现如今90%的企业都在利用数据分析为其带来更加便利的服务，从而数据分析师这类人才可谓供不应求。但是并不是所有的数据分析师都配上当下的薪资，很多数据分析师一直都原地踏步，一两年后还是未能升职加薪，这都是有原因的。

那么如何判断自己是否合适做数据分析师呢？

首先，小编觉得无论做什么工作，兴趣都是最重要的，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他都会觉得不耐烦，那么显然他不适合做数据分析；如果对数据较敏感，能够一眼发现异常值，数据分布情况，这当然是最好的。

再则就是逻辑性了，可以试试爱因斯坦的那道最经典的逻辑题，看看能否解出来，需要多久；逻辑思维对数据分析是尤其重要的，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加的高效。

然后就是业务理解能力，最简单的就是先定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

以上这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。

数据分析师具备技能

● 数据挖掘算法

● 软件建模运用

● 行业案例演练

● 宏观业务决策

总结

如果以上你都有，但如何快速获得岗位专业知识？自学还是接受培训？以下建议可供参考：

自学可以学习到编程技巧，但学不会数据思维和数据挖掘方法，如果是零基础或者刚入门建议通过参加培训系统学习一下相关知识。后续在实践中如果有发现有不足的地方可以通过自学进行补充。

参加培训有老师辅导，会少走很多弯路；同时有不懂的你可以问老师，学习起来会轻松一些。

参加培训会有一个学习和交流的圈子，学习氛围比较好，可以相互交流，共同成长；

分享 IT 技术和行业经验，请关注-技术学派。

现在数据已经成为了一些企业的“天”。近年来，近年来越来越多的公司已经意识到数据分析可以带来的价值，并且已经跳上了大数据旅行车。实际上，现在所有的一切都在被监控和测量，创造了大量的数据流，通常比公司可以处理的速度更快。问题是，根据定义，大数据很大，因此数据收集中的小差异或错误可能导致重大问题，错误信息和不准确的推论。

对于大数据而言，以业务为中心的方式分析它的挑战是实现这一目标的唯一方法，即确保公司制定数据管理策略。

但是，有一些技术可以优化您的大数据分析，并最大限度地减少可能渗入这些大型数据集的“噪音”。以下是几个技术技巧做参考：

优化数据收集

数据收集是事件链中的第一步，最终导致业务决策。确保收集的数据与业务感兴趣的指标的相关性非常重要。

定义对公司有影响的数据类型以及分析如何为底线增加价值。从本质上讲，考虑客户行为以及这对您的业务有何针对性，然后使用这些数据进行分析。

存储和管理数据是数据分析中的重要一步。必须保持数据质量和分析效率。

把垃圾带出去

肮脏的数据是大数据分析的祸害。这包括不准确，冗余或不完整的客户信息，可能会对算法造成严重破坏并导致分析结果不佳。基于脏数据做出决策是一个有问题的场景。

清理数据至关重要，涉及丢弃无关数据并仅保留高质量，最新，完整和相关的数据。人工干预不是理想的范例，是不可持续和主观的，因此数据库本身需要清理。这种类型的数据以各种方式渗透到系统，包括时间相关的转移，例如更改客户信息或数据孤岛中的存储，这可能会破坏数据集。脏数据可能会影响营销和潜在客户生成等明显的行业，但财务和客户关系也会因基于错误信息的业务决策而受到不利影响。后果很普遍，包括盗用资源，重点和时间。

这个脏数据难题的答案是确保进入系统的数据干净的控制措施。具体而言，重复免费，完整和准确的信息。有些应用程序和公司专门研究反调试技术和清理数据，这些途径应该针对任何对大数据分析感兴趣的公司进行调查。数据卫生是营销人员的首要任务，因为不良数据质量的连锁效应可能会大大降低企业的成本。

为了在数据方面获得最大收益，必须花时间确保质量足以为决策和营销策略提供准确的业务视图。

标准化数据集

在大多数业务情况下，数据来自各种来源和各种格式。这些不一致可能转化为错误的分析结果，这可能会大大扭曲统计推断。为了避免这种可能性，必须确定数据的标准化框架或格式并严格遵守它。

