的混乱，防止在繁杂的业务理解上逻辑不清、判断错误。

道家曾强调四个字，叫“道、法、术、器”。

层次分别为：

“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；

“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，今天咱们来讲讲十大数据分析的方法。

01 细分分析

细分分析是数据分析的基础，单一维度下的指标数据信息价值很低。

细分方法可以分为两类，一类是逐步分析，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的用到细分方法。

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。

以上就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。另外，如果您有更好数据分析思路，欢迎在评论区与大家分享。

分享 IT 技术和行业经验，请关注-技术学派。

你说是个笑话也可以，但是确实说明了一个道理！

一个哥们，有次聚会时说自己买了很多条iphone数据线，家里每个房间插一条，走到哪儿都能随时充电·····

在场的姑娘们都当成是段子笑笑就过去了，只有一个细心的姑娘悄悄问他买了多少条，他说：42条！

现在她和他在北京三环内总共42个房间的数套豪宅里愉快地生活，已定好日子：下个月结婚！

这，就是数据分析！

如果你是她，你会反问他吗？如果你是他，你会理解她对数据的分析吗？

「目录」

　　1.什么是数据分析；

　　2.数据分析职业介绍；

　　3.数据分析生涯规划；

　　4.数据分析薪酬情况；

　　5.数据分析基本素质；

一、到底什么是数据分析呢？

　　数据分析是基于商业目的，有目的的进行收集、整理、加工和分析数据，提炼有价信息的一个过程。

　　▊其过程概括起来主要包括：明确分析目的与框架、数据收集、数据处理、数据分析、数据展现和撰写报告等6个阶段。

　　1、明确分析目的与框架

　　一个分析项目，你的数据对象是谁？商业目的是什么？要解决什么业务问题？数据分析师对这些都要了然于心。

　　基于商业的理解，整理分析框架和分析思路。例如，减少新客户的流失、优化活动效果、提高客户响应率等等。不同的项目对数据的要求，使用的分析手段也是不一样的。

　　2、数据收集

　　数据收集是按照确定的数据分析和框架内容，有目的的收集、整合相关数据的一个过程，它是数据分析的一个基础。

　　3、数据处理

　　数据处理是指对收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必不可少的阶段。这个过程是数据分析整个过程中最占据时间的，也在一定程度上取决于数据仓库的搭建和数据质量的保证。

　　数据处理主要包括数据清洗、数据转化等处理方法。

　　4、数据分析

　　数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析，从中发现因果关系、内部联系和业务规律，为商业目提供决策参考。

　　到了这个阶段，要能驾驭数据、开展数据分析，就要涉及到工具和方法的使用。其一要熟悉常规数据分析方法，最基本的要了解例如方差、回归、因子、聚类、分类、时间序列等多元和数据分析方法的原理、使用范围、优缺点和结果的解释；其二是熟悉1+1种数据分析工具，Excel是最常见，一般的数据分析我们可以通过Excel完成，后而要熟悉一个专业的分析软件，如数据分析工具SPSS/SAS/R/Matlab等，便于进行一些专业的统计分析、数据建模等。

　　5、数据展现

　　一般情况下，数据分析的结果都是通过图、表的方式来呈现，俗话说：字不如表，表不如图。。借助数据展现手段，能更直观的让数据分析师表述想要呈现的信息、观点和建议。。

　　常用的图表包括饼图、折线图、柱形图/条形图、散点图、雷达图等、金字塔图、矩阵图、漏斗图、帕雷托图等。

　　6、撰写报告

　　最后阶段，就是撰写数据分析报告，这是对整个数据分析成果的一个呈现。通过分析报告，把数据分析的目的、过程、结果及方案完整呈现出来，以供商业目的提供参考。

　　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。

　　另外，数据分析报告需要有明确的结论、建议和解决方案，不仅仅是找出问题，后者是更重要的，否则称不上好的分析，同时也失去了报告的意义，数据的初衷就是为解决一个商业目的才进行的分析，不能舍本求末。

二、数据分析师职业介绍

　　做数据分析前我们首先要明确分析目的和内容，对于数据分析师而言，他们的进阶需求无外乎是各个企业对数据分析师的职位要求。在前程无忧、中华英才网以及智联招聘上，我们随便搜索下数据分析的岗位信息，都能找到大量类似于下面的一些职位要求信息：

