本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

数据时代已经到来，但数据分析、数据挖掘人才却十分短缺，据全球顶尖管理咨询公司麦肯锡（McKinsey）一份详细分析报告显示：

预计到 2018 年，大数据或者数据工作者的岗位需求将激增，其中大数据科学家的缺口在 14 万到 19 万之间，对于懂得如何利用大数据做决策的分析师和经理的岗位缺口则将达到 150 万！

先来了解一下数据分析，就是以商业目的为驱动，所开展的获取数据、处理数据、分析数据、展示数据和撰写数据结构报告的一系列科学过程。

针对这个过程，R 都有相应的方法可以较好地处理和完成数据分析所涉及到的内容。R 是一种免费的、开源的语言和操作环境，其初衷是为了统计计算和画图，但是 R语言现在能够做的事情已经远远地超出了其初衷，可以在诸多领域进行应用，比如，数据挖掘、机器学习、社交网络、生物信息、金融数据分析等。同时，R 提供了成千上万的专业模块和实用工具，是从大数据中获取有用信息的绝佳工具。

许多研究院，公司和大学已经使用 R。在过去几年，许多包括 R 的参考和应用 R 函数进行计算的图书相继出版。在 2015 年就被 IEEE 列入 2015 年十大语言，近几年也依然占据数据分析主流语言的绝对地位，所以，学习R语言是一项明智的职业投资。

R语言的强大功能

R是一套完整的数据处理、计算和制图软件系统。

其功能包括：数据存储和处理系统；数组运算工具（其向量、矩阵运算方面功能尤其强大）；完整连贯的统计分析工具；优秀的统计制图功能；

简便而强大的编程语言：可操纵数据的输入和输出，可实现分支、循环，用户可自定义功能。R 语言配有专业的图形交互界面，对没有编程基础的用户也非常友好， R 语言上手入门极快，是学习数据分析、数据挖掘的最佳编程语言。

现在上海数据分析网联合哈步数据首席数据科学家、跟随R发明者之一Ross Ihaka进行R语言二次开发的高老师，推出了机器学习与数据挖掘—R语言实战课程，3月17日开课！

【课程信息】

授课方式：面授直播两种形式，中文多媒体互动式授课方式

授课时间：

2018年3月17-18日

9:00-12:00，13:00-16:00

学习期限：线上（视频/直播）与线下相结合，长期学习。

微信群、QQ群练习答疑。

滚动开班，一次报名，可以申请免费回来听课。

课件资料：课程内部资料，人手一份，上课现场发放

CPDA和CDA学员优惠

更多团报优惠请咨询相关老师

【教师简介】

高杨，哈步数据首席数据科学家，跟随R发明者之一Ross Ihaka进行R语言二次开发，十几年的数据分析师从业经验。精通SAS、R等数据分析软件，主导过多个大数据项目。精通R语言，小班教学。

从普通运营到高级运营，你可能需要具备很多的技能，每个人的专长可能各有侧重，但是有一项你必须掌握，那就是数据分析。

最近听到自己的闺蜜不断的抱怨某节课的高级运营进阶课程好难，太多与数据相关的案例和作业，自己完全没有基础，也不懂数据分析，后悔莫及。其实，从普通的执行层运营到高级运营没有捷径，但是却有一个必备的技能，就是说了千万遍但还是被你忽略的“数据分析”。

大数据时代，数据是一家企业的导航仪，同样也是运营工作的坐标，任何的商业行为，最终都要在数据上体现成果，越来越多的企业专门设立了数据运营，数据分析师等岗位。甚至在招聘网站上随意搜索的运营岗位，工作职责中基本都会涵盖部分数据分析的能力要求，对于运营人来说，拥有数据分析的能力已然成了快速进阶的加速器。

这些应该足够引起你对数据分析的重视。数据分析已经不单单是一种专业垂直的能力，从用户运营，产品运营，新媒体运营，内容运营，渠道运营，活动运营等每个职位本身来讲，都需要数据来追踪效果，得到反馈。

