数据分析的人才需求每年都在增长，根据IBM公司进行的一项研究，到2020年，仅在美国将会有2,720,000个数据科学职位。

美国企业与高等教育论坛（BHEF）与普华永道（PWC）近期也发布重要报告，数据分析人才供给严重不足。

数据已经成了企业重要资源，各个行业都开始用数据指导决策。因此数据分析师的需求日益增长，数据岗位的薪资水涨船高，成为目前最有潜力的职业选择之一。

现在入行数据分析师恰逢其时！

激烈的数据人才争夺，主要源于国内对数据分析人才培训制度不完善，缺少人员储备。所以中国商业联合会数据分析专业委员会针对企业基础数据分析岗位推出基础项目—CDA数据分析员。

CDA数据分析员是企业根据发展需求和方向培养的专门从事基础数据分析的人员，能够进行较高级的数据统计分析和模型建立，是企业数据化发展的标配人员。

帮你从小白一步步进阶到数据分析大师。

权威证书，引你入门！

学员可以参加工信部组织的中国数据分析员认证考试，通过后可以获得双证认可：

国家工业和信息化部教育与考试中心颁发的《数据分析员职业技术证书》中国商业联合会数据分析专业委员会颁发的《数据分析专员》人才信息证明

工信部权威证书，畅游数据分析，CDA引你入门

今天我们还分享最后一节数据分析的指导理论方法，一共讲理论的分析指导方法有了三节，当然，实际过程中应用到的可能远远不只这三个，他会有很多的一些指导思路方法，我始终认为做数据分析之前你必须要先建好框架，这些方法就是建立你框架的理论指导依据。但是在我这边的话，这三种基本上是最常用的，因此暂时把这三个分享给大家，后期如果有些感觉有必要分享的话下次再分享。

今天要和大家分享的是逻辑树分析法，很多的商家经常会问我店铺做不起来，你能不能帮我分析下，或者说，我流量突然下滑了，我不知道到底是哪里出了问题，你能不能帮我分析下。

其实，如果你懂得了今天的逻辑树分析法的话，基本上你以后这种问题就再也不需要去求人了，每一次我店铺遇到问题需要分析原因的时候，我基本上都是用这个方法。

逻辑树分析法又称问题树分析法、演绎树分析法或分解树分析法等。这个分析法是最常见最常见的分析工具，逻辑树分析法是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。

把一个已知问题当成树干，然后开始考虑这个问题和那些相关问题有关，每想到一点，就给这个问题的所有树干加一个树枝，并标注这个树枝代表什么问题。简单的模型就是如图14-1

就像14-1这图一样，一个大的“树枝”上还可以有小的“树枝”，如此类推，找出问题的所有相关联项目。逻辑树主要是帮助你理清自己的思路，不进行重复和无关的思考。

很多商家经常会问到一个问题，就是我店铺销售额下滑很严重，可是我不知道到底是什么问题？这个时候你就可以按照逻辑树的分析框架去进行分析了。具体如图14-2

根据销售额的公式：销售额=访客数*转化率*客单价，那么我们就可以把一个问题拆分成三个，访客数，转化率，客单价、

这个时候，你就可以先分析，你销售额下滑到底是哪一个原因下滑了，是访客数下滑了？还是转化率下滑了？还是客单价下滑了？或者多个因素都下滑了？先分解成三个问题得出初步的结论。

例如，通过分析，你得出的结论是因为访客数下滑了。那么我们就可以就访客数继续进行分解。如图：14-3

根据访客数=展现量*点击率这个时候又可以进行两个树枝的拆分了，先清楚的了解到你到底是因为展现量不够还是因为点击率太低，这一点其实是一定要清楚的，百分之一的点击率和百分之五的点击率他们之间的访客数相差的是非常大的，所以一定要清楚的知道到底是哪一块出了问题，例如，我们经过分析得出结论是展现量的问题。那么有可以把展现量进行拆分，如图14-4

你把所有影响展现量的因素都罗列出来，然后进行一个一个的分析，看看是不是他的原因，这样你就能把你店铺的问题都找出来了。

逻辑树分析法他最大的好处就是可以帮你理清分析的思路，如果没有这种分析，可能你会很乱，一下分析这个，一下分析哪个，很多内容进行了重复的分析，很多没有意义的思考你有去思考的太多，而先做好了逻辑树框架之后，基本上你就能避免这些问题。

但是逻辑树分析也有一个缺点，就是他依赖于一个人的经验和对业务的专业程度。例如，如果你不知道影响展现量的因素有哪些，那么就算你分析到了你的问题在于展现量，那么你也没办法继续下面的分析。如果你经验不足，专业能力不强，你很容易漏掉很重要的地方，例如，你对竞争环境分析能力不强，所以你可能就会漏掉这一块，而有可能真正影响你展现量的就是竞争环境。因此，如果出现这种情况的话可能你就会走偏了。

当然，这只是一种分析思路，单纯依靠一种分析思路也是很难做好淘宝的，就好比你如果完全不懂淘宝，那么就算你思路再清晰你也做不好。掌握这些方法本身也是要建立在你的专业能力基础之上，只是说，当你有了这些专业技术和能力的时候，利用这些指导理论，你会更加的清晰，效率会更加的高。

声明：小2哥所有文章均为原创，如果你觉得对你有帮助，欢迎分享给你身边的人，但是转载需要取得授权，并注明出处和来源。

这次是第九次数据化运营内容分享了，有人我问：小2哥，你打算更新多少？写多久？

说实话，我也不知道，反正就是随心，因为一切都没有安排，每次都是有时间的时候想写了就写。不过，我想至少短期内不会停止更新，数据分析的内容还有很多很多没写的。

正式分享内容之前先和大家闲聊闲聊，我从13年开始出来写文章分享，我基本上把每一个阶段我所掌握的经验都分享给大家了，到今年有四年的时间了，每一年我都会上百篇文章，而且篇篇都是原创，这么多文章里面，要每一篇都是精品，都是高水平的话，肯定是不现实的，所以很多的时候写的其实很差，甚至也有很多写错误的东西，所以在这个过程中一方面是希望大家多多包涵，如果写的不好的，请多多包涵，如果写的好的，曾经有一篇打动过你，你可以支持下我，把你喜欢的分享给身边有需要的朋友，另外一方面如果你觉得写的很差，不喜欢的可以取关或者离开，但是请做一个素质高的读者。

