普遍的定义认为，统计学是关于数据的科学，研究如何收集数据，并科学地推断总体特征。大数据和统计学还是存在一定区别的，其一是数据分析时不再进行抽样，而是采用population（n=all）；其二是分析方法，侧重所有变量之间的相关性，而不再根据背景学科理论筛选变量，进行假设检验。

现在社会上有一种流行的说法，认为在大数据时代，“样本=全体”，人们得到的不是抽样数据而是全数据，因而只需要简单地数一数就可以下结论了，复杂的统计学方法可以不再需要了。

普查和抽样调查是传统的两大数据收集方法。普查不需要统计学方法进行推断估计，因为通过普查，已经取得了所有个体数据和总体的实际分布，这也是为什么人类开始懂得计数就开始进行普查。抽样调查是利用抽样理论解决如何科学设计样本，取得样本个体数据，并科学地推断总体分布及特征。无论是普查还是抽样调查，其核心问题之一是要取得准确的“个体数据”。但在大数据时代，一切皆可量化，一切皆可记录，如何利用更全面、更及时、更经济的网络电子化数据，以及通过对这些数据使用新的分析及挖掘技术，产生新的见解和认识，是我们面临的重大机遇。

大数据的应用可以说是在减少人类处理数据时带入的主观假设的影响，而完全依靠数据间的相关性来阐述。而由于消除人为因素带入的误差，已经分析人员作出假设的限制（如果教育背景和保险购买额是相关的，而分析人员没想到，那这个结论就不会被分析出来，这在实际案例中是很容易发生的，大数据的核心也就在于它能更充分的发掘数据的全部真实含义。

在大数据时代，数据分析的很多根本性问题和小数据时代并没有本质区别。当然，大数据的特点，确实对数据分析提出了全新挑战。例如，许多传统统计方法应用到大数据上，巨大计算量和存储量往往使其难以承受；对结构复杂、来源多样的数据，如何建立有效的统计学模型也需要新的探索和尝试。对于新时代的数据科学而言，这些挑战也同时意味着巨大的机遇，有可能会产生新的思想、方法和技术。

西线学院培训机构提供良好的教学环境，良好的师资以及行业资源，使得西线学院教学永远都是跟随行业进步的步伐。说了这么多，其实就是想让你更加了解大数据。如此优秀的资源和别人望眼欲穿的实习机会，再不行动就要被后来居上的技术人员拍死在沙滩上了。

在企业经营数据分析中，财务数据是不可或缺的组成部分。而财务数据中通常以资产负债表、利润表、现金流量表三张表为最基本也是最重要的数据表，今天主要跟大家分享自己在企业财务数据相关常用的数据分析经验和方法，欢迎大家共同交流学习进步。

——本文数据分析工具为FineBI V4.1

一、基础财务数据表

在这之前我们先来初步看看资产负债表、利润表、现金流量表这三张基本财务数据表的业务含义，以及之间存在的业务关联关系。

1.资产负债表

资产负债表主要包含企业经营在每个会计期初和期末期间总的资产现金（企业还有多少现金，至少还能换取多少现金）、总体负债情况（企业目前欠了多少债务）以及股东等企业所有者的权益（股东投资金额以及累计盈亏情况），通常用于反映企业资产结构、偿债能力、管理水平、利益归属等情况，类似于某个时间点用照相机给企业拍摄的一张企业经营总览照片。

2.利润表

利润表主要包含企业经营在一段时期内的效益能力，如企业营业收入、营业成本、净利润等信息，通常用于反映企业的盈利能力和产品竞争力，类似于某段时间内用摄影机给企业拍摄的一段盈利能力视频。

3.现金流量表

现金流量表主要包含企业经营在一段时间内生产经营、投资以及筹资活动中产生的现金流情况，通常用于反映企业的利润水平和企业健康情况，类似于某段时间内用摄影机给企业拍摄的一段现金流量周转视频。

业务关联关系

其中现金流量表中企业在进行经营、投资以及筹资活动中产生的企业资产现金流量周转，会影响到企业资产负债表中的总资产现金，同时也会在利润表中有所体现；利润表中的企业经营盈利情况，会影响到资产负债表中的企业股东的所有者权益。

我们在理解清楚了财务数据的基本逻辑关系之后就需要学习和掌握一些常用的财务数据分析方法了，否则即使对基本财务逻辑原理倒背如流，也很难通过财务数据的分析从而对企业的经营决策有所引导，下面给大家介绍同型分析、趋势分析、比较分析这三种常用的数据分析方法。

二、同型分析

首先来看看我们财务数据分析最常用的同型分析法，所谓同型分析其实本质上是一种结构分析方法。例如对于资产负债表，我们通常可以通过同型分析详细列明企业各项资金占据总资产的比重，分析企业的资产负债组成结构。另外对于财务数据中的利润表，我们同样也可以通过同型分析法观察各个项目在利润表中的结构占比，以及收入到利润的过程中每一个步骤所产生的损耗等。

这边我们来看一个对资产负债表做数据同型分析的实例：

我们通过FineBI的汇总表格，对资产负债表做数据同型分析，自动计算出每一项资产在总资产中的占比。从上图可以快速看出，企业的固定资产为59.67%，无形资产为1.57%，流动资产中存货、货币资金、应收账款、预付账款分别为5.19%、18.44%、13.56%、1.57%，也就是企业流动资产仅占据企业资产的38.76%，固定资产接近60%。这家企业固定资产如此之大，初步估计应该是一家传统制造型的企业。