很幸运曾经在专业的数据分析公司做了一年的运营，跟着阿里系的高级数据分析师学习了数据分析以及数据驱动产品和运营的本质内核，今天就从案例和数据分析的方法和价值上讲讲为何你需要这项技能来进阶。

数据驱动运营，运营工作的本质是什么你真的知道吗？

运营工作不管是做一个活动，写好一篇推广文案，还是做一次推广投放，还是管理一个用户群，都是要通过一系列的运营手段，更好的作用于一款产品，辅助产品的成长，还要管理用户的预期，打动用户，与用户建立情感连接。在此过程中，所有的运营行为，最终都要量化成对应的指标，所以，运营工作的任何一步都需要数据支撑。

数据之所以可以驱动运营和商业行为，是因为数据能够带来价值：

可以客观反映一款产品的状态和所处的阶段；做完一次运营行为，可以通过数据知道效果好不好，问题出在哪里；数据可以直接的告诉你实现某个目标的最佳路径；精细化的数据分析可以帮助更加了解用户，理解用户。

所以，数据分析需要以目标为导向，学会做数据维度的逐级拆分，以结构化思维来做运营数据的全面的，系统性的分析。哪个是最好的流量来源渠道？高质量用户的行为特征是什么？活动转化设置的转化率是多少？都是依靠数据来进行调整内容和决策。

数据分析的基本思路和框架

我们可以按照以下思路来进行运营工作中的数据分析：

1. 确定数据分析目标；2. 明确数据目标的关键影响维度拆解；3. 找出不同数据维度之间的关联和关系，从而建立起数据关系模型；4. 发现问题数据及出现的云隐；5. 针对问题数据影响维度做出相应的优化。

任何的运营行为，都可以按照此思路来进行数据的采集、整理、分析，得出我们想要的结论。

运营工作中的数据分析，需要找到当前的关键指标数据

根据企业的商业模式和产品所处的阶段，即便非技术企业也需要一些简单且关乎核心的指标数据，并持续的关注下去。

对照下表，现在你的商业模型和运营工作处于哪一个阶段，还需要什么才能进入下一个阶段？

经典的数据分析方法，百试不爽

海盗指标 AARRR

海盗模型相信做运营比较久的同学都听说过，海盗指标是经典的数据分析方法，应用范围较广泛，大部分的产品模式都可以使用海盗指标AARRR来进行数据监测，也是创业公司及前期的运营行为最需要关注的指标分类：获取用户、提高活跃度、提高留存率、获取营收、自传播，简称AARRR。

这五个指标并不一定遵循严格的先后顺序，例如：用户可能先推荐某一个产品后再购买，或者在光顾很多次之后再注册。

漏斗模型

用户GA的同学应该经常见到这个图片，目前国内的数据分析软件已经能够达到6个层级的漏斗分析，并且十分详细。漏斗模型的分析方法可以帮助你理解产品是如何获取到用户的注意力的，并且能够清晰的得知用户从最初登陆产品的一系列行为的全过程（完成一次购物，生产一些内容，分享一段信息）。

还有常见的金字塔模型、病毒式增长引擎等都是通过固定的模型进行数据分析的分析方法。

第一关键指标的驱动力

在数据分析中，能够有效驱动运营的指标并不是千篇一律，大量的虚拟指标是无效的。因此学会找到第一关键指标很重要。下面通过几个实际案例来说明一下第一关键指标的驱动力。

数据分析并不难（后面会推荐入门及进阶的数据分析书籍），但是，要在众多的数据指标中找到第一关键指标并不容易。

Linkedln 通过数据找到提升转化率的第一指标

Linkedln 是国际知名的职场社交服务，创始人雷德·霍夫曼曾效力于苹果公司及富士通公司，他深知用户的数量与结成的关系网络深度直接决定了其价值的大小，因此，他带领团队做了一系列的增长测试，通过反反复复的试验，做了大量的数据分析，最终确定新注册用户愿意邀请的朋友数量达到“4”个，能实现最大程度的邀请转化率。找到了这个关键指标就对产品和运营工作做了一系列的优化来提升增长。

