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。

百度竞价的主要数据指标我们已经明确，但如何从公司经营的角度去分析这些数据呢？比如老总说，这个月市场费用没少花，营收下降这么严重，到底怎么回事？要回答这类问题，就需要充分发挥利用数据分析找出问题所在的能力了。

1、分析对比环比数据

首先我们需要分析两个月的业务数据，“这个月市场费用没少花，营收下降这么严重”这是一个典型的投入产出比的问题。事实上，老总们总是关注这个问题，且这句话中很明显地，老总对比的是环比的数据，即这个月和上个月有差距。

因此，我们首先要分别计算出上个月和这个月的ROI值。

2、以ROI为核心进行数据拆解

通过之前的分析我们已经知道百度竞价的数据之间存在着一定的数理关系，其中最为重要的ROI指标可以做如下拆解。

因为 ROI=总营收/总消费；

总营收=业务成交数×产品均价

总消费=点击均价×总点击=n1×p1+n2×p2+…nn×pn

(注：n1是关键词1的点击量，p1是关键词1的价格，以此类推)

所以，ROI=(业务成交数×产品均价)/(点击均价×总点击)

又因为：业务成交数=客户名片数×销售转化率

客户名片数=总点击×网页转化率

总点击=总展现×点击率

推出 ROI=（总展现×点击率×网页转化率×销售转化率×产品均价）/∑（n1×p1+n2×p2+…nn×pn）

很显然，以上这个公式基本上把我们之前所分析到的核心数据都纳入进来了，事实上如果有必要的话还可以对它做进一步细分。比如我们在线上邀请留了联系方式的客户进行线下交易，客户应邀到达公司现场的比例我们可以定义为“邀约到访率”，所有到达现场的客户最终完成交易的比例我们可以定义为“到访交易率”，而邀约到访率×到访交易率=销售转化率，这样我们就可以多做一步拆解，数据拆解的环节数量和公司业务的环节数量密切相关，这里我们就不继续展开了。

3、分析非竞价因素

把ROI拆解之后，这时候我们就可以通过对比这个月和上个月各个指标的数据去分析究竟是哪些环节出了问题，比如如果其他的数据几乎没有变化，但是本月的销售转化率下降了或者产品单价下降了或者网页转化率下降了，如果销售团队或者产品定价或页面管理不归竞价人员管理的话，那严格说来，公司效益不好就不应该归咎于竞价人员的工作。

4、分析竞价因素

但是如果其他指标没变而竞价因素比如点击率发生了重大下降呢？这时候我们知道，点击率下降，会导致总点击下降，继而导致在线对话数下降，接着导致访客名片数下降，最后导致总成交人数下降，总成交人数下降，总营收就下降，ROI指标自然就不理想了，所以点击率就是影响营收减少的主要原因。

那接着我们分析，影响点击率的主要是哪些因素呢，之前我们已经说过了，影响点击率的因素有位置、质量度、标题、描述和出价等，没办法了，只能有规模有组织地逐个排查，根据关键词分类，从重点计划重点单元重点关键词开始，系统排查！不要觉得麻烦，这是竞价人员的职业精神所在，也是竞价人员的价值所在。

一提到数据分析，很多人可能脑海中可能会浮现出各式各样的数据画面。

比如下图所示，这样的中国式复杂报表在企业中经常被使用，精密的复杂表格样式中蕴含着国人庞大的数据信息量。

再比如这样的数据Dashboard可视化，通常应用于展示KPI业务指标，例如销售额、毛利率、利润率等等，数据的可视化呈现形式清晰直观。

再就是目前火热的不行的可视化大屏，比如下图所示的双11全球天猫狂欢节当日的实时交易统计大屏，除了清晰直观地展示企业核心的KPI指标之外，狂拽炫酷是它至关重要的特征。

大道至简的数据分析方法

但无论是以上的哪一种，无论数据如何变换，所有看似神秘的数据分析过程都可以归纳总结为各种“维度+度量”的组合分析。

维度用于描述事物的属性信息，例如统计各个地区的交易数量时，地区就是维度。

度量（指标）是可以量化统计的数值，例如统计各个地区的交易数量时，交易数量就是度量。但是需要注意的是并不一定所有的数值都是度量，例如学生的学号虽然是数值类型，但是其实它是维度而非度量。

如此一来，我们对数据分析有了从整体上的解释。但是实际应用中，我们并非盲目地去进行各种维度和度量的拼凑组合，而是希望得出的数据分析结果能够指引业务进行决策，终而形成业务闭环效果的。