另外我们来单独看这家企业流动资产中的应收账款，竟然占据了企业总资产的13.56%，这比例对于总资产来说已经是一个不小的数值了，说明这家企业的产品没那么好卖，也许正面临着较大的市场竞争，因为很多制造型企业往往和采购方签约有可能采取延后收款时间来获得更大的市场竞争能力。

最后看下这家企业的负债情况，企业总负债占据了62.01%，其中短期借款占比最大，占据了53.63%，其次是应付账款，为8.38%。股东权益方面总共占据了37.99%，其中最初企业股东共同投资的原始股本占据比例为33.52%，未分配利润占比为4.47%，盈余公积和资本公积都是0，总体来看企业经营效益并不是很好。

三、趋势分析

第二种财务数据常用的分析方法为趋势分析法，通常指的是将实际达到的结果与不同时期的财务数据中同类历史指标数据进行比较，从而确定财务经营状况、经营成果和现金流量的变化趋势以及变换规律的一种分析方法。通常对于企业的资产负债表、利润表、现金流量表来说，现金流量表经常需要通过趋势分析的方法来观察某一段时间内企业现金流量变化的走势。

我们来看看上图通过FineBI工具自动统计出的某企业现金流回款趋势数据，可以看出第一季度的销售合同金额数据比较小，这可能跟春节年初假期有关，导致企业该季度的现金流较少。另外在一年中5月份、7月份以及9月份是销售旺季，企业的现金流回款以及销售额都相对较好，第四季度总体企业合同金额和回款金额数据趋于稳定，12月份在第四季度的现金流中总体来说是最好的。

四、比较分析

最后给大家介绍的一种常用的财务数据分析方法为比较分析法，通常指的是通过两个或者两个以上相关指标进行对比，确定指标之间的差异，并进行差异分析或者趋势分析的一种数据分析方法。比较分析方法通常可以划分为三大类：

第一类是企业内部指标数据进行对比分析，例如企业各个地区的销售额可以进行数据比较分析，找出销售业绩相对较好的地区总结相关经验给销售业绩相对较差的地区进行优化整改。例如上图中我们可以通过热力地图快速感受到企业在北京、上海地区销售体量的重要性，但是同类地区例如广东的广州和深圳却并不突出，这个是企业决策层所急切需要关注的问题。

第二类是对于企业同一指标可以根据不同的时间形成多个指标进行对比分析，例如企业的销售额可以进行同比环比分析，结合预警小图标，快速观察出和去年或者上个月的销售业绩是否提升或者下降，找出对应时间可能存在的企业经营问题。

第三类情况下，除了和企业自身的经营数据做对比之外，我们还可以将自身企业的数据和同行业的同等或者优秀企业的调研参考数据进行经营数据对比分析，以清楚目前自己企业在市场上所处于的级别层次，选择和借鉴更加适合自己的企业经营方略。

五、数据分析总结

不论企业真实业务场景如何复杂多变，不仅仅是财务数据而言， 其实数据分析一种非常好的思维模式是：从单个核心指标出发，然后进行指标拆解，进而深层次多维分析，切片切块，通过同型分析、趋势分析、对比分析等数据分析方法定位到数据中的异常点，最终通过调整决策解决业务问题。因为只有坚持数据成为生产力的企业指导经营方针，不断完善企业数据多维可视化建设，才能让企业真正焕发生机，成为真正超越和引领同行业的领导者。

应用背景：

在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。

分析方法：

RFM分析（Recency，Frequency，Monetary）

分析工具：

SPSS（数据分析的重量级应用，与SAS二选一）

一.RFM基础知识

所谓探索性分析，主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。

常用的探索性分析方法包括：RFM分析、聚类分析、因子分析、对应分析等。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。