　　▊别看岗位职责，任职要求这么多，说白了主要就三点要求：

　　1）对相关业务的理解；

　　2）掌握一到二种数据分析工具；

　　3）良好的沟通。

　　可能不同的公司因为需求不同，会在要求上有点小小的不同，而这个不同主要集中在数据库上。了解数据分析师的具体需求之前，我们有必要先了解数据分析师的职位体系。

「数据分析师的职位体系」

　　在传统行业中，数据分析更多存在移动、银行、超市等行业，在这些行业中你才会偶尔听到数据分析师这个职位，也许更多是听到数据挖掘工程师、数据建模师。在中国也许只在电信的项目中，才会存在真正的意义上的数据挖掘。

　　▊数据行业从广义上讲可以分为以下几个职位：

　　1、数据分析师

　　更注意是对数据、数据指标的解读，通过对数据的分析，来解决商业问题。主要有以下几个次层次：

　　1）业务监控：诊断当前业务是否正常？是否存在问题？业务发展是否达到预期（KPI）？如果没有达到预期，问主要问题在哪？是什么原因引起的？

　　2）建立分析体系：这些数据分析师已经对业务有一定的理解，对业务也相对比较熟悉，更多帮业务方建立一套分析体系，或者更高级是做成数据产品。例如：营销活动。分析师会告诉业务方，在活动前你应该分析哪些数据，从而制定恰当的营销计划。在营销过程中，你应该看哪些数据，从而及时做出营销活动调整。在营销活动，应该如何进行活动效果评估。

　　3）行业未来发展的趋势分析：这应该是数据分析师最高级别，有的公司叫做战略分析师/商业分析师。这个层次的数据分析师站的更高，在行业、宏观的层面进行业务分析，预测未来行业的发展，竞争对手的业务构成，帮助公司制定战略发展计划，并及时跟踪、分析市场动态，从而及时对战略进行不断优化。

　　 主要技能要求：

　　数据库知识（SQL至少要熟悉）、基本的统计分析知识、EXCEL要相当熟悉，对SPSS或SAS有一定的了解，对于与网站相关的业务还可能要求掌握GA等网站分析工具，当然PPT也是必备的。

　　2、数据挖掘工程师

　　更多是通过对海量数据进行挖掘，寻找数据的存在模式、或者说规律，从而通过数据挖掘来解决具体问题。数据挖掘更多是针对某一个具体的问题，是以解决具体问题为导向的。例如：聚类分析，通过对于会员各种人口统计学、行为数据进行分析，对会员进行分类，对不同的类型的会员建立相应的profiling，从而更好的理解会员，知道公司会员是到底如何？高、中、低低价值的会员构成，既可以后期各种会员的运营提供指导，提高活动效率，可以指导公司的营销，例如广告的投放策略。以及用于公司各种战略的制定。

　　 主要技能要求：

　　1）数据库必须精通。很多时候，你模型的数据预处理，可能完成在数据库里完成，你用到的数据库技巧更高。

　　2）必须要会成熟的数据挖掘工具、数据挖掘算法，例如：SPSS/CELEMENTINE、SAS/EM等，当然如果你会一、二款开源软件，并会写一些程序代码那是最好的，大公司都喜欢用开源的软件，例如：R、WEKA。

　　3、数据建模师

　　这个职位与数据挖掘工程师还是有本质区别的。数据建模师，更多偏向于中、小数据量，而且其使用更多更多是统计学的方法，而数据挖掘中的例如：决策树、神经网络、SVM等在这里是根据不会涉及的。

　　当然二者有一个共同之处都是，针对很具体的问题，都是会解决某个具体问题，例如：营销反应率，你就可能历史的邮箱、短信的反应情况，来建模型进行预测，从而提高邮件反应率，或者减少对用户来说的“垃圾”邮箱，提高用户体验。所以从掌握的技能上讲，这二者就有很大的区别，数据建模师其实很少会提到算法这个词，更多说使用什么模型，有感觉吗？但是从实务界来看，这二个模型越来越没有明确的分工，一般来说都会二个职位的人都会去学习对方的知识，所以这二个职位有合并的趋势，但在未来几年来，我觉得公司要招人的时候应该还是要有区别的。

　　新进入数据行业的同学，可以根据自己的背景背景选择相应的职位，学数据、统计学的朋友更多可以偏向于建模师，而计算机特别是写编程出现和同学，可以走数据挖掘工程师，也许适应性更好，但这不是绝对的。

　　▊数据分析师的职位级别划分：

　　不同公司对数据分析师的职位划分骚有不同，在一些中小型企业，没有成立独立的数据中心前，数据分析的相关职位往往是在譬如市场部、运营部这些部门之下，通常数据分析成员在2-4人不等。对于一些大型企业，有独立的数据部门的企业，其数据分析团队人员则是十到百人不等，其职位头衔有通俗的总监、经理、主管划分，也有助理、资深、专家之类的划分。下面是一张微博上传的比较火的某集团的数据分析师职位级别划分图表，大家可根据自身的情况对号入座。