数据集成

如今，大多数企业都包含不同的自治部门，因此许多企业都拥有孤立的数据存储库或“孤岛”。这很具挑战性，因为来自一个部门的客户信息的变化不会转移到另一个部门，因此他们将根据不准确的源数据做出决策。

为了解决这个问题，中央数据管理平台是必要的，集成了所有部门，从而确保了数据分析的准确性，因为任何变更都可以立即被所有部门访问。

数据隔离

即使数据干净，有组织和集成在那里，也可能是分析问题。在这种情况下，将数据分组成小组很有帮助，同时牢记分析正在努力实现的目标。这样，可以分析子组内的趋势，这可能更有意义并且具有更大的价值。在查看可能与整个数据集无关的高度特定的趋势和行为时尤其如此。

数据质量对于大数据分析至关重要。许多公司试图用分析软件直奔潜水，而不考虑进入系统的内容。导致不准确的推断和解释，这可能是昂贵的并且对公司造成损害。一个定义明确，管理良好的数据库管理平台是企业利用大数据分析不可或缺的工具

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。

每个人都会有机会进行数据展示，为什么别人展示永远获得正视，而我的展示永远只有自己愿意去看，别人在看手机？那怎样做数据图表分析呢请看以下步骤：

如何对表格进行修饰，本次小编带来两个技巧，一是使用“套用表格格式”，和使用“条件格式”。二是带领大家学会养成修饰表格的思维。

第一步是对表格进行粗略的修饰调整，思维：行高、列宽、对齐方式、表格线等；

使用“套用表格格式”、“条件格式”之后看数据不再枯燥无味，而且还更有看头。“条件格式”可以将筛选条件转换为颜色可视化，从而达到一目了然的效果。

第一个技巧，①“套用表格格式”。方法：任一单元格→开始→套用表格格式。

②“条件格式”，方法：选中单元格区域→开始→条件格式。

条件1：高于平均值

条件2：数据条

条件3：色阶

第二个技巧：养成修饰图表的思维。这次举例柱形图的修饰例子，其他希望大家动用类似的方法进行模拟实践。

步骤一：根据销售数据建立柱状图，建立方法可参考。选择数据源→插入→柱状图→选择数据源→编辑坐标

步骤二：添加辅助线。选择数据源→→添加→点击柱体右键，设置数据系列格式→次坐标轴→选中柱体，右键更改图表类型→折线图。

希望回答对你能有所帮助，如果觉得不错就来点个赞或关注吧，感谢各位了！

先回顾下，前面的内容。简单罗列一下。

1、店铺自检；2、选品；3、选词；4、设计详情页；5、设计首图；6、分析上下架时间

以上全部都是准备工作啊！我要很愉快地告诉大家，今天还是准备工作。

做标题！

原本并没有打算写标题的制作，因为觉得太简单，但很多朋友跟我反馈，说需要标题和直通车的知识，因此，今天就写写标题，时间点也刚好掐上。

前面第三件事情，我们做的是选词，选的是主打关键词，并不是做标题。因为这个时候，还不到做标题的时候。有了主打关键词之后，我们根据关键词的人群信息和产品本身来做详情页和首图。而做详情页和首图，本质上是在分析产品，而做标题的第一步，就是分析产品。第六件事情是分析上下架，上下架时间针对的是主打关键词，如果你把整个标题都去分析上下架，那分析出来的结果可能就是无处容身了，没点给你占了。

那么，我们开始！

淘宝搜索SEO上的【标题】，和【标题党】并没有半毛钱关系。淘宝上的【标题】是用来描述一个商品的，并且提供给消费者检索。

淘宝对标题的定义是：商品标题是直接与商品的【搜索】相关，商品标题中一般包含了一些商品【信息、属性、热搜词】等组成。

标题要将商品的特性展示出来，【且要与商品的基本属性对应】；但是如果热搜词过多，也会影响排序。一般情况下我们可以搜索同类卖家的商品，看看别人的商品标题是如何进行填写的，以此做为参考。