R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。

F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。

M值越大，表示客户价值越高，反之则表示客户价值越低。

RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

RS：基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。例如5分制。

FS：基于交易频率计算的得分，交易频率越高，得分越高。如5分制。

MS：基于交易金额计算的得分，交易金额越高，得分越高。如5分制。

RFM总分值：

RFM=RS*100+FS*10+MS*1

RFM分析的主要作用：

识别优质客户。可以指定个性化的沟通和营销服务，为更多的营销决策提供有力支持。

能够衡量客户价值和客户利润创收能力。

RFM的假设前提：

假设交易的可能性：

最近交易过的客户 >最近没有交易过的

交易频率高的客户 >交易频率低的

交易金额大的客户 >交易金额小的

二.分析实践

RFM接受的数据格式有两种：

交易数据：每次交易占用一行，关键变量是客户ID、交易时间、交易金额。

客户数据：每次交易占用一行，关键变量是客户ID、交易总金额、最近交易日期、交易总次数。

我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。

具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。

变量：选择各个变量。

分箱化：评分的总分是多少。

保存：生成哪些新的变量，可以自定义名称。

输出：可以全部勾选，为了能全面的解读RFM分析结果。

确定后，生成了四个新的变量：

崭新-得分：最后一次交易的时间间隔得分；

频率-得分：交易总次数得分；

消费金额-得分：交易总金额得分；

RFM得分：RFM得分

三.结果解读（最重要的环节）

该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。

我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）。

“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，

用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。

如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。

该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。

通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。

本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。

四.RFM分析应用

为客户分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。

因此有三件事要做：

计算出各个指标得分的平均值；

将各个变量高于平均分的定义为“高”，低于平均分的定义为“低”；

根据三个变量“高”“低”的组合来定义客户类型；

如“高”“高”“高”为高价值客户。

第一步，先计算各个指标的平均值。

一定要勾选平均值，否则输出结果中没有“平均值”。

现在我们得到了各个变量的平均分：3.33，2.99，3.01。

第二步，将各个变量高于平均分值的定义为“高”，否则为“低”。

按照1-2-3-4-5的步骤设置高于平均值的为“2”，也可以设置为“高”

同理去设置FS和MS。

设置后结果如下：

可以在变量设置里设置标签，1代表“低”，2代表“高”，也可以在“重新编码到不同变量”里面设置时就直接定义为“高低”，而不是“1和2”。

第三步：通过各个变量的高低组合，确定客户类型。

第三区域：可以是公式，也可以是具体的数字，其实这里就是输出结果。

第四区域：表示满足的条件。

同理在“变量设置”里对标签就行设置就行。

最终分析结果如下：

通过RFM方法，我们根据用户的属性数据分析，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助。

作者：膝盖哥，是一枚“跪着提需求”的产品经理。常说“不用不用，真的不用了，我跪着就好！”

本文由 @膝盖哥 原创发布于人人都是产品经理。未经许可，禁止转载。

在互联网时代，数据是重要的资源，随着数据的持续增长和大数据技术的成熟，数据分析变得越来越重要，要看清楚瞬息万变的网络世界，要知道表象背后的真相，非靠数据分析不可，不管是大数据分析还是传统数据分析，其本质是一样的。数据分析是为了通过对数据现象的查看来完成对产品，营销策略，运营策略的优化。达到最低成本，最优效果。因此，数据分析师对应的要求也越来越高。那么，作为一名优秀的数据分析师，需要有哪些基本能力，才能完成数据分析目标，保证结果的正确性？

商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。

数据分析的四个能力

1. 对业务的理解能力

数据分析之前，首先要进行的是业务梳理。只有在实践领域从事过数据分析工作，就会明白所有分析的重中之重都是业务知识本身。而业务知识的学习和掌握，需要的积累之深，培养一个业务专家，需要的周期之长，都远远超过后面所说的那些基本技能，成为业务专家实属不易，数据分析师其实是之于业务专家之上的更深层次的思考和总结，否则，谁指导谁都是个问题。业务学习的方式很多，比如将以前的分析报告和取数案例都拿过来研究一下，不懂就问，总是一个渐进的过程，但需要时间和行业的沉淀。数据分析师最需要不断提升的能力就是行业和业务知识，没有之一。

提升业务理解能力有几个方法

多使用产品本身，只有不断的尝试产品，体验和了解各种产品，才能在分析时有直观的思考和总结；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;多思考产品的内在逻辑，多问几个为什么，这样才不至于做分析方案的时候，遗漏其它的业务流程，或者进行错误的数据模型设计。2.有耐心，善于沟通

数据处理和逻辑梳理需要足够的耐心，尤其是在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂的情况下，作为数据分析师，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，理清分析重点。

同时，数据分析贯穿BIT、数据、技术、业务整个链条，数据分析师将BIT最终转化成决策者理解的语言，跨越的流程很长，你需要面对不同的岗位，碰到不同的角色，采用不同的语言，表达你的要求和获得你需要的东西，成为数据和业务的桥梁，没有足够的沟通能力很难。所以，需要具备一定的沟通能力。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，则是强调产品逻辑以及背后的思考。同时，如果你容易听取他人的意见，特别是智者的意见，则可以帮你找到另一条出路，你犯错的概率就会降低，相应的，你的分析就更有力量和说服力。

3. 数据分析的技术

数据分析有很多技术可以支持，包括SQL，Excle，SPSS，Matlab、Python等等，这些都是通过编程完成基本的数据分析语言编写，然后进行执行得出结果。

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。包括从数据仓库中获取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化的表达。这样才能完成数据分析的目标。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。

但在公司的数据分析中，你在看案例时，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，

当然，大多数数据分析师可能不需要进行系统数据学习，在实践中慢慢熟悉就好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。

4.独立思考的能力

数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。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。

成为一个优秀的数据分析师，需要在不同的业务中进行磨练，同时需要足够的耐心和深入业务的思考进行决策支撑。一种客观，理性，同时又科学的数据分析心态是非常重要的，对于公司和产品的发展也是必需。

数据总是在那里，它不会说话，你不仅要基于业务能力理解它，还要学会推演和分析，从中发现规律，迅速定位某个商业问题的关键属性和决定因素，形成自己独创性的见解，所谓心思缜密，滴水不漏，没有思考逻辑没有数据分析。而要形成独特的见解，则来自于个人不断的学习和思考，这里的学习更多的强调是跨领域和专业，思考则是更多的强调养成思考的习惯。思考本身就是一种实践，它可以将你的知识更加系统化和深入化，数据分析在一定程度上是用来验证思路和启发灵感的，“数据分析”从来不是“数据分析”本身，而是以“数据分析”为手段和表象，对业务的深刻理解、思考和判断。

