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。

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。

数据分析师这个职业越来越火，越来越多的人想往这个方向发展。

有在校生，也有转行的小伙伴来咨询数据分析师这个职业的相关问题。

从大部分情况来看，大家对于数据分析师的职业发展和技能非常关心。

那么别的先不说，数据分析入门到底要学什么？怎么学？

Excel

作为数据分析师，Excel是必备技能。Excel 是经过检验的可靠的数据分析工具，它广泛存在，非程序人员也能便捷操作，所以大多数企业即使也使用其他工具，但 Excel 工具还是他们的不二选择。

统计学

统计学同样是数据分析师的必备技能之一，你只有学好了统计学才能谈得上数据分析。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。

推荐图书：《深入浅出统计学》

大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。

SQL

sql是所有数据库查询的语言，sql非常容易入手。

针对不同的数据库，如mysql、sqlserver、oracle等，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。

而且如果你有数据库基础的话，只需要找些sql查询的习题来做一下，就会很快的得到提高。

推荐图书：《MySQL必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。

数据分析思维

作为一名数据科学家需要很挑剔，并且善于发现他人会遗漏的东西。那么我们应该如何做到像数据科学家一样思考呢？

梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

推荐图书：金字塔原理

金字塔的基本结构是：中心思想明确，结论先行，以上统下，归类分组，逻辑递进。先重要后次要，先全局后细节，先结论后原因，先结果后过程。

行业知识

对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径。这一部分也没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考。

科多从2015年踏入大数据培训行业，积累了丰富的经验，不管是授课方式，还是行业前瞻性。

大数据因为其背后蕴含的价值，被《经济学杂志》在2017年誉为“新的石油”，数据导向的工作也成为很多人的向往之一，特别是数据分析。

“到 2020 年，企业基于大数据分析的支出，将突破 5000 亿美元，大数据在未来四年内，能帮到全球企业赚取约 1.6 万亿美元的收入红利。”

——国际知名数据公司 IDC

然而对很多人来说，它还只是个模糊的概念，总觉得离自己很遥远。其实并不然，领英早在2016年发布《中国最热职位人才报告》中提到：全球基础数据人才缺口已经增至 1500 万之居。无论是企业还是个人来说，掌握数据相关技能就掌握了未来。

01 数据分析 = 未来必备技能？= 趁早抓住？

有的人可能会问：“我不想成为数据分析师，那么是不是我就不用学这项技能？”，当然不是的。它是几乎是各行各业的“万金油”，升职加薪的利器，原因是：

（1）有业务决策需求就离不开数据分析，尤其是数据分析思维。

数据分析，是解决业务问题的有效工具，是可以“活在未来”的思维，通过数据来对现实事物进行分析和识别的能力，就像如下所说一样:

“用分析的角度、 严格、 系统地思考业务问题， 然后得出能够影响这些数据的解决方案。 ”

——Michael O’Connell, TIBCO 的高级分析总监

所以在大数据、人工智能的浪潮里，只要公司有业务决策需求，都离不开数据分析这个“工具“。不懂数据，热门职位很大程度上会失之交臂，即使在若干年前入职大平台如阿里、滴滴、腾讯等，在大数据的浪潮里，也会被新人拍死在沙滩上。

（2）除了专职数据分析师，有更多的职位开始对数据分析技能有需求

回想一下，我们日常生活中每天都会接触的场景：从微信朋友圈、短信推广，淘宝京东等电商的商品推荐 ，今日头条、抖音等媒体的内容推送 ,甚至到出行路线优化，这背后都严重依赖于以数据为基础的决策结果。无论处于公司中的哪个环节，从专职数据分析、市场策划、销售运营、到客户服务，都需要掌握数据分析技能。

另外 ，2016 年教育部批准北京大学等为数不多的学校开设 “大数据分析” 相关专业，也就是说，科班出身的分析师，要到 2020 年才可能会出来工作，而如果现在入行或者学习数据分析技能，到时候也是资深人士了，抢先一步，占领先机，未来绝对是各行业内的领导者。

“学习如逆水行舟，不进则退”，在这股大数据浪潮中，你是选择逆流而上，还是进入湍流？想必你心里一定有数。

02 数据分析 = 现今稀缺技能？= 高薪？

大数据在带来极大商业价值的同时，也面临着巨大的人才需求。据数联寻英发布的《大数据人才报告》称：目前我国大数据人才仅 46 万，在未来 3 - 5 年内大数据人才缺口达 1,500,000 之巨。