今天我和要大家分享的内容是单品的数据分析。我相信对单品的分析是每一个商家都想要的，我们都希望把单品打造成爆款，但是在这个过程中，很多的商家头痛，就是他不知道如何的去做单品的数据分析，应该分析哪些内容？应该如何的利用数据去制定运营计划，应该如何的挑选哪一个款式推广，应该如何的选择哪些关键词……所以，今天我就分享下我自己这边是如何去利用数据和决策的，单品分析是会写好几节，今天重点写流量分析。

1.流量来源的分析？

这一点是我们每一个商家都需要做的事情，我们必须清楚的知道该宝贝的流量来源结构，引流的渠道，每一个流量的占比情况，每一个流量渠道的转化率情况和时间变化趋势等等。

进入生意参谋-商品-单品分析，然后选择你需要分析的宝贝

在流量来源去向可以看到该商品的每一个流量渠道的流量情况，该渠道的流量效果，他的转化率是多少？加购收藏情况怎么样？

这里我们可以把数据再处理一下，用图表的形式表现出来，这样更加的直观的一些。

选择好日期，然后下载数据

在不启用数据编辑的情况下复制这里面的所有数据，记住，不要去启用编辑，一启用以后容易变成文本格式，到时候会比较麻烦，直接在这个页面复制就行，不需要启用编辑。

新建一个Excel文件，把刚刚复制的内容粘贴到文件里面，粘贴成匹配目标格式的类型。

选中来源和访客数，然后插入-饼图-复合饼图

这个时候简单的复合饼图就出来了，把红色区域的标签删除掉

单击饼图，右键点击添加数据标签

在单击饼图，右键设置数据标签格式

勾选这几项，其他的都去掉，这个时候基本的图形模型就出来了，但是一般情况下，我们主要关注的是前十流量渠道的情况，而后面的话我们可能关注度不高，所以我们希望的是左边饼图只展示前十的渠道，其他的渠道都在右边饼图去展示。要实现这个操作其实很简单。

点击饼图，右键点击设置数据系列格式

把第二绘图区中的值改为34，为什么改为34？因为我们一共有44个系列，而我们只想在一个饼图展示前十的数据，那么也就是说还有34个系列我们希望他展示在第二个绘图区中，也就是34的来由。

设置完成之后，这样图形的做好了，第一个饼图展示了前十的流量渠道，每一个渠道的占比是多少，我们可以就可以很直观的看到每一个流量渠道的占比情况了。不再像刚刚一样看到的全部数据，那样会比较凌乱，图标展示会更直观一些。

从上图中我们可以看出，占比最大的三个渠道是手淘首页，手淘搜索和直通车，这个三个最主要的流量渠道肯定是我们需要重点关注的，我们不但要看他的总体占比，我们还需要看他每一天的时间趋势。例如，我们现在想看看手淘首页的时间趋势图。

点击手淘首页后面的趋势，就可以看到你选定时间内手淘首页流量的变化情况，比如这图，我们可以看到，我们的手淘首页流量是一直下滑的。这个时候看到这种不乐观的情况下，我们就需要分析到底是为什么会造成这种情况？他是正常的还是非正常的？如果是非正常的话、那的这样的原因是什么？接下来我们还能怎么做使他更好？

简单的就说，你要了解现状，分析原因，预测未来。这就是数据分析要做的事

同样，你还可以选定看看其他的指标，例如，我还想看看手淘首页的支付转化率情况，那么我就直接勾选支付转化率，这个时候支付转化率的图形就出来，你同样也要做的就是了解现状，分析原因，预测未来。

每一个渠道你都可以这样去看他的趋势，然后了解他的现状，看看是否有异常，如果发现异常的话就分析原因，然后寻求解决方案和预测未来。

2.关键词效果分析：

这里可以看到关键词的效果，这一节今天这里就不详细讲了，具体内容参考上一节（连载08）从零开始学淘宝数据运营—数据监控和优化淘宝宝贝标题，上一节针对标题优化数据监控的时候我已经详细的写过了。

3.流量来向和去向分析

这里分析商品的流量来向和去向，主要的目的便于我们了解商品之间的互通情况。通过这个导流的情况，我们做好关联营销。关联营销是提高客单价的一个重要途径，因为我们店铺的商品单价基本是固定了的，要想提高客单价就必须要做到让买家购买多件，而要购买多件，那么关联营销就发挥比较重要的作用了，所以流量来向和去向的作用就在这里发挥出来了。

声明：小2哥所有文章均为原创，如果你觉得对你有帮助，欢迎分享给你身边的人，但是转载需要取得授权，并注明出处和来源。

我在给大家写数据分析的文章的时候，我经常会说到，做数据分析主要有三大作用：了解现状，分析原因，预测未来。

可是后来很多人就说：可是我就是不会做，我不知道该怎么的去了解现状，更加不知道该如何的去分析原因和预测未来。

其实，如果你针对每一大作用都有一套自己的指导思路的话你就会发现很简单，当然，这个过程有很多的指导方法都是可以实践的，但是今天我先和大家分享下如何利用对比分析法去了解现状。

对比分析法师在做数据分析的时候最基本的一套方法，也是我们在今后的数据分析过程中应用的最多的一套方法，因为任何事物他都是有相对性的，只要有相对性，那么就可以进行对比，有了对比你就能分辨事物的性质，变化和发展。

那么在了解现状的时候，我们应该从哪些方面去进行对比呢？

与目标计划的对比

用实际和目标计划进行对比是我们进行要做的事，看看你是否完成了计划的目标，如果图17-1所示，插入了旗子的代表了超额完成，这样进行对比，你就知道了你的现状是什么样的，你没有达到你的预期情况。