同理社区型产品，都可以通过找到第一关键指标，比如新注册用户关注几个人，产生多少点赞，评论等行为，留存率会提升，流失率会降低。

MOZ公司通过减少KPI数目来更好的集中注意力

MOZ（SEOmoz）是一家成功的软件即服务（software as aService,SaaS）供应商，主要业务是帮助企业监控和提升其网站在搜索引擎中的排名，在2012年5月份公司成功融资1800万美元之后，MOZ的首席执行官兰德·费西金在网站上发表了文章，还分享了一些非常具体的关于客户从免费试用转化为付费或流失的数据。

MOZ的增长营销官副总裁乔安娜·洛德在后面的访问中提到了moz是如何处理这些指标的：“我们是非常依靠数据做决策的公司，每个团队每周都要向整个公司汇报KPI、进展、并总结。我们还在公司的墙上挂上超大的屏幕，即时显示我们的付费客户数量和试用用户数量，实现全公司层面的数据透明可以使员工随时了解情况，同时也是对公司当前进展的一个很好的提醒。”

对于一个已经找到产品与市场契合点，正在扩大规模的公司而言，保持对单一指标的专注变得更有挑战性，这并不奇怪，不同的部门都在快速的扩张，企业已经大到可以同时处理多件事务。但，即使有了各项同时进行的项目，乔安娜说，还有一个指标远高于其他指标：净增加。这个指标是总的新付费客户（包括从免费试用转化而来和直接购买收费版的客户）减去总退订客户数。

乔安娜说：“净增加有助于我们快速的发现退订量高的日子，并寻求问题，同时还有助于我们理解免费试用版的转化率表现如何。”

Moz也跟踪一些其他数据指标，如总付费客户数、昨日新增免费试用用户、以及七日平均净增加。所有这些都归结为每日平均净增加。

当MOZ进行最后一轮融资时，主要投资人之一、Foundry Group的布德拉·菲尔德建议moz跟踪更少的kpi。

“主要原因是，作为一个公司，你不可能同时影响几十个KPI。”乔安娜说：“布德拉提醒我们太多的数据会适得其反，你会迷失在并不重要的奇怪数据趋势中，很多时间还可以被浪费在报告和沟通一些并不触发行动的数据上，通过将每日KPI控制到几个很少的指标，我们能够更清晰的认识到公司的专注点在哪里，以及做得好不好”

Moz是一家指标驱动的公司，但这并不意味着它被海量数据所淹没，他们专注于唯一一个高于一切的指标：净增加。同时跟踪很多指标很了不起，但也是一条让你失去专注度的不归路。

Solare只关注少数几个关键的指标

Solare Ristorante 是一家意大利餐馆，餐馆的主人兰迪是一名连续创业者，具有技术和数据方面的背景，曾任Teradata 咨询公司总经理，并成功卖出过五家技术创业公司。

他把数据驱动的思维引入参观中,并一直在寻找关于商业指标的例子，他们在一天晚上成功的找到了这个数据：“24”。

他解释数字的含义：“每天，员工都会告诉我前一天人工成本占毛收入的比例，这是餐饮业的很出名的数字，它非常有用，因为它结合了两个你有所掌握的东西：用餐人均消费和人力成本”

“如果人力成本超过了毛收入的30%，就说明餐厅运营的不好，因为这意味着你可以在人工上投入过多，或者顾客人均消费太低。”一家米其林星级餐馆之所以雇得起更多的员工，支付得起更高的工资，就是因为它的红酒售价昂贵且人均消费很高，相反，一家低利润的休闲餐厅必须压低人工成本。