「下图来自微博阿里的朋友分享」

（单击图片可缩放查看大图）

三、数据分析职业生涯规划

　　▊按照不同分析方法所能给人带来的智能程度，可以把分析能力划分为以下8个等级：

　　上面的8级划分源自SAS网站的Eight levels of analytics，由IDMer编译而成，个人觉得其中的8张图片非常形象生动，网友@数据小宇军用两个图表将它们更好地展示出来了：

　　▊数据分析师的级别：

　　1、数据跟踪员：机械拷贝看到的数据，很少处理数据

　　虽然这个工作的人还不能称作数据分析师，但是往往作这样工作的人还都自称是数据分析师，这样的人，只能通过×××系统看到有限的数据，并且很少去处理数据，甚至不理解数据的由来和含义，只是机械的把自己看到的数据拷贝出来，转发给相应的人。这类人发出来的数据，是否有意义，怎么解读，他自己是不知道的，只能期望收到数据的人了。

　　2、数据查询员/处理员：数据处理没问题，缺乏数据解读能力

　　这些人可以称为分析师了，他们已经对数据有一定的理解了，对于大部分数据，他们也知道数据的定义，并且可以通过监控系统或者原始的数据，处理得到这些数据。统计学的方法，这批人还是很精通的，统计学的工具，他们也是用起来得心应手，你让他们做一下因子分析，聚类肯定是没问题，各类检验也是用的炉火纯青。他们的不足是：1、如果不告诉他们命题，那么他们就不知道该应用什么样的方法去得到结论了。2、对于数据的处理没问题，但是却�...

  随着大数据时代的来临，越来越多行业需要大量的数据分析师。以达到公司对于市场、产品、客户有能深刻的了解，从而在制定营销策略和运营策略的时候，数据导向是一个很有力的指导推力。

 如我们所知，数据分析的重要性，那么要作为一个合格的数据分析师的话。我们应该具备哪些潜质。

  第一：理解能力高

    要对公司的业务有很强的理解能力。每个业务都是由很多规则和基本元素组成的。比如公司要达到某一款产品的市场营销推广，那我们首先要通过数据来分析出来，我们的目标受众是什么样的？分布的地域在哪里？年龄阶段？性别？行业等等这些都是我们首先要对业务有一个了解。就是我们的营销目的什么。理解配合的具体业务。与 产品相关的业务和技术同学沟通，尤其在进行数据理解和运营理解的时候，需要知道数据元素的含义以及当前运营的方式和形成这种运营方式的原因;

第二：沟通表达能力强，有充分的耐心

数据分析师日常在做一些工作的时候，通常会面对在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂。这个时候，我们一定要有足够的耐心，沉下来进行全面的数据流程确认，画出对应的流程图，理清楚分析重点。

如我们所知数据分析贯穿了数据仓库，技术，产品，业务等多个环节，这就涉及到我们需要和很多人沟通。沟通能力就显得尤为重要。在沟通之前，需要清楚的知道本次沟通的目的是什么，以及如何通过对方来达成自己有效数据分析的目标。与技术沟通，是理解参数含义，与运营沟通，是理解分析目标，与产品沟通，则更强调产品逻辑以及背后的思考。

第三：善于借助工具和事物

现在网络工具很多，有很多都可以帮助我们解决繁琐的数据问题，帮助我们建立数据模型，例如：SQL，Excle，SPSS，Matlab、Python等等

因此，数据分析师必须掌握并精通一两种数据分析编程技巧。包括从数仓取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化表达。这样才能完成数据分析目标。这种技术对产品和运营人员也非常重要，只有学会处理数据，分析数据，才能在每个决策上面有据可依。

第四：独立思考的能力

作为一个高级的数据分析师，不光只会分析数据，还应该能够以现有的数据做出结论，给予相关执行人员参考方向。数据分析者应该在理解业务的基础上，扩大自己的思考范围，提升洞察力。

数据分析师是大数据衍生出来的一个岗位，也在实际的营销运营上起着至关重要的作用。种客观，理性，同时又科学的数据分析心态是非常重要的。

本人新人一枚，是个菜鸟数据分析师，统计学专业，接触数据分析大概有半年，在这里稍微写一下自己对可视化的拙见，大牛们看了不对地方还望指正；刚刚工作不久就谈对可视化的理解确实是有些过了，个人因为也看不了不少可视化的手册或者书，例如：数据可视化之美，R语言可视化手册，数据可视化设计指南等，因为工作本来没什么机会写博客总结，借着天善这个社区写写总结，让自己进步，废话不多说；