你也可以如图17-2所示，做成这种直接对比的图进行对比，方便你对现状的了解。你可以对比每一个月的请，也可以对比不同的月份

2.同期对比

如图17-3所示，这样的同期对比图也是我们在了解现状的时候经常要做的图，例如，我们想对比下今年和去年的情况，来了解到我们今年是进步了还是退步了，流量是增加了还是减少了。你就可以利用这种对比方法。

3.不同时期的对比

如图17-4所示，这种图也是我们经常使用到的对比分析图，通过对比不同时期的数据，来了解到你最近的现状，他是上升了还是下滑了。在分析数据的时候，我们经常会看变化趋势，比如说，我们的所搜流量最近一个月的变化趋势是增长的还是下滑的，那其实就是不同时期的对比。

4.区域之间的对比

如图17-5所示，我们也会经常进行地域之间的对比来了解到你目前的状态，你的买家群体主要是哪个地区的？在开车的时候，我们会进行地域设置，这个时候往往你就会利用到地域对比，看看那些地区表现的好，哪些地区表现的差，其实也是对比方法

5.竞争对手之间的对比

如图17-6所示，竞争对手对比是我们经常要做的，我们进场会去关注同行的流量，转化率等等，其实就是在拿自己的和他做对比，把竞争对手作为我们的参照物，因为只有有了参照物你才知道我们的自己的情况是好是坏。

6.优化前和优化后的对比

在做标题优化的时候，我做过一个标题数据监控的表格，其实那个表格最主要的目的就是进行对比，对比优化前和优化后的效果，通过这个效果来判定你的标题优化之后是否有进步。

当然，根据不同的需求还会有多个维度的对比，总之，就是当你想要去了解你的现状的时候，基本上你就需要利用到对比的方法，因为有了对比之后，你才能清楚的知道你的现状。

今天晚上我们又继续来分享数据化运营的内容，今晚这篇文章本来不打算分享了的，因为感觉写的还不够细，主要是有一个点没写进去，就是如何通过数据分析你的转化率到底出在哪一个具体的方面。这个是可以分析的，主要是因为我写文章都只能是晚上，而且都是快凌晨了的时候才能写，这个时候有时候脑子会有点累，容易短路，一时间想不出来，今天大家先将就阅读阅读，下次抽时间我另外再写一篇。

我看到过大部分的商家都在想方设法的引流，不惜投入大量的直通车，钻展等费用，可是如果没有转化率，你再多的流量也是白搭，而且转化率本身就是影响淘宝搜索流量的一个重要指标，如果你没有好的转化率，你也很难持续获得淘宝大量的免费流量，如果你流量不够，转化率能很高，其实这个更容易解决，至少流量你是花钱就能买到。因此，转化率的重要性也就不言而喻了，今天我们就一起来谈谈转化率的数据分析。

在生意参谋的交易有一个交易趋势，从这里面就可以看到你的转化率的情况，但是为了更加方便的对比，我个人比较喜欢下载数据下来做成excel的表格。

下载下来以后会是这样的一个表格，但是记住，不要去点击启用编辑。

如果你点击了编辑启用之后，你的数据就会变成这种带有绿色三角形的，这种是文本的格式，所以不要点击启用编辑，直接复制这里面的数据粘贴到新建的excel表格里面就可以了，粘贴的时候一定要粘贴成数值，否则也会变成问题。

粘贴到新建的excel表格中的时候，接下来插入一个数据透视表。这个前面几篇文章都写了，所以这一次就不那么详细写，如果不懂的去看前面的连载

把日期拖入到行，支付转化率和下单-支付转化率拖入到值，如果你的是以月份汇总的话，把鼠标放入到月份这里，然后右键-删除月就可以得到和我的一模一样的数据

接下来以后插入一个折线图

为了美观，我们做一下处理，把这个框往左边拖，直到两条线变成横排的形状

把鼠标放到数值这栏，右键，点击隐藏图标上的图列字段按钮，这个时候数值这行灰色的按钮就会消失，只剩下两条颜色线

接下来把这两条线拖到最下面，然后把上面的图表区域往右边拉一拉，这样就比刚刚美观了

点击图表区域，右键点击更改图表类型，选择组合图，把其中的一个勾选次坐标轴，建议两个都用折线图。当然，如果你喜欢柱形图的话也可以用柱形图，只是时间趋势一般用折线图更好看写。

这个时候你就可以清楚的看到你店铺转化率数据，以及下单-支付转化率的数据了

但是这里的数据其实还是不对的，因为我们这里的数据是pc，无线，综合三个数据的和，所以还需要插入一个切片器

插入这样的一个切片器，这个时候才算把图表做完了，接下来直接选择你需要的终端，例如，你想查看的是无线端的转化率数据，那么在切片器上点击无线端就可以了

这个时候，无线端的转化率和下单-支付的转化率数据就出来了

转化率数据我相信每一个人都会去关注，但是我很少发现有人去关注下单-支付转化率的。

事实上，下单-支付转化率这个数据是非常重要的，当你的下单-支付转化率数据比较低的时候，这个时候，你就要去分析为什么那么多买家下单了但是没有付款？

如果你发现很多人拍下不付款的，这个时候可以结合催付宝一起使用，催付其实是可以提高转化率的，这么好的一个功能，我发现有很多的商家竟然不知道，而且从来没有去使用过的，如果是那些下单-支付宝转化率低的商家一定要先去了解为什么？然后配合好催付宝，这个时候是可以提高转化率，对客服培训的时候，催付一定是必须培训。

最近，有商家反映，小2哥最近写的文章太多的分析，但是少了解决的方案，其实不是不写解决方案，而是每次时间有限，每天写完文章的时候我都是十二点以后去了，当我写完分析的操作步骤的时候基本文章写了很长很长了，而且我觉的如果你懂得为什么，你自然就懂得如何去解决了。但是今天分析的文章内容写的简短了一些，然后也写一些如何如何去提高转化率的解决方案。