兰迪还使用了一个次级指标预测顾客量，每天下午5点，他的员工会告诉他当晚收到的预约量，如果在5点收到50桌预定，那今晚的孤客量就会在250桌左右，两者之间的比例通常是5：1.它使solare团队能做出及时的调整，增减当班人数或购进更多食材，以应对当晚的客流量。

荐书：学习数据分析的经典书籍

《精益数据分析》精益数据分析是最经典的一本书，很多数据分析师当作教科书来用。

《谁说菜鸟不会数据分析》

这系列有三本，是入门级别的书籍。

再深入一点的同学，可以学习下面的几本：

《深入浅出统计学》

《深入浅出数据分析》

数据分析是一门技术，更是运营人必会的技能，没有数据支撑的运营就好比盲人摸象。想做好运营，一切用数据说话。

数据分析是什么，不懂的小伙伴们请自行了解哈。做运营的，不会数据分析，你可能就不知道自己应该往哪个方向发展，数据是检验你每一件的最终标准。

作为一个运营，你需要了解数据分析的以下几点：

1. 明确数据分析的目的

做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。

明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

说到收集数据，首先要做好数据埋点。

所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

目前主流的数据埋点方式有两种：

第一种：自己开发。开发时加入统计代码，并搭建自己的数据查询系统。

第二种：利用第三方统计工具。

常见的第三方统计工具有：

网站分析工具：Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计......

移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics......

不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。

3. 产品的基本数据指标

新增：新用户增加的数量和速度。如：日新增、月新增等。

活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多，越有可能为产品带来价值。

留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。

传播：平均每位老用户会带来几位新用户。

流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

这里主要科普下漏斗分析法和AARRR分析模型。

①漏斗分析法

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

②AARRR模型

这个是所有的产品经理都必须要掌握的一个数据分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

举个例子，用AARRR模型来衡量一个渠道的好坏。

如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

③交叉分析法

交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。举个例子：

a. 交叉分析角度：客户端+时间

从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。

b. 交叉分析角度：客户端+时间+渠道

从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

5. 如何验证产品新功能的效果

验证产品新功能的效果需要同时从这几方面入手：

a. 新功能是否受欢迎?

衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。

b. 用户是否会重复使用?

衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。

c. 对流程转化率的优化效果如何?

衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。

这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。

d. 对留存的影响?

衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。

e. 用户怎样使用新功能?

真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。

6. 如何发现产品改进的关键点

产品改进的关键点，是藏在用户的行为中。

想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

操作步骤：

7. 写在最后

数据分析这个领域，需要学习的内容，还不止这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：

A、网站分析在中国

http://chinawebanalytics

B、蓝鲸的网站分析笔记

http://bluewhale.cc

很多人都不知道为什么网站要做数据分析，那么现在我问问你，你的网站每天、每个月有多少人来访问?你的网站在一天当中的哪个时间段来访量最高?你的网站访问者都是从哪里来的?哪个渠道来的访问者对你最有用?你的访客来访你的网站都是想要找到些什么东西?网站的访客都是从哪个地方离开的?如果访问量增加了，那是因为什么增加的?如果网站访问量减少了，那是因为什么减少的?这些你通通都知道吗?不知道的话那就来了解一下网站为什么要做数据分析吧。

一、什么是数据分析?

是把隐没在一堆看起来杂乱无章的数据中提取出有用的信息，以找出研究对象的内在规律，帮助我们决策的就叫做数据分析。

二、网站数据分析的重要性

一般在评价一个网站的好坏的时候，都是用：这个网站每天能赚多少钱，网站每天有多少流量等等来判断一个网站，这些流量又都是从哪来?这些钱又都是哪些用户来转化?能否进一步提升流量?能否进一步提升转化?当你遇到这一连串的问题的时候，通过对网站进行详细的数据分析，你就可以清楚的知道流量与赚钱背后最真实的情况，而这，就是数据分析的意义。

三、通过网站数据分析我们能得到什么?