通过淘宝官方的这段文字可以知道，标题是提供给消费者搜索的，包含了商品的信息、属性和热搜词。

做标题的步骤，我有我的看点，可能跟其他大神的有些差异。

第一步：分析产品第二步：找关键词第三步：筛选关键词第五步：组合标题第六步：验证标题

首先，第一步，分析产品。对于经验丰富的运营，拿到产品的那一刻，标题也就基本成型了。对于新手，也能定个百分之七八十。因为商品会自己告诉你，他的信息和属性。（做详情页和主图的时候，也需要分析产品哦！）

举个栗子

这是一件羊毛衫。我们只是看图片的话，能得到一部分信息，我建议选好了款后最好是拍一件回来看看，如果喜欢的话自己穿或者送给闺蜜or老婆，如果不喜欢就完整地退回给卖家（7天无理由退换，买个运费险，等于自己出了个邮费）。这一步很重要，如果我们自己卖的产品，自己连摸都没摸过，那心里会没底。

拿到了实物，我们接下来的工作就很轻松了。看到实物，再结合我们之前看的数据，可以轻松判断是否要做这个产品。

我们来细看这件衣服，看存在什么信息。

羊毛衫，针织开衫，长款，长袖，单排扣，V领，韩版，直筒型，还有点蝙蝠衣的赶脚。

一个标题也就30个汉字，如果把这些信息组合起来，标题也就完成了80%左右了。

之前我自己写过词频分析的程序，对程序的分词原理有一定的了解。我发现每个词都有词性，也就是我们小学读书的时候，语文老师教的，名词、动词、形容词等。

一个标题基本就是由名词、动词、形容词、时间词和数词。而这里面，名词是最重要的。一般标题里面的名词就是品类词。

这个例子中，羊毛衫和针织开衫，就是名词。其他的都属于形容词，都是用来修饰名词。如，长款的针织开衫，V领的针织开衫等。每个关键词必须包含名词，这才符合用户的搜索习惯。