根据我自身的一些数据分析项目经验，90%以上的基本数据分析问题都可以套用我总结的这七步完成（深入的数据分析需涉及描述性统计分析、相关性分析等专业的统计分析技能）：

数据分析必然需要借助工具，Excel、BI或者R和Python语言都可以帮助实现。

这里为了帮大家更快速地理解数据清洗建模和数据差异分析环节的内容，借助比较简单的BI工具FineBI，为大家进行一个销售数据分析实例，加深大家对数据建模和数据分析过程的理解。感兴趣的可以到官网下载，个人完全免费。

一、确定分析目标

这是分析前的第一步，我们需要明确进行数据分析的对象，也就是需要确定分析目标。

通常来说我们会选取最关心的核心KPI指标，例如电商行业的销量、销售额、利润，制造行业的次品率，互联网行业的用户留存率等等。

一般来说，分析目标不要过多，如果实在是需要同时分析多个关键核心业务KPI指标，那么我们便可以将这些核心指标分解给对应业务负责人，例如销售总监负责提升公司销售业绩，运营总监负责降低成本花费。

二、核心目标拆解

确定好分析目标之后，通常来说我们需要再对核心目标进行子目标分解，这也符合企业各团队分工协作的特性。

核心目标拆解的过程中需要遵循MECE原则，也就是“完全穷举，相互独立”。例如下图所示的电子商务数据分析指标体系，就分别从网站运营指标、经营环境指标、销售指标、营销活动指标、客户价值指标几个方面进行了详尽的拆解，然后交由各个团队进行分工达成。

三、数据清洗和业务建模

确立和分解好数据分析目标之后，下一步就可以进入到数据清洗和业务建模环节了。

数据清洗方面，很多人可能会想到国外传统的一些ETL工具，但是这类工具过于庞大和复杂，国内真正成功落地的案例很少。FineBI商业智能工具其实就提供了轻量级的ETL功能可供用户对数据进行计算和处理，鼠标点击和拖拽操作即可完成轻量的ETL数据处理过程。

业务建模方面，FineBI也是提供了根据不同业务主题分类建立业务包的功能，一般来说按照维度表和事实表建立好关联关系即可，这样一来就为前端的数据差异分析准备好了数据模型。

四、数据差异分析

终于到了数据差异分析这一步，这也是离发现问题原因和业务决策最近的一步。

所谓数据差异分析，自然是需要有差异，才能有分析。

例如今年某某企业7月份的销售额是600万，那么大家会觉得对于这个企业来说是好还是坏？如果只有这一个数据，自然是无所谓数据差异分析的。

如果这家企业的6月份的历史销售额是400万，那么7月份600万的销售额自然是非常好的了，可是如果这家企业的6月份历史销售额是800万，7月份600万的销售额明显是有问题的。

a.纵向对比

按照这个基础的数据差异分析逻辑，我们借助FineBI来初步分析一下某家企业今年各月度的销售额统计走势图：

如上图所示，通过纵向对比不难看出该企业在7月份销售额下降严重，环比6月份的企业销售额下降了22.47%，不是个好现象。老板看到这个数据自然会前来问责，说为什么7月份公司销售业绩下滑这么厉害。那么会是什么原因导致企业7月的销售业绩相对6月下滑这么多呢？我们需要更新一步地进行数据分析，以排查出导致产生问题的”真凶“。

b.横向对比

一般来说销售型企业都会在全国划分各个销售区域，那么这样一来我们除了对时间进行纵向对比之外，还可以结合销售大区维度进行横向比较，分析探索看看能不能发现一些问题。

果不其然，如上图所示，通过时间维度结合销售大区进行横向对比发现，企业的东南大区7月份的销售额相对6月份反而是增长的，看来问题主要出在北方区和中西区，特别是北方区7月份的销售业绩下滑更为严重，最终导致企业7月份总的销售额比6月份严重下滑。

数据分析的丰富度一定程度上依赖于分析工具的功能，比如Excel可能需要写VBA，R和Python需要写代码。

由于FineBI是一款商业智能工具，故而这边可以轻松通过其提供的OLAP联动分析功能，以更进一步的观察各个区域7月份的表现情况，直接点击饼图区域即可联动到月度销售额统计，非常方便。这边我们可以看出，中西区7月份销售额环比轻微下降17.86%，北方区下降严重到50.07%，而东南区则提高了6.06%，综合三个大区的总体销售状况，导致最终表现为7月份销售额环比下降了22.47%。

c.综合对比

上面分析了时间、区域维度相关的销售额结果统计，为了避免结论片面，我们尽量采用多维度的综合对比方式来观察数据，甚至可以是友商的销售情况对比进行差异分析（此处不单独举例说明）。