1.评价维护

评价对转化率的影响有时候是致命的，当然，天猫没那么严重，如果时候c店的话真多很严重的，别跟我说评价不影响搜索权重，在我手里有多个款都是因为一个评价就拜拜的，所以评价的维护对转化率的影响是非常大，遇到店铺有不好的评价的时候，一定要积极去解决，该说好话的说好话，改打电话的打电话，能够用合理金钱解决的用钱解决，总之就是想尽一切办法解决掉中差评，平时的时候做包裹营销，里面放些红包卡片，这样也开始可以提高好评率和动态评分。

2.价格影响因素。

不要随意的去改价，今天一个价格，明天一个价格，这样会影响那些经常关注你店铺的顾客的转化。另外，定价也是影响转化率的，定价高了肯定对转化率会低一些，但是定价低了未必就转化率高，因为淘宝的价格有高有底，如果太低了，会让很多买家误会你的是在差质量产品中的高价，所以一般的情况，是比竞争对手低一点这个更利于转化。

3.客服培训

客服的能力是影响咨询转化率的一个重要因素，因为有很多的买家他会很纠结，一方面他又想买，另外一方面他又疑惑，针对这种买家能不能转化就看你店铺客服的能力了，一般这种买家他会反复的咨询客服。如果客服能及时了解到买家的疑惑，然后给他解决，那么这个买家可能就会下单了。

3.详情页

一个能打动买家痛点的详情页不但可以给你提高很大转化率，他还能减轻你店铺客服的压力，但是很多人在详情页方面做的都不够好，大部分的都是随便找一个模板，然后把拍的图片放进去就完成了。

真正一个比较好的详情页一定是要让打动买家痛点的详情页，一个能解决买家问题的详情页，一个能懂买家需求的详情页。

4.关键词的选择

在选择关键词的时候，很多人的过分的在乎流量去了，但是他忽略了转化率，关键词对宝贝的转化率是影响很大的，所以我经常说，现在标题关键词一定要是客流量思维，而不是人流量思维，也就是说精准人群，关键词是链接买家和产品的一个桥梁，所以关键词不但要系好买家，而且还要系好产品，如果关键词不符合买家的需求，那么他的转化率肯定会低，如果关键词和产品根本不相关，那么他的转化率也会低。

5.促销活动

不定期的一些促销活动可以提升转化率，所以平时有机会参加淘宝活动的一定要去参加一些，比如淘抢购，聚划算这些，但是如果没有这个资格的，自己店铺都要想办法安排一些活动，这样对转化率的帮助也是有利的。

当然，影响转化率的因素还有很多，比如买家体验，比如图片拍摄等等。

声明：小2哥所有文章都为原创，如果你觉得文章对你有帮助的欢迎转载和分享，但是转载需要署名和注明出处

不知不觉已经第十次分享了，一开始原计划是每周更新一次的，后来很多的网友都在催我快点更新，所以基本上一周都会更新好几次了，基本上每天晚上十点的时候我开始思考写，一般到十二点左右的时候完成，今天晚上事情稍微少点，就早点写吧，写文章有时候思路会短路，有时候会发现写一半就没办法再写下去了，或者写了之后感觉太差又删除，因为时间紧迫关系，里面难免会出现一些错误的，所以大家在看文章的时候要保留自己的观点，如果有疑问的，可以评论留言，大家一起探讨，如果有时间的话我也会回答大家。

这一次分享我们来和大家谈谈单品的服务数据分析。售后服务的分析在数据分析中也是非常重要的一个块，这是很多人忽略的，我发现大部分的商家在做数据分析的时候，把所有焦点都聚焦在流量上面，其他方面基本上就不管，实际上，做好一个店铺，特别是持续做好一个店铺，单纯靠哪一方面是不行的，他需要的是综合能力。而售后服务数据分析对于我们在店铺的服务，品质的监控方面他是起到了非常大的作用的。

通过单品的服务数据你可以知道哪个单品买家满意度最高？最满意的又是哪一方面？哪个单品买家的满意度最差？人家不满意的是什么地方？然后还可以知道买家对这个单品的评价如何？对颜色的喜爱度如何？

生意参谋-商品-单品服务分析，这这里你可以搜索每一个你想要看的商品的数据。

描述相符：这一评分是指最近180天内，买家给出的关于宝贝描述相符满意度的综合评分。所以从这个指标你可以直接看出你产品的品质情况，产品的品质问题是直接关系到这个指标的，而且你还可以看到同行平均值是多少，然后对比自己和同行的情况。

退款率：这个指标是指最近30天内，退款成功笔数/支付宝支付子订单数，退款包括售中和售后的仅退款和退货退款。这一个指标可以看到你自己的产品和行业的均值情况，一般这个是需要比行业均值低，如果你的产品高于行业均值的话，那你就要思考为什么产品的退货率这么高？你要让售后客服去了解为什么，是哪方面的问题？这个问题有没有解决的办法？我发现很多店铺的售后客服做的事就是简单的处理退款这些事，顶多加上一个改评价的服务，而实际上，一个售后客服更应该做的就是要去了解为什么会这样？当发生退款率高的时候，售后客服一定要主动的去打电话了解买家退货的原因。

品质退款率：近30天内，品质相关退款原因退款成功笔数/支付宝支付子订单数，退款包括售中和售后的仅退款和退货退款。这一个指标很重要，一方面也可以看到你产品的品质问题，比如我这个截图，我的品质退货率明显就比行业均值的要高。

品质退货率每一个行业都不同，比如女装，算在品质退货率里面的就有：材质和描述不符，做工问题，褪色/缩水，假冒品牌。

品质退货率一定要把控好，因为如果你的品质退货率高了，淘宝是会对你进行抽检的，要是抽检不合格，那你麻烦就大了，直接扣分，还会限制你的直通车等的推广。

因此，针对品质退货率的时候，一方面是要了解为什么，然后就是要杜绝这事发生，建议大家在包裹里面放上售后卡，引导买家进行七天无理由退换，而不是品质退货，因为有很多的买家他填写退货其实不是因为品质问题，而是他不懂。所以，你一定要做好引导的问题，另外那些真的品质问题的话，你要打电话和人家沟通，说好话，让他们尽量的申请七天无理由退货，或者不喜欢/效果差这一项退货，真的品质问题一般买家心里是比较火的，所以服务态度一定要好，在他们申请之前往往他会拍照给你看，这个时候你一定要语气好，然后告诉他申请七天无理由或者不喜欢/效果差这一项退货。