第二步：找关键词

分析完产品后，关键词也就找得差不多了，但是可能会存在一些热搜词，我们不知道。因此，勤快一点，找！

如果店里产品比较多，且类目不是太小，还可以建立关键词库（有个逼格的名字，叫海词法）。

下面，我们借助工具来建立一个词库。服装行业，属于大类目，可以建词库。

找词可以用三个工具（当然市面上还会有其他工具，我也写过相关的工具）。

1、老A搜词精灵/进阶版2、老A淘词精灵（需要开通淘词——数据魔方专业版或者订购半年以上的标准版）3、老A市场分析精灵

第一天的时候，有讲过搜词精灵，搜词精灵共有五种提取方式，我们只是用了其中一种。

通过这几种方式，我们可以很快的建立词库。

1、通过淘宝的下拉词、长尾词和相关词

下拉词和长尾词都是给懒人准备的，同时具有引导作用。特别是下拉词的点击率很高。

很古早的时候，这些词都是自己手动一个一个去复制，然后粘贴到自己的excel里面。现在早已经解放了双手。

下图我是用两层深度，挖掘出517个关键词。

别忘了手机无线，这个最好单独抓出来，不要和PC混在一起。

2、 通过TOP20W词库提取

这个词库是在直通车的关键词榜单，下载地址是：

http://taobao/go/act/sale/keyword-dictionary.php?spm=0.0.0.0.F38X0y

我们可以直接通过工具来获取，下图共获取了736个关键词。

3、 直通车提取

这个我相信只要开过直通车的都不会陌生。

我们在添加直通车关键词的时候会有下图这样的界面。

这个就是直通车的相关词查询。

我们也通过工具，一次性把数据提取出来。共394个词。

最终汇集起来，进行去重处理后，共有1528个词。

因为我们这件衣服并不是品牌商的货，所以我们把品牌词提出出来，把1528个词里面包含这些品牌词的删掉

过滤后，剩下1424个词。

然后再一步根据过滤一些我们不要的词。

过滤后剩余1390个词，然后开始查询数据（默认的数字都是近一周平均，人群数据是近半年数据）。基本可以挂机了。等明天睡醒词库就好了。

如果有数据魔方的淘词，用老A淘词精灵会非常方便，分分钟能有几千个词，但是淘词的数据和淘宝指数、直通车流量解析的数据不一样。

另外，我们还可以用老A市场分析精灵，我们爬抓人气排序的前三页。然后，对前三页的标题进行分词。

如上图所示，每个词根的出现次数和占比都有，人气排名下的前三页，也就是人气宝贝，这些宝贝标题的热门词根，其实可以直接拿这些词来做标题，但这种标题，不是谁都hold得住的，基本都是热词，竞争不小，要有实力才好玩。

总而言之，现在找关键词太简单了，也因为简单易学，SEO优化没有以前那么有效，但是，还是会有人做得好，有人做得不好，这里面学问还不少。有时候，没有个3、5年的经验，没有数据分析能力，很是吃亏。

第三步：筛选关键词

关于筛选关键词，很多大神都有自己的一套路子，每个人说的都对，都有道理，下面介绍我自己用的野路子。

数据用的是老A搜词精灵爬取到的，我们将数据表格导出，做进一步筛选。

算出竞争比，竞争比=搜索指数/宝贝数量。

算出竞争比加权系数，竞争比加权系数=竞争比/竞争比总和

最后算出关键词得分，关键词得分=成交指数*竞争比加权系数（想要流量优选搜索指数，想要订单优选成交指数）

好！至此准备工作完成。下面选择关键词。

筛选关键词遵循以下两个原则

1、 必须和宝贝相关

类目，属性，信息都必须相关，数据里面有人群信息，尽量多找几个人群匹配的词。如上图，我们看到高分词【2014秋装新款女装】，这个词叫热搜词，它好用吗？未必！虽然字面上的信息，是适合的。但我们要先用淘宝指数看一下，毛衣类目是否适用这个词。

很明显，不适合。

如果还不信，可以用老A市场分析精灵验证一下搜索结果。搜索这个词，综合排序下，前3页，出现的比例是2.99%，和淘宝指数的2.78%是如此地接近。这意味着什么？展现的机会少了，你要在这个点，权重排名前4，才能进入这个词的搜索前3页。第一页有1个毛衣类目的，做到权重第一才可以出现在首页，这，这，有多难呀？

2、 关键词得分高的优先选用（等同于必须要有人搜索有人购买）

这个不用多说了。但是，我发现了好多坑，一个不留神就会被误导，用了烂词。数据完全一致，就宝贝数不一样。差一点点我就中招了。下图64.05分这个词数据应该是在120W个宝贝数的战场产生的。

这不需要火眼金睛，看词的数据，很容易发现这类词，情况太普遍，太多人被坑过了。

以下是我初步挑出来的词。

根据之前分析产品的时候得到的产品特征词：【长款，长袖，单排扣，V领，韩版，直筒型，蝙蝠衣】来筛选出相关的关键词

2014毛衣女韩版新款羊毛衫毛针织衫针织衫外套毛针织衫开衫针织衫 女 开衫 中长款长款毛衣外套女开衫中长款毛衣长袖针织衫v领羊毛衫女韩版毛衣外套宽松女秋装毛衣女韩版新款蝙蝠毛衣开衫