数据人才缺口，远比你想象的还要大。所以数据人才在就业市场的待遇好到令人仇恨，根本不足为奇。即使没有学历文凭的优势，有数据分析技能的加持，也能找到一份“高薪”职业。更不必提像阿里、滴滴、网易这种依赖于数据的大平台了，求职时的选择多一倍，“钱”途更广。

除了高薪之外，数据分析的热门抢手，还体现在以下几个方面：

1）广泛的行业适用性：目前，数据分析职位缺口主要集中在三大巨头行业：移动互联网、计算机软件以及金融，总占比64%，同时非典型数据产业，潜移默化、迅速崛起。说明数据分析是各个行业都是通吃的技能，且都能期待不错的收入水平。

2) 职业发展具有多样性。初期发展方向可以细分为BI专家、模型算法专家、业务分析专家。圈内不乏这种经典案列：技术岗沉淀数据分析思维和技能，转战产品经理、运营经理、管理经理、甚至是公司层面的Sales， 且都是同期的佼佼者。

3) 入门并不难，并且越久越香。很多数据分析师并非都是科班出身，不乏来自经济、管理、化学、甚至英语专业，入门数据分析师并没有我们想象中那么难，相反是可以快速入门的高薪、市场急缺的、发展空间大的热门职业。一旦你在拉勾、猎聘等大的招聘网站上发布职位跳槽信息时，几个小时内绝对会被HR、猎头锁定。

短短的二三年时间，各行业的研究报告表明，大数据在现在、甚至未来都会是各个公司的核心资产，并且其商业价值会越来越高，并且在很长一段时间内供不应求。 我相信只要你已经入门数据分析，加持熟练的业务知识，之后的职业道路相对会顺利很多。

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。

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。

业务分析是巨大的！业务分析有助于决定如何使用数据，以及可以使用哪些模型来做出更好的业务决策。业务分析可以被称为“企业的数据科学”。尽管有许多模型可用于做出业务决策，但业务分析有助于识别最佳模型。

2.业务分析是一个使用组织中可用的所有统计数据达成建设性结论的程序/研究。组织雇用业务分析专家，评估公司以前的报告，以了解他们是否正确进行。过去的报告有助于他们评估即将发生的事件是否有利于组织或反对。在这两种情况下，对公司都有利。如果企业处于正确的轨道，他们仍然可以改善，如果没有，那么它可以帮助他们找到解决办法来纠正这个问题。

3.首先要掌握基础数学和统计学。了解为什么和在哪里使用平均值，中位数和模式。在你开始之前，你需要爱上你的数据，这是我的教授所说的。当你写关于女朋友的诗，你必须知道我可以从中知道什么。不要用大数据驱动我的误解或数据分析是hadoop，spark等框架。当然，他们有助于更快地获得结果，但逻辑与我们如何将数据转化为有用的信息。按照array老师的视频课程。无论你是学生还是做任何工作，如果你能知道你做什么，那就很容易根据它来找到答案。

4.

· 了解统计信息和多变量统计信息

· 学习SQL和数据库

· 学习编码（Python，R）

· 学习使用新的非结构化数据类型

· 参加MOOC课程数据科学课程（Coursera，Udacity等）

· 考虑数据科学或数据分析的研究生学位

5.您应该深入分析计算的基础知识。您应该了解可扩展性，容错能力，复制性，开放性，地理独立性等分布式编程中的问题。要分析大数据，您需要对统计信息或机器学习有较好的了解。您也可以使用Hadoop，HBase，Hive等分析大数据的工具。DBMS的基础知识也是首选。要使用任何大数据工具，如hadoop，您应该知道一种编程语言（比如Java或Python）。如果要集中精力编程大数据，从分布式计算开始，然后尝试设置一个hadoop集群（单节点，然后是多节点）。我们公司的一个java开发在学Hadoop，别人给了他一套视频，我看了看从基础入门、生态圈组件、商业项目讲解都挺详细的。需要视频的可以到他鹏you圈留言，你可以通过TBanna521找到他。

一：编程能力

　　是否会编程是区别初级数据分析师和高级数据分析师的分水岭。在这里，我定位的是高级数据分析师，所以编程能力尤为重要，我把它放在了第一位。

　　有关数据分析的编程语言有Python和R语言。R语言倾向于统计分析、绘图等。统计学家或者学统计学的喜欢用R语言，而我推荐学习Python，因为Python是面向未来的语言，无论从流行度、可用性还是学习难度来讲，Python都是最好的入门语言。