这里有一个点要注意：退款如果买家已经撤销，撤销时的退款原因是属于会计入品质退款数的原因则仍计入店铺品质退款笔数；品质退款笔数按照退款发起的笔数来算，比如一个子订单产生了多笔品质原因的退款，则都会计入品质退款。

纠纷退款率：纠纷退款率计算公式=近30天（售中+售后）判定为卖家责任且生效的退款笔数/支付宝成交笔数，天猫的纠纷判责会在退款完结（退款成功/关闭）3天后生效；支付宝成交笔数是按照子订单计算，只要买家付款成功订单就计入，不剔除退款订单笔数；

举例：A商家，1月1日-1月30日期间，成交了1000笔，小二介入退款中判定卖家责任的有1笔且已经生效；因此1月31日的纠纷退款率=1/1000=0.001；B商家，1月1日-1月30日期间，成交了1000笔，小二介入退款中判定卖家责任的3笔，但是其中只有2笔判责生效了，1笔是1月30日判责的但未生效（需要退款完结3天后生效，即2月2日生效）；因此1月31日的纠纷退款率=2/1000=0.002。

纠纷退款率这个是必须杜绝的，这个影响非常大，会影响自然搜索，店铺权重，活动报名等等，因此当发生会产生纠纷的时候，首先做的第一件事就是给淘宝大电话，很对这个情况最后可能产生的责任是谁，如果说是你的话，会判定买家赢的话，那你就要做到不要让小二介入，在小二介入之前把这事处理，哪怕是多花钱解决也没办法。如果是买家无理取闹的，淘宝客服告诉你这种情况是买家的责任的话，而且没办法通过沟通解决的话，你才让他进入到小二介入的流程。

服务指标分析，这个很重要，你可以跟踪你想要看到的指标他的最近三十天的时间趋势，看看他的现状是什么，产生现状的原因是什么？接下来还应该如何的发展？有什么解决的办法？我多次说过，其实做数据分析主要就是解决三个大问题，第一个就是清楚现状，第二个就是分析原因，第三个就是预测未来。

在退款原因分析里面，你可以看到该单品他的退款原因是什么？每一个原因占比是多少。产生纠纷的笔数是多少等等。

商品评分分析这就是一个很重要的指标了，因为平时我们是没办法看到哪一个买家他的评分是如何的，这个不同于中差评，中差评我们还可以看到哪个买家给我们的是中差评，他的评语是什么，但是评分的话这一项是没办法看到具体的，所以也经常发生了这种的一种情况，当自己店铺评分低的时候，很多人直接回认为是那个中差评最多的宝贝产生的。

至少我就就经常碰到过这个情况，有人咨询我说：小2哥，我的店铺动态评分很差，需要怎么做？

我说：是哪一个款的评分拉低的？

他说：应该是某某款吧，他的中差评最多。

当时候我就说：应该？那我看下售后的打分数据。

结果我一看的时候才发现，其实压根不是这个款，虽然这个款的中差评确实是最多的，但是他的评分平没有那么差。所以，当你店铺动态评分低的时候，你一定要去分析到底是哪个款引起的。这样找到了根源你才好解决。

评价内容分析也是一个非常重要的指标，从这里你可以看到没一个颜色，每一个尺码买家的评语情况

分析评价内容的是，我们不仅仅要分析自己的，我们还要去分析竞争对手的，看看我们和竞争对手的区别，其实从这里有时候还可以判定人群，比如，你会发现你的宝贝很多人评论太贵，但是竞争对手从来都没有人评价贵的，这个时候就可以去质疑是不是自己店铺人群消费水平太低。总之，对比自己和竞争对手的时候还是那六个字：现状，原因，未来。

声明：小2哥所有文章均为原创，如果你觉得对你有帮助，欢迎分享给你身边的人，但是转载需要取得授权，并注明出处和来源。

有朋友想学习大数据，但不知道怎么入手，从哪里开始学习，需要学习哪些东西？对于一个初学者，学习大数据挖掘分析的思路逻辑是什么？本文就梳理了如何从0开始学习大数据挖掘分析，学习的步骤思路，可以给大家一个学习的建议。

很多人认为数据挖掘需要掌握复杂高深的算法，需要掌握技术开发，才能把数据挖掘分析做好，实际上并非这样。如果钻入复杂算法和技术开发，只能让你走火入魔，越走越费劲，并且效果不大。在公司实际工作中，最好的大数据挖掘工程师一定是最熟悉和理解业务的人。对于大数据挖掘的学习心得，作者认为学习数据挖掘一定要结合实际业务背景、案例背景来学习，这样才是以解决问题为导向的学习方法。那么，大体上，大数据挖掘分析经典案例有以下几种：

A、预测产品未来一段时间用户是否会流失，流失情况怎么样；

B、公司做了某个促销活动，预估活动效果怎么样，用户接受度如何；

C、评估用户信用度好坏；

D、对现有客户市场进行细分，到底哪些客户才是目标客群；

E、产品上线投放市场后，用户转化率如何，到底哪些运营策略最有效；

F、运营做了很多工作，公司资源也投了很多，怎么提升产品投入产出比；

G、一些用户购买了很多商品后，哪些商品同时被购买的几率高；

H、预测产品未来一年的销量及收益

大数据挖掘要做的就是把上述类似的商业运营问题转化为数据挖掘问题。

一、如何将商业运营问题转化为大数据挖掘问题

那么，问题来了，我们该如何把上述的商业运营问题转化为数据挖掘问题?可以对数据挖掘问题进行细分，分为四类问题：分类问题、聚类问题、关联问题、预测问题；

1、分类问题

用户流失率、促销活动响应、评估用户度都属于数据挖掘的分类问题，我们需要掌握分类的特点，知道什么是有监督学习，掌握常见的分类方法:决策树、贝叶斯、KNN、支持向量机、神经网络和逻辑回归等；