数据分析的四个层次

描述性分析（Descriptive Analysis）诊断性分析（Diagnostic Analysis）预测性分析（Predictive Analysis）处方性分析（Prescriptive Analysis）描述性分析——发生了什么？

如题目名字一样，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加2000万，至5500万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。那么，这就是发生了什么？就需要去描述性分析。

诊断性分析——为什么会发生？

知道发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现在描述性分析中提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生产不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。那么，这就是诊断性分析。

预测性分析——可能会发生什么？

基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的未能及时送货会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。那么，这就是预测性分析。

处方性分析——我们该做些什么？

有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上述中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。

四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。

分享 IT 技术和行业经验，请关注-技术学派。

作为一个SEMer，你有没有在数据的时候，发现一些指标缩写的字母，比如CPC、CPA、ACP、CTR，一眼看过去挺眼熟的，但就是想不起来是啥意思或者是相似的指标记忆出现混乱了呢？对于一个资深SEMer来说，常用的一些指标可能一眼就能认出来，但是对于没有频繁的接触数据报表得制作的同学来说，可能就不是那么熟悉了。

以下为大家带来在做数据整理中常见用20种指标缩写及释义。方便大家查询或记忆。

1. CPC（Cost Per Click；Cost Per Thousand Click-Through)

①公式：单次点击成本，单次点击价格=（下一名出价*下一名质量度）/关键词质量度+0.01（百度）

②付费模式：按每次点击付费

2.oCPC（Optimized Cost per Click）目标转化出价

目标转化价格是指为每次转化支付的目标价格。

3.CPA（Cost Per Action）是一种广告计费模式，顾名思义按照行为（Action）作为指标来计费，这个行为可以是注册、咨询、放入购物车等等。

4.oCPA是一种智能自动出价策略，我们将会根据您提供的“期望每次转化费用”自动出价，以帮助您在预算范围内争取更多的转化。

5.ACP Average Click Price 平均点击价格 =总消费/总点击

6.CPS（Cost Per Sale），按销售分成。

7.点击率 ( CTR ：Click-Through-Rate）

①含义：点击率是指网站页面上某一内容被点击的次数与被显示次数之比，即clicks/views，它是一个百分比。反映了网页上某一内容的受关注程度，经常用来衡量广告的吸引程度。

②公式：点击率 ( CTR )=点击量/展现量

8.转化率（Take Rates，又叫Conversions Rates），

①含义：是指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。

②公式：转化率（CVR）=转化量/点击量

9.千次展现消费 ( CPM )

①含义：千次展现消费（Cost Per Mille，CPM）是客户获得一千次展现机会所付出的推广费用。

②公式：千次展现消费 ( CPM )=(消费额/展现量)*1000

10.投入产出比（ROI）

①含义：投入产出比是指项目全部投资与运行寿命期内产出的工业增加值总和之比。

②公式：投入产出比（ROI）=订单额/消费额

11.转化成本（CPA）

①含义：是指当消费者从一个产品或服务的提供者转向另一个提供者时所产生的一次性成本。

②公式=转化成本（CPA）=消费额/转化量

12.单均额（ARPO）=订单额/转化量

13.CPV

①含义：每个访问（Visit）的成本。

②收费模式：按访问的数量收费。（例今日头条原生视频广告，展现点击不收费，观看>=10s计费）

14.PV（page view）即页面浏览量

15.ECPM（曝光几率）=CTR（点击率）*CPC（点击价格）*1000，当CTR和CPC的乘积够高就会获得足够的曝光。

16.抵达率=访问次数/点击量

17.独立访客数（Unique Visitor/UV）

常被简称为访客数，指在一个统计周期内，访问被统计对象的不重复访问者之和。即，同一人在统计周期里的多次访问被统计为一个独立访客。

18.页面浏览量（Page View/PV）

简称浏览量，指在一个统计周期内，独立访客访问被统计对象时所浏览页面的总和。既，网站页面被访客的浏览器打开并加载的次数。

19.访问次数（Visits）

指在一个统计周期内，独立访客访问被统计对象的次数之和。例如，如果访客在网站上的不活动时间超过一定时间长度，下次再有活动就算做新的会话，计为2次访问。

20.流失率（Churn Rate）

①含义指对指定路径对应的步骤而言，访客从该步骤进入到下一条步骤的过程中流失的比例。

②公式：本步骤的流失率=[（本步骤的进入次数-下一步骤的进入次数）/本步骤的进入次数]×100%。

数据分析和AI机器学习在小白眼里可能是一个东西或者觉得只是个空泛的名词，今天小编就带大家走进这两个名词~

人工智能（AI）行业一直引领着头条新闻，并且有充分的理由。它已经改变了全球各地的行业，公司正在竞相了解如何整合这种新兴技术。人工智能不是一个新概念。这项技术已经存在了很长时间，但近年来发生的变化是计算能力，基于云的服务选项以及AI对营销人员工作的适用性。

人工智能对营销的影响正在增长，预计到2025年将达到近400亿美元。大多数CMO都知道人工智能，但许多人仍然不确定并且不知道其好处的大小以及他们如何采用人工智能来改善营销。 人工智能的进步现在意味着产品开发人员可以创建创新和领先的产品和服务，直到最近，这些产品和服务还不会达到平均营销预算的范围。