第五步组合标题和第六步验证要合在一起讲，一边组合一遍验证，验证这个环节最麻烦

一个标题是60个字符，折合成文字是30个字（一个汉字两个字符），标点符号算一个字符。

先把找出来的关键词拆解成词根，词根的分法，也有好几种，我简单分两种就好了。

名词：品类词

毛衣，羊毛衫，毛针织衫，外套

形容词：属性词（描述和形容商品的词）

开衫，中长款，长袖，V领，韩版，宽松，秋装，新款，蝙蝠

简单把词根组合起来，假设主打关键词是【长款毛衣外套女开衫】，那这个词就不要拆开，保持紧密性，而且放在前面，如果有多于的字符，可以用空格和其他词隔开。

正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正（用正字，标记长度）

长款毛衣外套女开衫 新款中长款韩版毛针织衫 秋装V领宽松羊毛衫

29个字+两个空格，刚好60个字符。

验证标题是个粗重活。

主要验证两样东西

1、关键词顺序，买家搜索习惯验证。

关键词的顺序不同，结果可能不同。如，我在找词的时候就发现毛衣女装和女装毛衣，倒一下顺序，连搜索指数都不一样了。

宝贝数也不一样。

我们验证的渠道也就是淘宝指数和淘宝主搜（自己搜索看结果），可以对比搜索结果。

2、关键词紧密关联性验证。

紧密关联性也就是关键词不能拆分开，词根必须连在一起。很巧合，这个标题我验证过，没有需要紧密关联的情况。那我用另一个词来解释这个紧密关联性，【雪纺连衣裙】，词根是【雪纺】和【连衣裙】，通过淘宝主搜来验证。

我们发现搜索的结果页上，很多展现的宝贝，标题里面雪纺和连衣裙这两个词根是紧密接在一起的。这种情况，说明这两个词根需要紧密关联。在SEO里面,紧密关联是完全匹配，完全匹配的权重是相对要高一点的。

验证紧密关联性的渠道是淘宝主搜（搜索结果验证）。

PS：紧密性不可能做到面面俱到，只要主打关键词保持紧密关联，其他的词尽量就好了，不用强求。

说了这么多，不知道你懂了没有。做标题是整个环节中，是最简单又最复杂的一个环节。

可能有人会问，我直接抄别人的标题，行不行？

答案：行！

这是绝招，一招搞定。但是要看你的实力是否能承载这个标题了。有时候，我偷懒，也是先抄一个，然后再找出自己的主打关键词，在抄来的标题上修改一下，加上自己的主打关键词，如果自己还发现了其他好词，就再把好词【塞】进去这个抄来的标题里面。

初期的标题并不是决定因素，重要的是主打关键词。避免用词违规，不要用别人的品牌词，还有一些禁用的词，如淫秽词汇等。有不少朋友误用别人的品牌词，宝贝起来后就被淘宝删掉了(_`)

在宝贝上架后，会产生宝贝的关键词数据，通过关键词数据来指导操作，这个比初期的打造标题可能要更为重要一些。

大家好，我是零一。这一篇给大家介绍探索关系。

探索关系是非常好玩的一件事情。先给大家讲个故事。据说很久很久以前美国某个州对多个社区做了一项关于婴儿的调查，其中一个调查结果如下

调查人员发现多个社区中，这个妈妈纹身的占比越高，这个社区出现畸形儿的概率就越高。那调查人员就很费解了，纹身跟生BB有什么关系呢？后来针对这些纹身妈咪做了调查，结果如下

调查人员发现原来大部分的纹身妈咪因为出入夜店，大部分有接触过毒品，这才导致了前文说的畸形儿竟然跟纹身有关系。

以上就是探索关系的一个例子。

我们先引入一个概念【相关性】

【相关性】是来反应两个或多个维度之间的相关密切程度，如上面的例子中，关系就是比较紧密的。两者相关紧密并不等于因果，上面的例子也说明了，并不是因为纹身就导致了畸形儿，而是纹身的妈咪多数曾经是不良少女，染上毒品，才导致后面生出畸形儿。