2、聚类问题

细分市场、细分客户群体都属于数据挖掘的聚类问题，我们要掌握聚类特点，知道无监督学习，了解常见的聚类算法，例如划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。

3、关联问题

交叉销售问题等属于关联问题，关联分析也叫购物篮分析，我们要掌握常见的关联分析算法：Aprior算法、Carma算法，序列算法等。

4、预测问题

我们要掌握简单线性回归分析、多重线性回归分析、时间序列等。

二、用何种工具实操大数据挖掘

能实现数据挖掘的工具和途径实在太多，SPSS、SAS、Python、R等等都可以，但是我们需要掌握哪个或者说要掌握哪几个，才算学会了数据挖掘?这需要看你所处的层次和想要进阶的路径是怎样的。

第一层级：达到理解入门层次，了解统计学和数据库即可。

第二层级：达到初级职场应用层次，数据库+统计学+SPSS(也可以是SPSS代替软件)

第三层级：达到中级职场应用层次，SAS或R

第四层级：达到数据挖掘师层次，SAS或R+Python(或其他编程语言)

三、如何利用Python学习大数据挖掘

只要能解决实际问题，用什么工具来学习数据挖掘都是无所谓，这里首推Python。那该如何利用Python来学习数据挖掘?需要掌握Python中的哪些知识?

1、Pandas库的操作

Panda是数据分析特别重要的一个库，我们要掌握以下三点：

1)pandas 分组计算;

2)pandas 索引与多重索引;

索引比较难，但是却是非常重要的

3)pandas 多表操作与数据透视表

2、numpy数值计算

numpy数据计算主要应用是在数据挖掘，对于以后的机器学习，深度学习，这也是一个必须掌握的库，我们要掌握以下内容：

1)Numpy array理解；

2)数组索引操作；

3)数组计算；

4)Broadcasting(线性代数里面的知识)

3、数据可视化-matplotlib与seaborn

1)Matplotib语法

python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像，要搞清楚二者的关系是什么，这样学习起来才会比较轻松。

2)seaborn的使用

seaborn是一个非常漂亮的可视化工具。

3)pandas绘图功能

前面说过pandas是做数据分析的，但它也提供了一些绘图的API。

4、数据挖掘入门

这部分是最难也是最有意思的一部分，要掌握以下几个部分：

1)机器学习的定义

在这里跟数据挖掘先不做区别

2)代价函数的定义

3)Train/Test/Validate

4) Overfitting的定义与避免方法

5、数据挖掘算法

数据挖掘发展到现在，算法已经非常多，下面只需掌握最简单的，最核心的，最常用的算法：

1)最小二乘算法；

2)梯度下降；

3)向量化；

4)极大似然估计；

5)Logistic Regression；

6) Decision Tree；

7) RandomForesr；

8) XGBoost；

6、数据挖掘实战

通过机器学习里面最著名的库scikit-learn来进行模型的理解。

以上，就是为大家厘清的大数据挖掘学习思路逻辑。可是，这还仅仅是开始，在通往数据挖掘师与数据科学家路上，还要学习文本处理与自然语言知识、Linux与Spark的知识、深度学习知识等等，我们要保持持续的兴趣来学习数据挖掘。

来源：CDA数据分析师

- end-

往期回顾：

管理问题，其实是沟通问题

【CIO早班车】CIO的特殊使命，还不快跟上！

一看吓一跳，导致数据分析失败的原因这么多！

【e见领袖】IT厂商的“最佳实践”，CIO真的care吗？

你还在为数据分析如何入门而苦恼吗？

该学哪些课程呢？

要不要学习Excel？

要不要学习SQL？

要不要学习数据可视化？

不会数据分析方法？

面对数据毫无头绪？

没有统计学基础怎么办？

……

现在再也不用烦恼了，以上问题，统统帮你解决

CDA数据分析员是中国商业联合会数据分析专业委员会针对企业基础数据分析岗位推出的基础项目。帮你从小白一步步进阶到数据分析大师。

课程架构

数据来源：互联网数据；内部数据；调研数据；

数据处理：清洗与加工；

数据分析方法：描述分析；推断分析；方差分析；回归分析；时间序列；聚类分析；因子分析等，更多数据分析方法咨询课程老师喽！！

报告展示：优秀作品展示；数据可视化

授课方式

CDA数据分析员采取远程学习方式，课件由行业内专家、讲师录制而成。

采用远程学习，可以让任何人在任何时间、任何地点，从任何章节开始学习任何课程，其便捷、灵活的“五个任何”，在学习模式上最直接体现了主动学习的特点，充分满足了现代教育和继续教育的需求。

加入课程后，你将从零开始，熟悉完整的数据分析流程，掌握从数据清洗到数据可视化各环节的关键技能，最终成为顶尖数据分析师，获得国家认证。

数据分析是什么？

字面上理解就是对数据进行分析。具体的说就是，用适当的方法对收集来的大量数据进行分析，将他们加以汇总、理解、消化，开发出数据内部所表现的现象，发挥数据的作用，将有用想信息形成结论进行输出的过程。

数据分析的目的在于将隐藏在一大堆看似杂乱无章的数据背后的信息集中和提炼出来，总结出研究对象的内在规律，以帮助在实际工作中管理者的决策和判断。

数据分析一般分为：描述性数据分析、探索性数据分析、验证性数据分析。其中，描述性数据分析是最基础、最初级的，比如描述本月用户增加了多少，PV、UV是多少，都属于描述性数据分析。而探索性数据分析侧重于在数据中发现新的规律，验证性数据分析侧重于验证已有假设的真伪证明。后两者都是比较高级的数据分析。