如上图所示，我们通过时间维度结合产品类型来进行销售额分析，观察7月份各个产品线的数据发现各个产品线在7月份销售额环比都是有所下降的，这说明企业7月份销售额下降和产品种类本身是没有关系的。

五、发现问题原因

综合北方区域和中西区域导致7月份销售额环比下降的各种影响因素，最终发现是由于6、7月份北方区域降雨严重，导致物流周转严重滞后，库存商品无法及时供应，最终导致北方区域7月份销售业绩严重下滑了50.07%。而中西区域本身仓库比较小，按照之前各区域商品物流周转的设计，中西区域的本土供应的差额商品主要是由北方区域供应，但是北方区域由于严重的降雨导致物流周转严重滞后，进而导致中西区域7月份销售业绩也同比下滑了17.86%。

六、制定业务决策

通过结合FineBI工具的OLAP多维数据综合分析方法成功定位到问题原因之后，企业及时调整仓库商品物流周转策略，北方区域物流模式调整为水运，同时将东南区域的部分商品通过物流周转到中西区域。

七、评估决策效果

企业领导决策层8月份通过及时调整北方区域和中西区域的物流策略，北方区域物流模式调整为水运，东南区域的部分商品通过物流周转到中西区域，补充了北方区域和中西区域的库存商品周转。最终8月份企业的总体销售额达到了943万，环比7月销售额提高到了37.32%。

后记

随着信息化的飞速发展，大数据产业呈指数式增长。在我们不断地积累着企业的历史数据的同时，如何利用和分析好这些数据，真正利用大数据分析驱动企业的业务增长也成为了一个很重要的难题。希望本文给大家分享的数据分析方法，结合FineBI商业智能分析工具的OLAP多维分析能力，能够让大家下次在面对企业业务数据分析时不再迷惑，做到步步为营，让数据分析真正释放出潜能，驱动业务快速增长，形成数据和业务之间的闭环

当今时代信息化产业飞速发展，各类底层大数据平台百花齐放，亿级数据、秒级响应已经不再是当年的遥不可及的神话。然而对于企业来说，数据计算快仅仅是满足企业进行业务数据分析的硬件基础，如何发掘这些海量的数据产生应用价值，走好数据分析这最后一公里，引导企业进行战略决策却是至关重要的一步。

本文以互联网行业为数据业务分析背景，希望能跟大家交流一些数据分析方面的心得和体验。

——本文使用数据分析工具为FineBI 商业智能工具

数据分析的本质其实是做数据对比分析，没有数据对比，单一的指标统计往往难以发挥数据价值。像我们常见的数据对比分析方法有同比、环比、占比等一系列分析指标，那是不是所有的数据业务场景都可以直接进行套用分析呢？比如我们统计企业2018年1月29日的同比流量，是不是可以直接对比2017年1月29日？表面上看好像2017年1月29日确实就是2018年1月29日时间层面上的同比日期，但是我们仔细对比查看这两个日期会发现2018年1月29日是周一，2017年1月29日确是周日。对于很多行业的企业来说，非工作日和工作日的数据往往是有很大差异的，这个时候单纯从日期层面来进行对比其实是没有什么意义的，选择对比同是周一的2017年1月30日的流量数据进行同比计算可能会更加有价值。

目前互联网行业做搜索引擎的有Google、百度，做综合门户的雅虎、新浪，做即时通讯的主要是腾讯，电子商务方面的主要是阿里、京东、亚马逊等。不论是以上的哪家互联网企业，往往都需要有一套引流、转化、消费、留存方面的运营策略，平台的流量数据分析往往都是非常重要的。

互联网流量数据分析方面，总结主要有如下四种数据常用分析方法：

1.对比分析流量规律，针对时段进行企业服务以及推广活动调整；

2.对比分析结构占比，指导进行定向群体营销推广

3.对比分析异常情况，及时追责并且进行调整；

4.对比追踪活动流量变化，总结活动效果经验以便后续有针对性调整。

如上图所示，我们通过FineBI工具制作出以上的流量数据分析模板，接下来尝试着对数据做一些对比分析。

一、用户浏览量周分布

对于互联网企业来说，流量数据往往都会呈工作周相关。对此，我们可以先宏观地统计出周一到周日中的总的平台流量柱状图数据对比情况。首先我们可以仔细观察工作日和非工作日的数据，发现周末的平台流量较工作日流量要高，这在互联网行业来说都是一个比较普遍的现象。