【相关性】从影响的方向来区分，有3种，分别是正相关，零相关，负相关。下面我们一起看下。

首先是正相关，只要是呈现下图这种趋势的分布，就称之为正相关，表示任意一个维度增长，另一个就跟着增长，反之，下降就随之下降。

接着是零相关，只要是呈现下图这种趋势的分布，就称之为零相关。表示维度之间没有什么相关性。

最后是负相关，只要是呈现下图这种趋势的分布，就称之为负相关。表示任意一个维度增长，另一个就下降，反之，下降就随之增长。

下面我们一起看一下淘宝数据，淘宝数据也有很多有趣的关系。

我抓取下来眼镜行业按销量排名的100页，也就是40*100=4000个宝贝的数据。数据大概长这个样子

按30天成交量和价格来做散点图，得到如下的结果。

很惊奇发现，居然有个眼镜卖12.8W！！这是在卖眼睛吧？？

大家回想第八篇的内容，这个店就是离群点，我们可以暂时不分析。我们通过设置坐标轴来进一步观察

售价我先指定在1000元以下，呈负相关的姿态，下图是结果

有人可能会说，这价格越高就销量越小，这个不用分析都知道了啊！事实上，还真有价格越高销量就越高这种行业，不看下怎么知道呢？我们要用数据说话！

可以观察到大多数高销量的价格是分布在100元以下的。（0,100]这个区间销量最高在5K（最上面那个离群点不计在内），（100,200]这个区间销量最高在3K左右。

接着我们可以进一步观察（100,200]这个区间的分布情况

这个是零相关的分布状态，也就是说，在这个区间，你是定价在100，还是定价在200，不会太影响你的销量。所以，有时候很奇怪，我100也是卖，200也是卖，为什么不卖200呢？

这个数据源我会提供给大家玩玩。30天成交量和价格的关系，我们就说到这里。下面我们看另一个关系。

【上架天数】 VS 【30天成交量】

这个让我差点跌破眼镜，上架了2000天，是什么概念？2000÷365=5（年）。上架了这么久的产品，还在卖！我接触淘宝才3-4个年头。

我们可以发现，销量在2000以上的爆款主要的聚集区间，在1200天以内，也要有3年的时间了。。。不过我们可以发现，后面的新品，多了很多，正在逐渐上来，不少商家正在尝试用新品来冲击这个市场。

我把坐标轴范围调整一下，结果看下图，看起来是零相关的样子。

2000销量以上的，最快的在一个月时间（37天）打造上来。这些是谁呢？那通过这个图，把鼠标停在点上面，会显示这个数据是第几个观测值，那会非常简单就能定位到这些宝贝。

这种观察方法，有个弊端，就是上面这个图，我只能说，我看起来像是零相关，并不能确定。那是否有一个具体一点的，可以不用靠眼镜的方法来告诉我们相关性呢？

答案是肯定的！

在Excel里面，有个函数叫correl，是英文correlation（相关）的前半部分。就是用来算相关性的，这个是适用于线性相关的情况下。非线性的情况下，就不适用了哦！比如类似抛物线的钟型分布（也就是正态分布）

只要选中我们要的数据就可以了，两个数据组。

得出的结果是一个[-1,1]的数字，这里是0.685，那这个数字怎么解读呢？

[0.7,1]表示强正相关

[0.3,0.7)表示中正相关

（-0.3,0.3)表示零相关

(-0.7,-0.3]表示中负相关

[-1,-0.7]表示强负相关

那我们这里的结果对应到就是中正相关这个区间。表示，评价量的多少还是会在一定程度上影响销量的。但这个结果没有分析意义，因为一般爆款卖得多评价也多。

分析师是要考虑分析的结果有没有价值，一般何为有价值的关系呢？

就是情理之中，但意料之外的这种关系，就非常有价值。

另外，是要选择看图还是数字呢？

这个问题很简单，先看图，如果不清晰，就看下数字。

如果要快速出结果，并且是多个维度的情况下，用excel内置的数据分析的相关系数来快速得出相关矩阵

结果是一个下三角矩阵

==========分割符==========

下面我们来用数据挖掘套件，探索下数据。

先把数据设置成表格的格式

然后再表格工具里面有个分析（必须要有安装了数据挖掘套件才能有这个）

我们先看下分析关键影响因素（我这里是用的市场数据，但如果大家是拿店铺的数据，大家都懂的）

运行后结果如下，会有一个相对影响，可以参考。但这个结果，没有先处理缺失值（上一篇有说过异常处理，处理方法看上一篇）

这个结果，没有太大的参考性。因为最相关的变成缺失值了，可能在获取数据的时候会有一些漏抓。

==========分隔符==========

下一篇会告诉大家怎么做聚类分析，通过聚类，我们可以知道，某一个分类的特征，下图是聚类的一个结果特征（软件通过算法把30成交量大于704的归为一类，以下是这类的主要特征）