什么是数据可视化？在我看来，数据可视化就是用图表的形式展示数据的信息；让展示的东西有视觉冲突，让人能出图表中一目了然看出你想要表达的信息；这里很关键一点就是，你想要展示数据的什么信息，很多人为了盲目的追求可视化的一些酷炫效果，得到的东西却不知道表达的是什么，那么这个可视化是失败的；当然可视化也要简洁，简单明了才是可视化的目标所在，毕竟做数据可视化是帮助人们去理解数据，认识数据，从多个侧面去观察数据，并告知告知别人你想表达的数据中的信息；

这工作半年下来，我用了不少可视化的一些软件或者编程语言，一开始我最早接触的是大家基本都能听过的EXCEL,功能特别强大，用它都可以做数据分析，然而原谅我没有把它学好，EXCEL它其实可以做很多的事情，简单方便的生成各种你需要的图表，虽然颜色上不是那么让人喜欢，要是有耐心可以慢慢的调，加一下后期制作或者渲染；然后就是TABLEAU,这个软件确实是强大，能够连接多种数据，拖拽式的操作，可以自动的帮你生成图表，界面简洁易操作，要全放开版的收费，作为刚刚工作的小白只能用它的免费版的，不过限制挺多的；接下来就是R语言了，这是一个开源的统计语言，在数据分析方面和可视化方面都无比强大，第一次用上了GGPLOT2这个包我便开始喜欢上了这个编程语言，这个包的构图思想是图层思想，一个图层一个图层去操作，特别的灵活，我正在学习R语言，希望在今年能稍微精通一下；下面说一下自己对各种图形或者可视化的理解

柱状图

柱状图确实是一个很强大的图形，为什么说它强大呢？因为个人看，柱状图在展示的数据类型上可以选择非连续的数据数据类型和连续的数据类型，又有常用的柱状图和侧面柱状图，还可以用来折叠去展示数据；当我们的去展示非连续的数据类型的时候我们大部分都是用柱状图去展示这类的数据分布，大概能看出这个数据分布情况，又可以用来比较不同数据的整体与部分的关系；在展示连续的数据类型的大部分是用来展示这类数据的时间趋势。或者数据的分布。在设计上我个人认为柱状在设计的时候底层的便签最好不要太长和斜着或者90度垂直于坐标轴，因为这样为方便别人去阅读你的图表，毕竟可视化是方便别人去解读你的数据，能简单易懂就是最好不过了，在各个的柱形下的柱子的间距多少为妙呢？其实个人人为不宜过宽也不宜近，长度大概在柱状的宽度的一半左右为佳，在颜色上的设计，我比较偏向于柱形图用一种颜色，如果要想展示数据突出的部分，我们只需要将颜色加深，这也是为了阅读的简洁性，如果一张柱形图的颜色五花八门，那么所表达的效果是特别糟糕的。对于数据的排序，如果没有某种特殊的要求，我们最好给数据排下序，当然，如果展示的时间趋势的话就没法排序了。

饼图

饼图大部分得的时候是展示部分和总体的关系，不过饼图有个缺点就是，当部分特别繁多的时候就不能用来展示了，因为界面效果会特别差；常用的两种方式是饼状和环状两种。饼状的直接展示各个部分于总体的关系，而环状的保留饼状的样式，中间部分可以展示突出的数据。饼图在一般的展示情况大多数人为了展示一个百分比这个数不管有多少个部分都是去用饼图，然而饼图一般用情况下部分五六个为佳，当多个部分的时候，很多数据没法展示出来，也就是掩盖了部分的信息，有时候我们需要对比两个总体的结构，大部分人都会选择去用两个饼图去比较，然后这个效果不太好，所以一般要比较结构的差异的话最好不要使用多个饼图去展示，最好使用堆叠柱状图去比较两个总体的差异，还有展示的时候部分最好经过大到小的排序。

折线图

折现图大部分情况下都是去展示连续的数据类型，常用是时间趋势，它可以很好的展示趋势，累积，减少以及变化；在设计上，纵坐标最好是能从0开始，因为这样避免有些地方让人误读，展示线条上我们最好能够选择实心的线条，不要用虚线或者点去表示线，这样情况下看着看着容易分析，一张折现图的线三四条为佳，过多的线只会让观察某条线的时候看错了，如果要展示多条，可以在下一张图上去展示，如果你要展示的数据是多个部分的话，这些部分的数据最好能有一个共同趋势，不然有升又降趋势让人看不知所措。还有一个细节的地方，就是加图例的时候最好折线末尾那时候加，对应的折线加对应的图例，方便人读懂你的折线。