数据分析的作用

1、分析现状：如企业的整体运营情况、企业的各项业务构成等日常数据。

2、分析原因：告诉你某一现状为什么发生。分析什么原因出现目前企业运营情况，是什么原因造成某项业务的增长或下降。

3、预测未来：告诉你将来会发生什么。大到对企业未来发展趋势作出预测，为企业制定运营目标、策略提供有效的依据，小到对一个功能以后的发展和规划提供数据上的支撑。

数据分析的步骤

1、明确分析目的和思路

什么事情都是在要想清楚目标和思路的情况下进行，不能乱来，不能摸着石头过河，这是在工作中和生活中都应该坚持的。只有这样才能目标明确，并围绕这个目标提出方法来解决。在数据分析中，我们不能拿着一堆数据，然后画了一堆图表，就觉得自己很棒了。而是要事先想好为什么要开展数据分析？本次分析是为了解决什么问题？分析才不容易误入歧途。才能用适当的方法进行适当的分析。

2、数据收集

数据收集一般包括一手数据和二手数据。一手数据指可直接获取的数据，大多数是公司自己的数据库。二手数据指经过加工整理的数据，如：互联网、公开出版物、市场调查调研资料。

3、数据处理

对收集到的数据进行加工处理，形成适合数据分析的样式。从大量杂乱无章、难以理解的数据中抽取并推导出对解决最终问题有帮助有意义的数据。其中包括数据清洗、数据转化、数据提取、数据计算等。原始数据就是再“干净”都需要处理后才能进行分析。

4、数据分析

用适当的方法对处理过后的数据进行分析，提取有价值的信息，最终形成结论。目前大多数数据分析都是通过软件来完成的，减常规的用Excel就能很好的完成数据分析。

5、数据展现

为了让非专业人士都一目了然，都需要将数据通过表格、图形的方式呈现出来。如：柱状图、饼状图、折线图、散点图、雷达图等。大多数情况下，人们对于图形这种方式来展现数据的接受度是很高的。能用图的情况下就不用表格，能用表格就不用文字。

6、撰写报告

分析完了、图画完了，最终肯定都需要形成一个报告。这个报告就是对整个分析过程的总结和呈现。把数据分析的起因、过程、结果及建议完整地呈现出来，供决策者参考。一份好的数据分析报告，需要一个好的分析框架，图文并茂、层次分明，能够一目了然，能够让阅读者正确理解报告内容和结论并产生思考。最终，明确的结论和围绕数据的建议都是必须的。

避免的问题

1、分析目的不明确

解决思想问题是第一要务，即一定要围绕你的分析目的，是为了什么进行分析。只有对自己的目的有清晰的认识，才知道要怎样去实现这个目的，需要通过哪些图标来展示，才会更好的进行问题分析。

2、业务知识不足

数据分析需要结合相应的业务知识、管理知识等方面的工作经验，不能仅仅是数字上的分析。而是在业务逻辑上有一定的关联性。要多思考数据背后的事实与真相，所以数据分析师不单纯是做数学题，还需要懂营销、管理、策略。

3、一味追求高级分析法、高级模型

很多人在数据分析中喜欢使用很高级的分析方法，比如：回归分析、因子分析等。觉得高级分析方法显得专业，结果才更有说服力。其实不然，高级的不一定是最好的，能够简单有效的解决问题的方法才是最好的。“不论黑猫白猫，抓到老鼠就是好猫。

大数据的领域非常广泛，往往使想要开始学习大数据及相关技术的人望而生畏。大数据技术的种类众多，这同样使得初学者难以选择从何处下手。

本文将为你开始学习大数据的征程以及在大数据产业领域找到工作指明道路，提供帮助。目前我们面临的最大挑战就是根据我们的兴趣和技能选定正确的角色。

为了解决这个问题，我在本文详细阐述了每个与大数据有关的角色，同时考量了工程师以及计算机科学毕业生的不同职位角色。

我尽量详细地回答了每一项人们在学习大数据过程中遇到或可能会遇到的问题。为帮助你根据兴趣选择发展途径，我添加了一组树图，相信会对你找到正确的途径有所帮助。

注释：学习之路树状图

在这个树状图的帮助下，你可以根据你的兴趣和目标选择路径。 然后，你可以开始学习大数据的旅程了。 后台回复“职业路径”3个字，下载高清版本。

目录表

1.如何开始？

2.在大数据领域有哪些职位需求？

3.你的领域是什么，适合什么方向？

4.勾勒你在大数据领域的角色

5.如何成为一名大数据工程师？

o什么是大数据行业术语？

o你需要了解的系统和结构

o学习去设计解决方案并且学习相关技术

6.大数据学习路径

7.资源

1.如何开始？

人们想开始学习大数据的时候，最常问我的问题是，“我应该学Hadoop（hadoop是一款开源软件，主要用于分布式存储和计算，他由HDFS和MapReduce计算框架组成的，他们分别是Google的GFS和MapReduce的开源实现。由于hadoop的易用性和可扩展性，因此成为最近流行的海量数据处理框架。hadoop这个单词来源于其发明者的儿子为一个玩具大象起的名字。）, 分布式计算，Kafka（Kafka是由LinkedIn开发的一个分布式基于发布/订阅的消息系统）,NoSQL（泛指非关系型的数据库）还是Spark（Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处）？”

而我通常只有一个答案：“这取决于你究竟想做什么。”

因此，让我们用一种有条理的方式来解决这个问题。我们将一步步地探索这条学习之路。

2. 在大数据行业有哪些职业需求？

在大数据行业中有很多领域。通常来说它们可以被分为两类：

大数据工程大数据分析这些领域互相独立又互相关联。

大数据工程涉及大量数据的设计，部署，获取以及维护（保存）。大数据工程师需要去设计和部署这样一个系统，使相关数据能面向不同的消费者及内部应用。

而大数据分析的工作则是利用大数据工程师设计的系统所提供的大量数据。大数据分析包括趋势、图样分析以及开发不同的分类、预测预报系统。

因此，简而言之，大数据分析是对数据的高级计算。而大数据工程则是进行系统设计、部署以及计算运行平台的顶层构建。

3.你的领域是什么，适合什么方向？

现在我们已经了解了行业中可供选择的职业种类，让我们想办法来确定哪个领域适合你。这样，我们才能确定你在这个行业中的位置。

通常来说，基于你的教育背景和行业经验我们可以进行如下分类：

教育背景（包括兴趣，而不一定与你的大学教育有关）

计算机科学数学行业经验新人数据学家计算机工程师（在数据相关领域工作）因此，通过上面的分类，你可以把自己的领域定位如下：

例1：“我是一名计算机科学毕业生，不过没有坚实的数学技巧。”