主要特征是：无投诉，主营100%，天猫店，退款速度2.7-6.0等，大家可以看下。下一篇会跟大家详细介绍聚类。

文中用到的源数据集下载连接：https://pan.baidu/s/1yzGzZKiQq7zj18QLKx1ZIQ

先给大家讲一个数据分析的小故事，发生于四百年前。

在中世纪，科学界最大的争论在于，到底是地球围绕太阳旋转，还是太阳围绕地球旋转。那时候有一位伟大的天文学家叫第谷·布拉赫，为了解决这个人类科学最初的大争论，开始了寻求数据支持的伟大征程。当时丹麦国王专门为他建了一个天文台，配备了齐全的观测仪器。从那时之后的20年里，第谷每天晚上风雨无阻地观测行星运动的轨迹，把每个行星每天晚上的位置，精确地记录下来，是天文史上第一个真正地开始收集大数据的天文学家，但是他没有足够的智慧从中发现行星运行的规律。 后来，第谷的学生开普勒拿到大量的数据之后，摒弃了每一天的视角，他从每一年的视角来看：地球每365天就会回到原点，而其他的行星还在自己的轨道上运动。他把行星运动的轨道画出来了，得出了所有行星围绕太阳运动的结论。在此基础上，开普勒提出了著名的行星运动三大定律，成就了近代天文学的开端。

这个故事告诉我们：

1、数据是数据分析的基础。如果没有第谷20年如一日的观测记录，开普勒不可能取得如今的成就；而如果没有开普勒，第谷的所有观测数据，都将成为一堆毫无用处的废纸。

2、要客观的分析数据，具备数据分析的视角和思维。第谷一直以“地心说”的思想观察数据变化，开普勒接受了哥白尼的“日心说”思想，在新的角度上结合观测数据才发现行星运动的定律。

3、要学会合理利用数据。开普勒通过每年的观测数据，才发现了行星运动规律，当我们面对海量数据的时候，最需要的是独具慧眼，在繁杂的数据中找到我们需要的数据，才能真正的将数据运用起来。

大家好，我是零一，今天开始给大家带来基础系列教程

本系列文章适合以下情况的读者：

1丶淘宝店铺运营或者店长，目前还不会做数据分析，渴望提升自己

2丶打算在淘宝开店的朋友，目前尚在混派代学习中

3丶其他对数据分析感兴趣的朋友，尚在入门阶段

本文是第一篇会比较基础，涉及的概念也少，旨在让读者动手了解工具。

我们直奔主题

数据分析的概念必须搞清楚。简单点说，数据分析是将数据进行清洗后，把隐藏在数据背后的信息提炼出来。

另外，值得一说的是，数据分析是获取新知识的新途径。

下面看一下菜鸟跟数据分析师的区别，引自《谁说菜鸟不会数据分析》一书

可以看出来，专业一点的数据玩家的思路会非常清晰，而且会以目的为导向，建议大家参考分析师的思路。

数据分析的过程已经有非常多的前人做出了总结，我还是引用书中的结果

分别是，明确分析目的和内容——数据收集——数据处理——数据分析——数据展现——报告撰写

做任何事情都要有目的，做数据分析也不例外，而且明确目的在数据分析里面上升到了一个非常重要的高度，甚至决定了你后面所做的一切有没有价值。

做数据分析必须运用工具，没有工具几乎无从开展，大家看下一般数据分析有哪些工具

可以看到，底层是数据库，在数据量大的情况下，需要动用到数据库。

报告层是Crystal Reports（动态和可操作的报表，没用过）

分析层是分析的工具，从左到右分别是Excel（Office套装里面的一员，据说可以和SAS媲美的数据工具之一），UCINET(社会网络关系分析，没用过），SAS（最古老最专业的数据分析工具），SPSS（IBM的工具，以简单易用闻名），clementine（已经被IBM收购属于SPSS系列）

最后是表现层，也就是做报告的一系列工具，我只接触过PPT和水晶易表，一般会用PPT就可以了。

接下来讲的数据分析，选择的是大家比较熟悉的Excel，Excel做深入分析的时候比较麻烦也有局限性，但就上手指数来说，Excel是排第一的。数据量在一百万条以内是足够的了。