这些进入市场的新产品和服务使AI采用风险降低，重点是提供实用且立即产生影响的结果。许多过去的尝试导致昂贵且定制开发的营销技术项目留下了他们的伤疤。但在营销人员承诺并执行他们的人工智能战略之前，他们需要了解数据分析，预测分析和人工智能机器学习之间的机会和差异。

数据分析

市场营销经理随时可以利用数据分析，从大量数据中获益（并且最有可能遭受痛苦）。这包括从应用和网站上的用户跟踪数据，时事通讯转换率和在线广告点击，到CRM数据分析等所有内容。数据挖掘提供大量数据，通常是非结构化的。营销人员更熟悉通过仪表板与数据交互，仪表板构建数据以提供共性分析，例如平均值，比率和百分比。目标是聚合数据以报告结果，搜索模式并查找变量之间的关系。假设是由人做出的，并且查询数据以证明这种关系。如果有效，可继续测试其他数据。数据分析是描述性的，因为它基于过去的事件。它不能预测变量变化的影响。

预测分析

数据分析使用收集的数据自然地导致预测分析，以预测可能发生的情况。预测基于历史数据，依靠人工交互来查询数据，验证模式，创建然后测试假设。从过去的经验中得出的假设预示着未来将遵循相同的模式。通过人类对过去的理解来了解“假设是什么”假设，预测能力受到人类数据分析师的数量，时间和成本限制的限制。从数据分析中获得的预测性见解可以帮助预测活动的有效性，为抵押品，地理市场和人口统计数据的决策提供信息。 但是，目标和细分的愿望越详细，时间和成本需求就越高，成功的，超个性化的竞选活动几乎是不可能的。

AI机器学习

机器学习是预测分析概念的延续，有一个关键的区别：AI系统能够自主地进行假设，测试和学习。AI是技术的组合，机器学习是用于超个性化营销的最突出的技术之一。 人工智能机器学习可以做出假设，重新评估模型并重新评估数据，所有这些都无需人工干预。这改变了一切。正如AI意味着人类工程师不需要为每个可能的动作/反应编码，AI机器学习能够测试和重新测试数据，以一种人类无法达到的速度和能力预测每一个可能的客户 - 产品匹配。

复杂的分析，例如上面的例子，可以在涉及更多变量的情况下即时完成，使系统能够快速学习。这种学习可以提供人类分析师在大量人群中无法实际完成的微目标洞察。这些结果可以显着提高转换率，营销投资回报率和客户忠诚度。这不是一个问题 - 营销人员必须了解每个人的利益和局限。简化：

数据分析是指从过去的事件中查看模式的数据。

预测分析正在根据过去的数据进行假设和测试，以预测未来的情况。

人工智能机器学习分析数据，做出假设，学习并提供个人分析师无法按照规模和深度进行预测的预测。

CMO越来越需要做出具有重大技术含义的决策。了解数据分析与人工智能之间的区别就在于为正确的工作选择合适的工具。

本文由瓶子谈科技原创，欢迎关注，带你一起长知识！

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

本文作者：天善智能学院学员张龙祥。

原文地址：https://ask.hellobi/blog/zlx19930503/8745

本人于2018年6月份硕士毕业，2017年，为了找实习找工作四处奔波，前前后后投了100多次简历，面了30多家公司。在这期间，经历的丢手机从人间蒸发的惨状，也经历了两个半月减掉15g体重的神奇现象。总而来说，过程很艰辛，结果还是很美好。下面是我的面试经过。

第一个单位：北京互联网金融公司。一共有三面，第一面是技术面，是一个男同胞面试的我，首先是来了一个自我介绍，这个自我介绍也是很有讲究，干一行说一行，不相关的废话一字不要提。自我介绍完就开始技术面了，因为这是个金融公司，因此对于分类算法很是注重(大家在面试的时候要针对行业常用算法来进行准备，做到烂熟于心)。问题一：决策树算法中的信息熵具体阐述一下？问题二：决策树算法中ID3、C45、CART算法，根据自己的理解进行简要叙述，并且对剪枝问题进行叙述？问题三：阐述一下自己对过拟合的理解以及一些解决措施？问题四：叙述一下K-means算法的流程？问题五：阐述一下自己对逻辑回归的理解？问题六：模型评估的一些指标？问题七：数据结构中的排序算法说几个，以及时空复杂度？问题八：数据库的连接问题，叙述几个。

我的回答：前五个问题回答的都可以，我第六个问题说了ROC曲线，我的妈，他让我说横纵坐标，我不记得了，我很直接，就说这个我忘记了，看一下书就可以了，原理我晓得。对于第七个问题，我当时真的很无语，我直接说的“面试官，数据结构我学过，但是四年时间我不记得了，就连最简单的冒泡排序都不记得了，我工程方面用R和Python，如果您招的是要精通C的，那这个岗位不适合我”。最终一面通过。