你对计算机科学或者数学有兴趣，但是之前没有相关经验，你将被定义为一个新人。

例2：“我是一个计算机科学毕业生，目前正从事数据库开发工作。”

你的兴趣在计算机科学方向，你适合计算机工程师（数据相关工程）的角色。

例3：“我正作为数据科学家从事统计工作。”

你对数学领域有兴趣，适合数据科学家的职业角色。

因此，参照着定位你的领域吧。

（此处定义的领域对你确定在大数据行业的学习路径至关重要。）

4.根据领域规划你的角色

现在你已经确定了你的领域，下一步，让我们规划出你要努力的目标职位吧。

如果你有卓越的编程技巧并理解计算机如何在网络（基础）上运作，而你对数学和统计学毫无兴趣，在这种情况下，你应该朝着大数据工程职位努力。

如果你擅长编程同时有数学或者统计学的教育背景或兴趣，你应该朝着大数据分析师职位努力。

5.如何成为一名大数据工程师

让我们先定义一下，一名受到行业承认的大数据工程师都需要学习和了解什么。首先以及最重要的一步是确认你的需求。你不能在不清楚个人需求的情况下直接开始学习大数据。否则，你将一直盲人摸象。

为了明确你的需求，你必须了解常用的大数据术语。所以让我们来看一下大数据到底意味着什么？

5.1 大数据术语

大数据工程通常包括两个方面 – 数据需求以及处理需求。

5.1.1 数据需求术语

结构：你应该知道数据可以储存在表中或者文件中。储存在一个预定义的数据模型（即拥有架构）中的数据称为结构化数据。如果数据储存在文件中且没有预定义模型，则称为非结构化数据。（种类：结构化/非结构化）。

容量：我们用容量来定义数据的数量。（种类：S/M/L/XL/XXL/流）

Sink吞吐量：用系统所能接受的数据率来定义Sink吞吐量。（种类：H/M/L）

源吞吐量：定义为数据更新和转化进入系统的速度。（种类：H/M/L）

5.1.2 处理需求术语

查询时间：系统查询所需时间。（种类：长/中/短）

处理时间：处理数据所需时间。（种类：长/中/短）

精度：数据处理的精确度。（种类：准确/大约）

5.2 你需要知道的系统和架构

情节1的解决方案：销售数据池

（这是我的个人解决方案，如果你想到一个更高明的解决方案请在下面分享一下）

那么，一个数据工程师会怎样解决这个问题呢？

需要记住的一点是，大数据系统的目的不仅仅是无缝整合各种来源的数据，而使其可用，同时它必须能使得，用于开发应用系统的数据的分析和利用变得简单迅速和易得（在这个案例中是智能控制面板）。

定义最后的目标：

1. 通过整合各种来源的数据创建一个数据池。

2. 每隔一定时间自动更新数据（在这个案例中可能是一周一次）。

3. 可用于分析的数据（在记录时间内，甚至可能是每天）

4. 易得的架构和无缝部署的分析控制面板。

既然我们知道了我们最后的目标，让我们尽量用正式术语制定我们的要求吧。

5.3.1 数据相关要求

结构：大部分数据是结构化的，并具有一个定义了的数据模型。但数据源如网络日志，客户互动/呼叫中心数据，销售目录中的图像数据，产品广告数据等是非结构化的。 图像和多媒体广告数据的可用性和要求可能取决于各个公司。

结论：结构化和非结构化数据

大小：L或XL（选择Hadoop）

Sink 吞吐量：高

质量：中等（Hadoop＆Kafka）

完整性：不完整

5.3.2 处理相关要求

查询时间：中至长

处理时间：中至短

精度：准确

随着多个数据源的集成，重要的是要注意不同的数据将以不同的速率进入系统。 例如，网络日志可用高颗粒度连续流进入系统。

基于上述我们对系统要求的分析，我们可以推荐以下大数据体系。

6.大数据学习路径

现在，你已经对大数据行业，大数据从业人员的不同角色和要求有所了解。 我们来看看你应该遵循哪条路来成为一名大数据工程师。

我们知道大数据领域充斥着多种技术。 因此，你学习与你的大数据工作角色相关的技术非常重要。这与任何常规领域有点不同，如数据科学和机器学习中，你可以从某些地方开始并努力完成这一领域内的所有工作。

下面你会发现一个你应该通过的树状图，以找到你自己的路。即使树状图中的一些技术被指向是数据科学家的强项，但是如果你走上一条路，知道所有的技术直到“树叶节点”总是很好的。 该树状图源自lambda架构范例。

任何想要调配应用程序的工程师必须知道的基本概念之一是Bash 脚本编程。你必须对linux和bash 脚本编程感到舒适。这是处理大数据的基本要求。

核心是，大部分大数据技术都是用Java或Scala编写的。但是别担心，如果你不想用这些语言编写代码，那么你可以选择Python或者R，因为大部分的大数据技术现在都支持Python和R。

因此，你可以从上述任何一种语言开始。 我建议选择Python或Java。

接下来，你需要熟悉云端工作。 这是因为如果你没有在云端处理大数据，没有人会认真对待。 请尝试在AWS，softlayer或任何其他云端供应商上练习小型数据集。 他们大多数都有一个免费的层次，让学生练习。如果你想的话，你可以暂时跳过此步骤，但请务必在进行任何面试之前在云端工作。

接下来，你需要了解一个分布式文件系统。最流行的分布式文件系统就是Hadoop分布式文件系统。在这个阶段你还可以学习一些你发现与你所在领域相关的NoSQL数据库。下图可以帮助你选择一个NoSQL数据库，以便根据你感兴趣的领域进行学习。

好了，今天的知识就分享到这里，欢迎关注爱编程的南风，私信关键词：大数据 ，获取更多学习大数据的资源，如果文章对你有有帮助，

请收藏关注，在今后与你分享更多学习大数据的文章。同时欢迎在下面评论区留言如何学习大数据。