散点图

散点图做研究的时候用的比较多，因为散点图大部分情况是用来探究两个部分的关系的时候用的，就先做相关分析的时候要用散点图观察一下是否有相关关系；设计上改注意的和上面的图一样，纵坐标最好能从0开始，当想要展示多种关系的话的，我们可以利用点的大小和颜色去探究，在有某种趋势关系下我们最好加个辅助的线，方便别人看出相关性；

气泡图

气泡图有点类似于加了大小的散点图，气泡图还可以在展示地域数据的可视化，在设计上我们需要注意的是，气泡的尺寸我们需要去注意，例如我们在展示数据的大小比例最好面积的比例一样，不要用半径，如果用半径的话就是1:4了，大小差异就过大了，气泡的形状上最好使用老老实实的圆最好，不要用一些奇怪的图像。

热点地图

怎么说呢，我觉得热点地图的展示是很考验人的技能，第一个热点地图要展示的数据与地域关系差异较大类型的数据才能体现出它的价值，也就是说有背景故事或者价值去让我们发现的数据，热点地图主要是通过强烈的色彩对比去体现数据的差异，有个缺点就是没法很具体的表达数据之间差距而不是差异。在设计上，我推荐色彩最好是一种色调，通过颜色的深浅去反映数据的强度，如果色彩过于繁多，对于读者来说读这张图是个负担，也无法体现出数据之间的差异，轮廓最好简单即可，毕竟简约美嘛，上色的时候会有一个叫色阶的东西，这时候什么数据范围位于哪个色阶最好分清楚，最好能体现出差异，不要全部都是一个色阶，不然热点地图就是去了它的意义了。

上面说的是对于图表的理解，下面说下对常用的展示方式的一些理解；

尺寸：就是用柱形的长短，饼图的大小这类去展示，这可能是我们大家最为常用的一种方式去展示数据，当展示两个对象的数据的时候，我们可以通过尺寸马上的发现了两个对象之间的差异，在展示的精准读上也有些不同，个人人为点的精度大于线条大于面的精度。

色彩：色彩是用来展示大数据的非常好的方式，因为大数据之间会有不少的差异，颜色恰恰是展示这些差异最好的方式，毕竟我们人天生对色差明感，在色阶的选取上我觉得最好能够有明显的差异。

位置：差不多就是我们所说的地图了，这是基于位置的可视化方式，一般我们都用于展示于位置较强关系的数据类型

网络：这个展示数据点之间的关系，例如就像社交网络，就是用这样的展示去表达人与人之间的相关关系。

时间：展示趋势用的最多，主要是想了解对象的发展和变化规律，让我们了解对象整个发展脉络。

那么成功的可视化是怎么样子的呢？

借用《数据可视化之美》的话来说，成功的可视化总共有四点，第一点是新颖，大家都知道，数据可视化就是了简单明了的了解数据，不过你用一个全新的角度去诠释你的数据，让读者读懂了你的信息又能从更高的角度去解读这些信息；第二点信息要充实，充实不代表越多越好，因为一个图表展示的信息过多，会让读者成为一种累赘，很难读懂你的想法，充实的信息就表明你的图表能够能到他们想要的信息又不造成信息过多的情况，所以我们就要考虑业务应用场景了，什么样的场景需要用那些信息结合那些是多余的需要去判断，第三点高效，也就是我们所说的简单明了，一眼就能知道数据中的信息，所以我们在可视化过程中一定要把一些也主题不相关的因素排除掉，过多不相关的因素存在只会增加读者的阅读时间和难度；第四点美感，图片的布局，色彩，形状等一系列的组成部分都是相当和谐的。

那么我们如何设计成功的可视化图表呢？

首先学习这个步骤肯定是少不了的，怎么去学习，当然是去学习一些经典的可视化图片，学习它是如何去构造这张图的，色彩为何要这样的去运用等，还要学习一些可视化的语言或者软件，例如像R语言，它的有强大的包，ggplot2,newwordk,ggmaps(地图)等之类强大的包可以去学习，不然你会设计也不会操作那也是空有一身力气，然后理解数据意义和你想要表达的信息，然后遵从图表的一些设计规范，在规范的基础在进行一些自己的想法。

参考文献：

《数据可视化之美》

《数据可视化设计指南：图表设计》

本文作者：天善智能社区 夏尔康，通晓各种统计学习方法，熟练使用R语言建模，结合帅气与才智的不明吃瓜群众。

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。