1.知道这是什么。刚接手一个网站的时候，你必须了解这个网站现在正处于什么阶段，简单点说就是收集和分析网站的点击数量，用户数量等，这些通过网站自身的系统或第三方免费工具都能够很清楚的知道。

2.知道这是为什么。接手一个网站的时候，通过各种工具我们可以知道这个网站的各项指标数据，知道了网站的发展现状，那么我们就需要进行分析了，这个网站的流量是从哪里来的?为什么跳出率过高?为什么转化率过低等问题，要知道为什么会发生这些问题。

3.应该怎么做。了解网站现状并且能够从各方面分析出原因，那么这些重要的信息将能够影响我们的决策，让我们能够知道将要做什么，能够对网站的发展与规划理出更清晰的思路，实行必要的策略和战术调整。

上周笔者小丹为大家讲了关于数据分析的问题，解释各种数据之间的关联性和区别，同时和大家说了当网站数据出现异常的时候可以通过网站数据来进行分析。之后小丹也收到了一些朋友的提问，说到底为什么要做网站数据，这些数据到底有什么用，要怎么来看？所以，进行小丹要和大家来说的就是我们为什么要来做网站的数据分析。

第一，为什么要看网站数据。

网站数据是一个网站现状的具体展现，可以说网站数据是网站的侧写，所以我们作为网站的SEOer而不是网站编辑，一定要懂得来看数据，以知道目前我们的网站处于一个什么样的情况，以便进行下一步优化计划。

1、知道网站目前情况。任何时候看网站数据都要带着目的性的来看，这样你才能够知道这些数据所代表的意义，而不是漫无目的的来单纯的看这些数据，那样对我们的优化毫无帮助。例如，我们来看ip有可能因为：看网站的流量是增加减少；网站出现了问题是收录减少？是关键词排名都下降？是单个关键词排名下降？从这个词的搜索来源流量可以分析出是不是最近的流量减少或者跳出率增加导致判定不满足用户需求。

2、知道网站目前的问题。首先你要先知道你的网站目前出现了什么问题，然后分析这个问题会有那些原因和情况导致的，最终分析出来这些原因可以反映在数据的哪个方面，在根据这个依据来看数据。举个例子说明：网站降权是不是真正的权重降权，判断方式：网站内外部综合评分，内部评分在于网站是否改版，改版后蜘蛛抓取后和原来不同判定打击。看网站蜘蛛：看出改版会导致蜘蛛的短时间内增加与否，通过看百度站长平台的爬行频率来判定网站是否在短时间被百度频繁抓取评分从而来进行评分观察改版后的网站页面组成元素以及来页面的流量质量度来判断网站流量和用户点击质量度观察是否出现ip下降，pv下降、停留时间下降、跳出率增加等问题就可以知道网站是否是真正的权重降权。

所以我们来进行网站数据的分析的顺序一般是：（1）确定网站出现的问题的原因；（2）知道观察网站的哪些数据能够知道网站出现问题的根本原因；（3）通过观察这些数据得到问题的结果，从而制定恢复计划。

第二，用问题来观看网站数据。

网站最常见的问题有：权重下降/上升，最重要的外在表现，流量变化、排名变化、收录变化；网站流量变化一般表现在关键词搜索，权重、流量、流量的质量度、网站页面质量度是通过搜索词来还是输入链接来访问判断的。所以在遇到这些问题的时候，我们多会通过百度统计工具中的统计数据来观察：

1、网站搜索词来源或者任何来源方式数据

2、网站ip数量、pv量

3、来源网站访问链接

4、网站页面跳出率

5、网站页面的停留时间

6、网站有页面热力点击图

网站权重下降首先看流量的来源方式是否发生丢失，或者来了以后的流量是否质量度发生变化，因为能够直接影响到网站降权的数据主要就是流量问题，所以我们要通过上面的七个数据来进行判断。当我们知道了网站出现问题的根源所在的时候，就要有对应的解决方式来稳定网站，否则你的数据分析也仅仅是面子工程罢了。针对网站降权我们来看看它的解封方法有哪些：