第二天下午，是二面，是大数据部门的女总监面试的，先是自我介绍，后来是问了这么一个问题：你的职场规划是什么？讲真，这些问题我和专门的大神聊过，回答的也还不错，当然也是自己的内心想法，只是逻辑更加完善而已。然后就是技术面，一面的有的问题我就不再重复，说了一下组合算法，我实话实说：“当时对于三大组合算法看的还不是很细，马上会进入这方面的学习”，下一个问题是叙述PCA降维技术，我就从特征值、特征向量巴拉巴拉的说。之后女总监说“回去把组合算法搞一下，Python好好看看”我这边通过。

之后就是HR面，谈了薪资就没啥了。

总结：

①夯实一些名词的含义，比如：评价模型的指标。

②近期把组合算法搞定。

③过拟合发生的原因以及解决措施梳理一遍。

第二个单位：杭州互联网金融公司。第一面试的时候，我在无锡接的电话，是个男面试官，人很温和，我就不害怕了。首先自我介绍，之后又是分类算法搞了一圈，还有模型评价的指标，这里有一个KS指标被提到，这个在上面已经说了，就不在赘述。(当你面试较多的时候，你就有一种倒背如流的赶脚，但是你必须沉得住气，慢慢说，这样一二三四的你会更有逻辑性)，一面就这样很愉快的结束了。

那个面试官让我从无锡去杭州面基，我正好第二天去杭州，我说可以的。但是中午到杭州的我和一个网易的朋友吃饭聊天的就超时了，又急急忙忙赶回上海，就错过了去公司的机会。我说明原因之后二面改为电话面试。

觉得二面的面试官真的很有质量，面试官的语速很快，搞得有点压抑，我适当笑一下，缓解一下气氛。他说了这么一句话我很佩服：我们先不谈别的，从数据处理到建模有一个很重要的特征选取，说一下对特征工程的理解，好高端，我当时有点冒冷汗呀。这个问题得谈了20分钟吧，“L1正则化可以进行特征筛选的原因：从几何和后验概率两个角度”“L1和L2正则化的区别”等等，后面，对于决策树的问题又来了一拨：“决策树算法中的剪枝，预剪枝和后剪枝，自己根据自己的理解来简单叙述”“决策树在连续型变量的处理方面的一些方法”，这方面我们聊得还是很开心，本来以为要结束了，面试官又问了我的研究方向，又被问的有点懵，最后又问了我分布式什么的，我直接说的不会。不过好在面试还是过了。

总结：把面试中提到的不懂的问题理清楚。

最后我总结以下几点：

①面试单位要看缘分，假如你准备的问题面试官都没问，面试官问的问题你都不会，孩子，这个单位不适合你。

②面试的时候，要把面试官引入自己擅长的领域，不要哪里不会点哪里。

③向面试官展示最真实的自己。

④保证足够的营养，我已经好多年没吃过药了，哇哈哈！

⑤重要的是查漏补缺，时间不等人，只争朝夕啊！

⑥给大家推荐天善智能，来进行学习，我也会陆续在里面发文章。

天善学院svip正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名！

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

在数据分析中定义成功已经有一段时间了。大约两年前，我试图在院长讲座的中探讨这个问题，但最终我认为我错过了这个标记。在那次演讲中，我试图找出标准（我称之为“美学”），通过这些标准，我们可以普遍地评估数据分析的质量，并尝试与音乐理论进行类比。这是一次有趣的谈话，部分原因是因为我必须扮演查尔斯艾夫斯的第二交响曲。

根据我的经验，统计学家不会非常讨论这个话题。这要么是因为它是如此愚蠢，以至于每个人都对它有一个（未说出口的）理解，或者每个人对它有一点点不同的理解，或者没有人理解它。无论哪种方式，在我作为统计学家近二十年的时间里，我认为我没有与任何人就数据分析的成功进行多次深入的对话。我讨论过话题这个最多的的的英文关于与希拉里帕克的非标准偏差，这是一个经常谈话的话题。最近，希拉里发表了一篇关于这个主题的演讲，所以我受到启发，写了一些东西。

我想我已经解决了以下数据分析成功的定义，即：

如果呈现它的受众接受结果，则数据分析是成功的。

这里有很多要解开的东西，所以我会介绍它们。我认为重要的两个关键概念的英文接受状语从句：观众的概念。

验收

第一个想法是接受的概念。将这与信仰混淆是很诱人的，但它们是两个不同的概念需要保持分离（尽管有时可能很难）。接受分析涉及分析本身 - 应用于其的数据和方法，以及解释结果的叙述。对结果的信任取决于分析本身以及分析之外的许多其他事情，包括先前的分析，现有文献和科学状态负责任的受众可以接受分析而不必相信其主要主张，但这两个概念可能是相关的。

例如，假设贵公司的一个团队设计了一个实验来收集数据，以确定降低窗口小部件的价格是否会对您的小部件制造公司的利润产生影响。在数据收集过程中，出现了一个问题，导致某些数据以潜在的信息方式丢失。然后将数据交给您。您可以通过多种插补或其他调整方法尽力解决缺失和由此产生的不确定性。在一天结束时，您向我展示分析并得出结论，降低小部件的价格将使利润增加3倍。我可能会接受您正确地进行了分析，并相信您已尽最大努力解决使用最先进方法在收集过程中遇到的问题。但我可能不同意这个结论，部分是因为缺少数据引入的问题（不是你的错），也部分是因为我们之前降低了我们销售的另一种产品的价格，并且没有相应的利润增长。考虑到进行实验的巨大成本，我可能最终决定放弃尝试修改小部件的价格并将其保留在原来的 位置（至少目前为止）。分析取得了成功。