用户流量的周分布规律之后，我们就大致有一个推广方向，周末休息时间用户群体较大，相较于工作日可以投入更多的和丰富有吸引力推广活动来进行新用户引流和老用户活跃。

接着我们可以进行下一步思考，那工作日和周末我们的活动推广时间如何制定？有的同学们可能会觉得全天活动都可以，不需要关注具体的活动时间。但是对于互联网行业来说，每个时间段的推广费用都是较为昂贵的，我们完全可以分析出工作日和周末的用户流量趋势，进行有针对性的时间段投入推广，通过更小的成本获取到更多的用户流入。

首先是工作日的时间段流量统计分布，我们通过BI工具分时间段作图得到如下所示的流量分布图。可以看出，工作日的流量主要集成在每日的9点（上班时间）、13点（午餐时间）、20点（晚间娱乐休息时间），那么在得到这样的一些用户流量规律之后，便可以在这些用户活跃高峰期时间段有针对性对白领群体多做一些相关商品推广活动，以实现最小时间成本和推广费用最大化用户引流效果。

再来看周末的各时间段流量分布走势，和工作日所不同的是，周末的流量早高峰期延后到了10点，这可能和各位小伙伴们周日作息较晚有关（同学们周末都是几点起床呢），除此之外，晚上的流量高峰退潮期也有延后。针对与周末用户流量分布的特性，互联网企业在周末时可以将活动开始时间和活动结束时间都适当进行延后，这个时候不能再套用工作日制定好的活动时间计划了，因为符合用户群体作息规律的推广促销活动才能达到更好的效果。

二、推广渠道流量分布

对于互联网行业的推广渠道分布主要分为三级渠道：线上渠道、线下渠道、新媒体营销等等。对比分析每个渠道对企业所带来的价值占比差异，以指导制定有针对性营销策略。

如上图所示，由于推广渠道是分多层级的，我们通过BI工具的多层饼图进行数据的分析统计再合适不过了。分析下图的数据我们可以看出，首先是一级渠道的主要战斗力来自于新媒体营销，当今的微信、今日头条等社交媒介社区时代受众广泛，用户群体非常庞大，是公司需要投入主要成本进行推广的。其次线上渠道的效果也不容忽视，对于互联网企业来说，做好百度、Google等SEO搜索引擎关键词推广也是很重要的一部分工作。相较于线上渠道和新媒体营销，线下渠道说所需要的经费和时间、人力成本较大，受众又相对较小，所以此类活动往往针对核心粉丝进行运营即可。

三、各月份指标对比走势

在分析各月份指标对比走势数据之前，先简单介绍下互联网营销常用的几个指标概念：

1.浏览量（pv）

2.访问次数（visits）

3.访客数（uv）

以上三个基础指标常用来衡量流量数据的多少。另外平均访问深度（总浏览量/访问次数）、平均停留时间（总停留时间/总浏览量）、跳失率（跳出次数/访问次数），这三个指标通常可用于衡量流量指标的优劣性。

我们仔细分析上图中的平台流量指标，可以发现10月份是2017全年的流量高峰期，应该跟企业在国庆黄金假期所做的促销引流活动有关。浏览量、跳失次数、访问次数分别为4941、1290、2182，对比计算可得到跳失率为59.12%，明显低于其他时间段的跳失率，说明10月份的活动效果还不错，其经验对以后的营销推广可以起到参考作用。

最后是访问深度用户群体分布分析（跳失率=跳出次数/访问次数），我们通过BI工具将企业的VIP用户、老用户、新用户分别进行分时间段的用户群体访问深度分析统计。总体来说可以发现平台的VIP用户访问深度较老用户以及新用户稍微高些，但是不是太明显，说明平台运营的VIP这部分群体的活跃度还有待提升。同时，平台老用户访问深度和新用户更是相差无几，公司对于用户这方面的活跃运营明显需要加油了，建议将平台的部分忠诚度较高的老用户以VIP用户组建起来，共建平台生态圈，增加整体的用户活跃度。同时可以向老用户以及VIP用户实施一些优惠政策，如定向商品折扣、根据用户画像进行喜好商品特惠推送等。