1、如果是因为某个主词排名下降导致流量减少那么我们可以通过友情链接的方式来进行改词的权重提升，通过增加自然点击来辅助关键词排名回温。

2、从百度热力图看到某些位置用户点击效果极差，那么我们就要把热力图中点击少的位置内容换成点击多的，以此来稳定页面权重。

3、进来的流量跳出率比较高我们要做的是找到跳出率高的页面然后改变它，找跳出率低的页面对比一下看看这个页面为什么高，改成低的页面的含有的元素或者效果从而提升页面质量，降低高跳出率网站页面的跳出率。

4、最近的pv量开始减少，所以找到导致跳出率高的流量看这些流量点击的页面，因为以前pv少，现在开始少，说明是增加的流量导致少，那么拿现在的流量和以前的流量比，增加的流量是增加在哪一个部分或者哪一些页面增加了流量，查询是不是这些页面导致跳出增加pv减少。

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。

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，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，未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。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

过去几年，越来越多的人想要逃离北上广，但北漂大军的规模似乎并没有缩小。北京的大学生落户指标越来越少，北京的房价越来越高、生活压力越来越大、非北京籍的儿童上学越来越难。为什么北漂们还是毅然决然地留下来，而且人数越来越多？北京为何有巨大的吸引力？

北京市外来人口的主要来源地

根据第六次全国人口普查数据，北京常住外来人口的82.5%来自东北、北部沿海、黄河中游及长江中游地区，比重较2000年上升5.8个百分点，外来人口的来源地区集中程度有所加强 。其中，65.7%的外来人口来自河北、河南、安徽、山东、黑龙江、湖北和四川七个省。

主要来源地为河北、河南，河北省占常住外来人口的22.1%，河南省占13.9%，四川省位居第三，占8.5%。

北京与外来人口来源都在人均GDP方面的差距

主要来源地人均GDP普遍低于北京的人均GDP。河北的人均GDP仅相当于北京的40%。与北京差距最小的是山东省，但也仅为北京人均GDP的62%。

北京与外来人口来源地在人均可支配收入上的差距

主要来源地的人均可支配收入与北京差距较大，均没有北京的一半水平。主要来源地河北省其人均可支配收入相当于北京的37%。最高的省份山东省、湖北省也仅相当于北京的47%、41%。

收入差距的巨大吸引了无数来京人士。

北京与外来人口来源地在重点国有企业数量和高新技术企业就业机会上的差距

102家央企中，总部在北京的占81所，343家国有重点企业中，65家的总部在北京。北京各开发区有15026家高新企业，为138.5万人提供了就业机会。

在北京就业机会相对较多，容易找到适合自己的工作单位。

北京与外来人口来源地在平均工资上的差距

平均工资较高的城市有济南、青岛、成都，但也仅为北京的61%。

北京在文化和 医疗方面也有着突出的优势。

北京本地医疗资源配置很高，具有显著的医疗优势和便利服务。

在北京平均每5.4万人即有一家剧场或影剧院提供服务。北京的人均图书馆藏量为1.1本。

北京拥有着优质的资源，几乎每一种资源都可以达到最优。所以北京的吸引力极强。但北京不一定适合所有人，适合自己的才是真正好的。

数据及数据图片来源：FT中文网。

因为大数据爆发，因此出现了大数据开发、大数据分析这两大主流的工作方向，目前这两个方向是很热门，不少人已经在开始转型往这两个方向发展，相较而言，转向大数据分析的人才更多一点，而同时也有不少人在观望中，这边科多大数据收集了十个为什么要学习大数据分析的十个理由。

下面我们一起来看看大数据专家写给大数据分析学习者的10个理由

为什么大数据是新的前沿

如果你想在这个世界取得成功，你必须学习趋势。通过查看可用于您的利基的分析数据，您可以确定不同的方法 ，您可以通过这些方式取得积极的成果。一切都取决于数据。从大型跨国公司到小企业。所有伟大的人都使用这些数据为公司的未来制定更好的策略。现在想象成为所有这种疯狂的中心。想象一下，在作出重大业务决策之前，他们是如何做到的?那就是你将和谁同行才能快速成为优秀的数据分析决策师?