这个简单的例子说明了两件事。首先，分析接受主要取决于分析的细节以及我是否愿意相信分析师所做的事情。丢失的数据是否占了？是否适当提出了不确定性？我可以推断数据并理解数据如何影响结果吗？其次，对我的查询查询结果信念部分取决于分析之外的事情，这些事情主要在分析师的控制范围之外。在这种情况下，这些是收集过程中缺少数据的存在以及降低不同产品价格的完全独立的体验。在您的分析中，我如何权衡这些外部事物是个人偏好。

验收与有效性

在科学背景下，考虑有效性的英文很有诱惑力的。在这里，如果声明是真的，则数据分析是成功的。如果我分析有关吸烟习惯和死亡率的数据，并得出吸烟导致肺癌的结论，那么如果这种说法属实，那么我的分析是成功的。该定义的优点在于它消除了接受的主观因素，这取决于呈现分析的受众。但是对于任何给定的分析来说，有效性是一个非常高的标准。在这个吸烟的例子中，吸烟和死亡率数据的初步分析直到完成几十年才被认为是成功的。大多数科学结论要求独立调查人员和分析人员在社区认为或得出结论认为是真实的情况下，多年来会发生多次重复。让数据分析师陷入困境这么长时间似乎不切实际，坦率地说，不公平。最后，只要我们认为他们做得很好，我认为我们不想惩罚数据分析师做出的结论是错误的。这些说法是否真实可能取决于他们无法控制的事情。

相关的分析标准本质上是内在有效性的概念。我们不是等到我们能够验证分析声明（可能是几十年后），我们可以通过正确或最好的方式评估分析方法已经完成，并采用了正确的方法。但这种方法至少存在两个问题。在许多情况下，不可能知道什么是最好的方法，或者什么是应用方法的最佳组合，这表明在许多分析中，我们不确定成功。这似乎相当不令人满意，最终不切实际。想象一下，聘请数据分析师并对他们说：“在你做的绝大多数分析中，我们都不会知道你是否成功。”其次，即使在理想情况下，我们知道什么是正确的或最好的，内在的有效性是必要的，但远远不够。这是因为上下文其中进行的分析对于理解什么是合适的是至关重要的。如果分析师不了解这种情况，他们可能会从分析和解释的角度出现重大错误。但是，同样的错误在不同的背景下可能是无害的。这一切都取决于，但分析师需要知道差异。

我想到的一个故事来自乔治·W·布什在2000年美国总统大选中对戈尔的选举胜利。这次选举取决于佛罗里达州的选票，布什和戈尔非常接近。最终，提起诉讼并进行了一次审判，以确定计票的确切方式。统计学家被要求为布什和戈尔作证。为戈尔团队作证的统计学家是前耶鲁大学的尼古拉斯·亨纳特纳（当我在那里时，他是我的本科顾问）。Hengartner对戈尔团队给他的数据进行了彻底的分析，并得出结论，佛罗里达州的选票数量存在差异，而且一些选票数量不足。但是，在盘问时，布什的律师能够在“陷阱”时刻抓住Hengartner，这最终与收集数据的方式有关，关于Hengartner一直没有意识到的数据。分析是否成功？没有直接参与就很难说。没有人质疑Hengartner在分析中使用的方法，这在很大程度上都是一个非常简单的分析。因此，人们可以说它具有内在的有效性。然而，人们也可以争辩说他应该知道如何收集数据（也许是更广泛的背景）的问题，并将其纳入他的分析和向法院提交。Hengartner的分析只是提出的一系列证据中的一个，因此很难说它在最终结果中扮演了什么角色。

听众

所有数据分析都有受众，即使您是这样的受众。最终，观众可能会接受分析结果，或者他们可能无法接受，在这种情况下，可能需要进行更多分析。分析师的成功可能取决于与分析师不同的人可能会让一些人觉得不舒服。但是，我认为这是所有数据分析的现实。不幸的是，成功取决于人类，这是分析师必须准备好应对的事情。认识到人性在决定数据分析的成功中起着关键作用，这解释了我们可能认为是好的或坏的分析的一些关键方面。

叙事的作用

数据分析应该是关于数据的，对吧？只是事实？在大多数情况下，直到您需要将您的发现传达给观众。问题在于，在任何对他人有意义的数据分析中，只有太多的结果要呈现，因此必须做出选择。根据受众的身份或受众群体的构成，您需要调整演示文稿，以便让受众接受分析。这是怎么做到的？这有两个极端。

在最糟糕的情况下，它是通过欺骗完成的。带有混乱轴的图形或模糊关键数据的表格; 我们都知道恐怖故事。复杂的观众可能会发现这种诡计并拒绝分析，但也许不会。那就是说，让我们假设我们是纯洁的。如何组织演示才能成功？我们都知道另一个恐怖故事，即数据转储。在这里，分析师展示了他们所做的一切，并基本上将解释的负担转移给了观众。很少这是理想的。在某些情况下，观众只希望数据进行自己的分析，但分析师不需要浪费时间进行任何分析。