本次的数据分析经验心得分享暂时先写到这里，后续将继续给大家分享关于互联网数据运营方法的转化、消费、留存等方面的一些经验，欢迎大家一起共同交流探讨互联网运营之道。

在智能手机横行的今天，越来越多的事情可以直接在我们的手机上处理。相对应的，越来越多的手机系统与手机软件被各个开发团队开发出来。黄毅就是这些开发团队中的一员。

2015年，黄毅正在一家硬件公司做后端开发。

三个月后，一次合作的机会来了。黄毅去各个制造企业了解情况的过程中，发现一家装备制造企业正被客户“逼”着去做硬件对接系统，需要有这方面经验的人。黄立马联系了那家企业，花了一顿饭的功夫，双方建立了合作。

2015年6月，团队组建完成。整个下半年，他们都在对制造行业进行市场调研，并规划发展方向。

2015年年底，他们正式成立了“哐哐智造”，将产品命名为“智核”，并着手研发Demo版本。

在将“智核”放进工厂测试的时候，企业主觉得数据不够精确。同时，黄毅也发现国内制造业企业现有的MES系统大多依靠人工操作，需要花费大量时间培训。

结合企业的需求与实际，团队开始研发云MES平台。其与“智核”联合，能够实现设备精确数据的自动采集、分析，并以可视化的效果呈现在用户终端。管理者可对生产任务、工序、物料、订单等进行实时分析和管理。

此外，“哐哐智造”还与阿里云合作，由后者提供云MES服务器的运维，并确保数据安全。

当企业主可以通过手机随时监测工厂的运作状况时，一些异常数据便能立马引起他们的注意。

为了方便企业主在这时查看生产设备的情况，黄毅紧接着开发了第二个硬件——工业智能摄像头“云眼”。用户通过它能实时了解生产画面，并利用传声器与生产人员对话。

在随后的测试中，不断有客户提出了类型各异的需求。黄毅在分析他们的想法后，结合云MES及“智核”的特点，又陆续开发了“云派”、“云踪”、“云觉”等硬件，用于生产派单、库房管理等。

到2017年1月，每月约有100台机器接入他们的设备，月营收约23万元。

虽然从2016年年中开始，他们已经在深圳、东莞扩展市场，但很多企业仍处于观望状态。“哐哐智造”将与装备制造企业合作，由他们作为代理商，将云MES平台销售给下游制造业企业，以此快速扩大市场。

未来，团队计划进行新一轮融资，以扩大生产规模，继续开拓市场。

本文来自生意我最行，创业家系授权发布，略经编辑修改，版权归作者所有，内容仅代表作者独立观点。

近几年，数据正在变得越来越常见，小到我们每个人的社交网络、消费信息、运动轨迹……，大到企业的销售、运营数据，产品的生产数据，交通网络数据……

大数据不可谓不火，尤其是2017年，发展大数据产业被写入政府工作报告中。

数据分析人才热度也是高居不下，一方面企业的数据量在大规模的增长，对于数据分析的需求与日俱增；另一方面，相比起其他的技术职位，数据分析师的候选者要少得多。

那么，小白如何快速获得数据分析的能力呢？要明确学习的路径，最有效的方式就是看具体的职业、工作岗位对于技能的具体需求。

数据分析师的技能需求

1、统计学

统计学是数据分析方法论中的核心基础，在数据分析的方法模型中，很大程度上都来源于统计学的方法，所以掌握统计原理是必须的。基本技术怎么强调都不过分。

2、行业知识

数据分析师熟悉行业知识、公司业务及流程，有自己独到的见解，对特定行业的了解可以帮助数据分析师尽快进入状态，加速决策的过程。如果缺少这一前提，数据分析师可能不得不花时间来先对整体行业有一个大概地认知，学习相关知识，然后才能投入其中。

3、数据采集

了解数据采集的意义在于真正了解数据的原始面貌，包括数据产生的时间、条件、格式、内容、长度、限制条件等。这会帮助数据分析师更有针对性的控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题;同时，对数据采集逻辑的认识增加了数据分析师对数据的理解程度，尤其是数据中的异常变化。

4、数据分析

真的，不开玩笑，“数据分析”是数据分析师最需要的技能。雇主需要数据分析师了解数据中的模式是否有意义，以便数据分析师可以得出准确和可行的结论。

能够掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，对于开展数据分析起着至关重要的作用。

5、数据可视化

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义进行分析，使分析结果可视化，数据可视化除遵循各公司统一规范原则外，具体形式还要根据实际需求和场景而定。这是对于数据科学家来说十分重要的技能之一。