你应该学习数据分析的原因

1.数据分析现在是顶级组织的优先事项

随着市场竞争的加剧，顶级组织正在转向数据分析，以确定其服务和产品的新市场机会。目前，77%的顶级组织认为数据分析是业务绩效的关键组成部分。这意味着大数据专业人员对公司政策和营销策略产生巨大影响。

2.增加就业机会

随着公司开始意识到他们无法全面收集，解读和使用数据，他们开始寻找可以这样做的专家。如果您查看所有主要的就业机会平台，您将看到越来越多的职位发布寻找数据分析师和顾问。具有这一特殊技能的专业人士的需求正在上升，而供应仍然很低。这为这一-领域的个人创造了巨大的就业机会。

3.增加数据分析专业人员的工资

随着需求稳步增长，供应依然低迷，数据分析专家越来越多地得到报酬。在印度，像现在这样，数据分析专业人士的平均支付比其他IT专业人士的平均水平高出50%。随着越来越多的公司意识到这些专业人员对组织的重要性，这一趋势在全球显而易见。

4.大数据分析无处不在

正如现在在当今工作场所使用计算机一样，使用故据分析专业人士来促进增长是缓慢的。DataAnalytics几乎没有任何部门保持不变。

5.你会有不同的职业选择

数据分析专家拥有广泛的职称和领域。由于大数据几乎在今天使用。您可以选择:

-指标和分析专员

-数据分析师

-大数据工程师

-数据分析顾问

这些只是您有以在大型组织（如IBM.ITrend.Opera.oracle等）中掌握的一些职位，并且可能性是巨大的。

6.您将成为公司决策的核心

工作场所不满的主要原因之一是大多数员工觉得没有决策权。他们经常觉得这只是一个很棒的公司轮毂。作为数据分析专家，您将成为您所选公司决策的核心。事实上，您将成为企业决策和未来战略的一个组成部分，从而为组织内部发挥重要作用和目标。

7.大数据分析的采用率很高

正如公司开始转向社交媒体品牌广告和客户参与一样，他们也开始转向数据分析。今天几乎不可能找到没有社交媒体的品牌。就数据分析适应而言也是如此。在不久的将来，每个公司都将需要数据分析专家。这使得它成为一个明智的职业生涯，实际上有一个未来的业务。

8. 数据分析正在快于预期

Nimbus Ninety进行的一项调查显示，数据分析的速度要比预计的快得多。调查发现 数据分析技术将在未来3年内寻找技术。

9.它代表完美的自由职业机会

在不久的将来，绝大多数的劳动力不会被束缚在一个雇主身上。人们正在稳步寻找各种各样的收入来源和方法，通过这些渠道找到完美的工作与生活平衡。数据分析，这是一个研究数字、趋势和数据的一般问题 ，为您提供了一个完美的机会，成为世界上一些最大的公司的高薪自由职业者或顾问。在很大的IT基础上，这种工作可以在任何时候从世界任何地方完成。因此，您不必被绑在桌子上。

10.开发新的收入来源

您可以分析并将好的数据信息用于良好用途，您可以轻松识别新的和未开发的创收流。这是通过增加收入来丰富您的生活的最佳方式之一。

以上算是关于大数据专家写给大数据分析学习者的10个理由，可见就目前来看，大数据分析工程师算是一个不错的方向，而且由于其对编程要求不高，学习门槛相较而言也比较低，所以如果想要进入大数据行业，但是又对编程不感兴趣的朋友，可以考虑往大数据分析方向发展。

现在科多大数据更新大数据开发、数据分析、python爬虫等试听视频，小伙伴们可上科多大数据官网咨询领取哦~