最终，必须分析师选择要呈现的内容，这可能会导致问题。必须做出选择以适应分析师关于“数据发生了什么”的叙述。他们会选择包括一些情节而不是其他情况和一些表格而不是其他表格。这些选择由叙述和数据解释指导。当观众对数据分析感到不安并且他们是诚实的时候，他们通常会对选择的叙述感到不满，而不是事实本身。他们会对分析师选择包含的数据分析师状语从句：选择排除的数据的组合感到不满。你为什么不把这些数据包括在内？为什么这个叙事如此集中于这个或那个方面？

创造力的作用

在一个极端情况下，可以认为数据分析师应该很容易被机器取代。对于各种类型的数据和各种类型的问题，应该有一种确定性的分析方法，改变不会据同性质的，这可以被编码到计算机程序中，并且每次都可以将数据馈送到程序中，最后呈现结果。每个数据分析是如此不同以至于需要人来制定解决方案？“创造力”和“数据分析”这两个词怎么能出现在同一个句子里呢？

嗯，每个分析都是不同的，这是不正确的。例如，许多功率计算是相同的。但是，究竟如何使用这些功率计算可能会因项目而异。即使是相同研究设计的相同计算也可以在不同项目中进行不同的解释。其他类型的分析也是如此，例如回归建模或其他更奇特的建模。在数据分析中需要创造力的原因必须从根本上解决我们传统上认为在数据“外部“的事情。

观众是“外部数据”和影响力的一个关键因素是如何，我们分析数据并呈现结果。一种有用的方法是考虑需要生产什么样的最终产品，然后从那里向后工作以产生结果。例如，如果“观众”是另一种算法或程序，那么输出的确切性质可能并不重要，因为它可以适当地馈送到管道的下一部分。特别是，可解释性可能不会那么重，因为没有人会关注这部分的输出。但是，如果一个人会在查看结果时，您可能希望专注于一种建模方法，该方法可让该人推理数据并了解数据如何通知结果。例如，您可能想要绘制更多的数据图，或者如果数据集不是那么大，则显示详细的表。

在一个极端情况下，如果受众是另一个数据分析师，您可能希望进行相对“轻松”的分析，然后以这样的方式准备数据，以便可以轻松地将其分发给其他人进行自己的分析。这可以是R包或CSV文件或其他形式。其他分析师可能不关心你的幻想可视化或模型; 他们宁愿拥有自己的数据并制作自己的结果。

部分原因是需要创造力，因为数据分析师必须对受众的需求，背景和接收数据分析结果的偏好进行合理评估。如果分析师可以访问受众，分析师应该询问有关如何最好地呈现结果的问题。否则，必须做出合理的假设，或者为演示文稿本身准备意外事件（例如备份幻灯片，附录）。

“不一致”的结果

很多时候，我有过为两个不同的观众提供相同演示文稿的经验。一个观众喜欢它而另一个喜欢它。如果两种情况下的分析和表述完全相同，怎么可能呢？事实是，不同的受众可以接受或拒绝分析，具体取决于他们是谁以及他们的期望是什么。一个常见的场景是向“内部人士”做一个演讲，他们非常熟悉该领域的背景和标准实践。将该演示文稿逐字地呈现给不熟悉的“外部”观众通常会导致失败，因为他们无法理解正在发生的事情。如果外部受众希望将某些程序应用于数据，那么他们可能会要求您执行相同的操作，并拒绝接受分析，直到您这样做为止。

我清楚地记得我曾经介绍过一些我曾经做过的空气污染和健康数据分析的经历。在实践中，与我自己的小组进行的谈话一切顺利，我认为事情已经相当完整。当向外部小组发表同样的谈话时，他们拒绝接受我所做的（甚至解释结果），直到我还使用不同类型的样条模型进行单独的分析。这不是一个不合理的想法，所以我做了单独的分析，并且在同一组的未来事件中，我并排地提出了两个分析。他们对结论并不满意，但辩论不再集中在分析本身，而是集中在其他科学方面。回想起来，即使他们不一定相信结论，我还是接受了分析。

概要

我认为我提出的成功数据分析的定义具有挑战性（并且可能令人不安），因为它表明数据分析师负责数据之外的事情。特别是，他们需要了解收集数据的背景以及将呈现结果的受众。我也认为这就是为什么我花了这么长时间来解决它。但我认为这个定义更清楚地解释了为什么成为一名优秀的数据分析师的英文如此困难。当我们考虑使用统计学家开发的传统标准进行数据分析时，我们很难解释为什么有些人比其他人更好的数据分析师以及为什么有些分析比其他人好。但是，当我们考虑数据分析师必须兼顾数据的内部和外部各种因素以取得成功时，我们会更清楚地看到为什么这是一项如此艰巨的工作以及为什么好人很难得到。

数据分析成功定义的另一个含义是，它表明人性起着重要作用，而且许多成功的数据分析本质上是人类关系的成功谈判。与使用线性模型或二次模型相比，与受众的良好沟通往往在成功中发挥更大的作用。当分析师必须选择要呈现的内容和省略的内容时，分析师和受众之间的信任至关重要。承认人性在数据分析中发挥作用是困难的，因为人类是高度主观的，不一致的，并且难以量化。但是，我认为这样做可以让我们更好地了解如何判断数据分析的质量以及如何在将来改进它们。

PS：网舟科技长期专注于金融保险、通信、航空、互联网、旅游酒店...

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。