　　当然，如果可以的话，再掌握一下R语言是最好不过的，学习嘛，永无止尽。

　　书籍推荐《Python编程：从入门到实践》 豆瓣评分：9.0

　　当然，只有Python基础肯定是不够的，既然是学习数据分析，肯定就要有数据才行，数据从哪里来，肯定是从互联网上来。互联网上的信息何其之多，必须要对其加以过滤处理，提取我们想要的信息。这就要用到Python爬虫，这也是学Python一个很重要的目的和作用。

　　学习Python爬虫肯定比学习Python基础要困难一下，但好在网上的学习资源十分丰富，努力学习必定会有收获的。

　　关于Python爬虫的书籍，目前我还没有较好的书籍推荐，如果说实在要推荐的话，我推荐三本书：

　　《Python网络数据采集》 豆瓣评分：7.7

　　《Python爬虫开发与项目实战》 豆瓣评分：8.1

　　《精通Scrapy网络爬虫》 这是十月份出的新书，豆瓣上还没有评分。

　　知乎里面有很多爬虫大神，没事多逛逛知乎总会有收获的。

　　关于编程能力，是一个很深的概念，需要靠大量的撸代码积累经验。先暂且说到这些。

二：SQL

　　学习数据分析，最难最重要的就是编程能力，熬过去了，后面的就稍微简单一些了。

　　既然是跟数据打交道，就免不了要使用数据库。

　　目前主要有四种数据库：

　　1：SQLite 是一个文件型轻量级数据库，它的处理速度很快，在数据量不是很大的情况下，可以使用SQLite。

　　2：MySQL 是一个应用极其广泛的关系型数据库，它是开源免费的，可以支持大型数据库，很多中小型企业都是用的MySQL。

　　3：MongoDB 是一个面向文档的非关系型数据库，它功能强大、灵活、易于拓展。

　　4：Redis 是一个使用ANSI C 编写的高性能key-value数据库，使用内存作为主存储器。

　　它们各有优点，可以灵活使用，如果说非要选一个的话，我建议使用MySQL，因为它使用最广泛。学习最主流的技术，可以在一定程度上发挥更大的作用。

　　关于SQL的学习资源：

　　购买书籍推荐《SQL基础教程》作者：MICK

　　豆瓣评分：9.0，好像这本书出了第二版了，建议购买最新版的。

三：数据分析能力

　　前面说了那么多，都是为了数据分析做准备。数据分析就好比亲手做一顿美食，现在食材有了(通过Python爬虫采集)，盛放美食的容器也有了(数据库)。现在就差开火做饭了，写到这感觉肚子饿了，哎呀，忍住。

　　对于数据分析，我还没有过多的涉足，总之，多看书，多做项目。

　　这里我推荐几本书(都是放在我购物车里还没有买的书)

　　学习数据分析必看的书单：

　　《Python数据分析基础》八月份的新书，豆瓣上还没有评分。

　　《利用Python进行数据分析》2013年的老书，豆瓣评分：8.5

　　《Python数据处理》六月份的新书，豆瓣上没有评分。

　　《用数据讲故事》 豆瓣评分：8.7

　　虽然我还没来得及看这几本书，但是我想认真看了之后，对于数据分析的理解肯定会更加深刻的。

四：数据可视化

　　现在美食做好了，但不能一股脑的装在碗里吧，美食讲究色香味俱全。所以要给它作一个漂亮的造型，呈现在客人面前。这就是数据可视化。

　　数据可视化需要借助工具，什么工具呢?那就是大名鼎鼎的tableau!

　　什么?你没有听说过tableau?现在听我说了也不迟，哈哈。

　　tableau是一款世界级的商业智能工具软件，tableau可以帮助我们快速的分析、可视化并分享信息。在福布斯2017年公布的《10大需求增长最快的职场技能》报告中，tableau高居第三，成为数据分析和可视化的职场必杀技。

　　说了这么多，咱们还是好好聊聊怎么学习tableau吧。tableau是一款收费软件，先看一下它的价格吧：

　　image

　　果然优秀的软件都是收费的，而且还贵的要死。

　　但是，tableau的良心之处在于：学生和教师可以免费使用tableau，只需要用我们的学生证信息去免费申请一个序列码，然后就可以下载激活该软件，有效期为1年，如果一年后还是学生的话，还可以用学生证再去申请一个序列号，然后再免费用一年。

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

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~