6、数据分析工具

数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

对于一个初级的数据分析师要掌握的基础工具，Excel，SPSS，数据库（如mysql等）都是不错的数据分析工具，任意一个工具用好都很强大。

刚好，数据分析师CPDA课程，就是按照以上的学习路径。目前，全国已培养两万多名持证人员，分别在专业事务所以及数据分析相关行业工作，待遇丰厚，前景明朗。

道家强调四个字，叫“道、法、术、器”。

层次区别：

“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（比如用Excel进行数据分析的水平）；

“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，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 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用到细分的方法。

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。

现在是个数据管理的时代，通过数据的变化表现来发现店面各个方面的问题，今天本文就说一下最基本的月度营业报表

营业额，这个是必须有的。好多店面的月度营业报表，会有营业额和实际营业额两项，很明显，通过数据管理者想知道，店面的优惠、折让、抽点等一系列的数据状况。

营业成本，这是一家面馆的营业数据，并且标准化已经做得相当出色了，他这里的营业成本是食品成本+包装成本得出。可以看出它的营业成本只占了营业额的38点多，一般来说成本率在46左右，为什么它会这么低？一方面，这是面馆；一方面它的标准化等方面做的都非常好。

人力成本，这里分的详细一点，将管理人员与员工分开来展示。其人力成本实际占营业额比率为16点多，也算是合理范围。一般来讲人力成本最高不要超过20%，其实实际在店面运营中我们要求人力成本的浮动在14——18之间更好点。公共事业费，他这里公共事业费包含水电气能源、店面电话费以及网费等，因为有能源费所以占比将近4个点。在实际自行制作月度报表时可以将水电气三个都单独分拆出来，更精细化点。税金，这里不想多说，有很多的餐饮店面是想尽一切办法不纳税的，甚至有的餐饮店的利润都是偷税得来的，如果把税补齐了，几乎没有利润，甚至亏损上图这些他他们都列入到了可控费用当中。

房租，这里它一月的房租是45833元，地段什么的就不说了，占比将近20个点。一般我们说房租成本占比不要超过20个点。另外我们在反推别人保本营业额的时候，都是用房租来反推的，因为他是一个固定、不可控、大头项。如果反推的话他们的保本营业额应该在229165元左右，从他的营业额来讲本月利润不会很大。折旧类的就不必说了

其他收入，破烂、酒瓶等等纯利，它的纯利只有10761元，加上税金也就2万多。纯利的占比只有4点多。为什么利润会这么少，许多成本项占比会偏高，很明显，造成一系列问题的原因在于营业额过低。只比保本营养额多一点而已。

总结：这只是一个简单样表，在实际月度分析的时候，会分析优惠成本、人均、水电气、翻台、坪效、老顾客占比、周边环境、同比、环比等等一些列的数据，这样才能更加详细准确的去了解一个店面存在的问题，更准确科学的制定解决方案

大家好，我是牧野，在纽约的一家app公司做数据处理。

今天和大家分享一个很常见的小问题，如何用excel中的公式来计算出每月/每年所需要的日期出现了几次。

在计算这个的时候一般为了干净起见，我会新开一个空白的表格，然后将所需要的数据放在左侧，如下图三栏，date,fruit,amount.

然后在右侧建立一个新的小表格，开头写成Year(年), Month(月）, Count(计数).在这里年输入格式为2013，如果是1月这里我们就写1即可。

接下来就要重点介绍我们的函数了--SUMPRODUCT

在图示中的例子中，我们想要计算出在A列第2行到第24行中2013年1月出现的次数是多少，这时我们用的函数具体写为：

=SUMPRODUCT((MONTH($A$2:$A$24)=F2)*(YEAR($A$2:$A$24)=$E$2))

其中我们要注意的是：

1. A列第2行到第24行我们采用了绝对引用---$A$2:$A$24

2. 年和月的连接处我们用的是乘号*

3.我们对2013年这个在E2格的数据也采用了绝对引用$E$2

4.我们想要计算其他月份的时候就把鼠标拖到表格的右下角，看到加号之后就进行拖拽。

最后就会像上图一样做好啦~

通过这个办法我们可以计算出月度新增用户数量，月度用户进行预约的次数，适合分析用户增长情况。

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