我选用的版本是Excel 2010

第一步，我们要明确分析的目的和内容。因为是实例，我假设

目的：了解淘宝美容行业的市场情况

内容：1丶行业分析，2丶属性分析（采用折线图和饼图直观反映行业趋势和容量）

第二步，数据收集，一般手动收集，也可以用工具收集。

这里提供工具给大家做练习。提供的是仅支持美容大类的版本，运行环境，excel2010/2013，32位xp/WIN 7，假如没有生e经，那没关系，下面用到的数据源一样会共享给大家，拿着数据源就可以一步一步跟着操作。

数据来源：生e经（必须有开通生e经，并能查看相应行业数据）

数据宽度：21（月）

因为生e经按月展示数据，因此这里的数据宽度，就是月份数。

打开表格，然后，按下列图片次序操作

自己登陆生e经复制生e经的地址进来。登陆好，就把窗口关闭即可。其中c2代表服务器编号是2。

选择正确的服务器编号才能正常抓取。

选择好后，点开始抓取数据

耐心等待（等待时间和抓取的月份丶网速有关系），会在excel中出现结果，那么可以把这些数据复制到我们的另一个工作簿上，也可以导出为csv格式。

导出的文件可以保持在本地，方便下次提取。

第三步：数据处理，简单举例，可以跟着做。

做下简单的处理，这里提取年份使用这个公式：=LEFT(E2,4)，提取月份使用这个公式：=RIGHT(E2,2)，然后填充。如下图所示，鼠标移到单元格的右下角位置，会出现个黑色小方形，鼠标也会变成黑色的十字架，双击即可填充。

接着，我们插入数据透视表，鼠标点一下我们的数据，任意一个单元格都可以，只要在数据范围内，如图，我点在F10单元格。

点数据透视表，会自动匹配整个数据框。我们点确定即可。

点确定后，效果如下图所示

用鼠标，将字段拉到下面的相应位置即可

第四步：数据分析

我们现在就已经完成了数据透视表，通过这个透视表，就可以比较直观的对比各行业间的差异，但是都是数字，不免有些晕，或许用图表来展示会更加直观

点一下数据透视表，然后点插入——折线图，这里选择第一个样式即可（其他样式可以自己尝试）

结果如图所示

发现面膜/面膜粉的走势好像不错。

接着，我想看一下各行业的容量占比，重点看下面膜/面膜粉这个行业占比多少，就以2013年的数据来统计占比。还是插入数据透视表，先设置好字段，然后再选择2013.

接着，插入饼图

结果如图所示

这里看不到占比，而且也不知道哪个行业，这就需要我们设置一下图表。右击图表——添加数据标签

出现标签后，我们再右击一下标签，设置数据系列格式

按下图红框设置即可

然后改下标题，稍微把图表的尺寸拖大一点

这样，就比较直观了，面膜/面膜粉在2013年1-9月份中，销量占了整个美容护肤行业的16%。那么我想再仔细看看面膜/面膜粉行业的销量走势。依然先插入并设计数据透视表。

然后，插入折线图

结果如下图所示

两年的销量走势对比，可以看出2013年比2012年增长了不少。增长需要涉及到环比增长和同比增长两个概念，今天先不讲。我们通过目测就已经看出来，今年比去年火，但是这个结论还不是最终结论，只是简单建立在数据层面的初步结论，还要通过淘宝去验证，搞清楚销量的增长是来自哪里。假设是某几家品牌促销的结果，那么这个数据对于我们而言，意义就不一样了。或许我们自己是这个行业的一个品牌商，则需要把后面的分析重点转移到研究这几家品牌的营销研究上面来，弄清楚对手究竟如何改变了这个市场。

属性分析里面包含了SKU，操作方法跟上面类似，这里就不演示了。

第四步：数据展现

把我们以上得到的结果，进一步优化，更加直观丶有序地展现出来。

第五步：撰写报告（非商业严谨报告，以实用为主）

把所看到的，所想到的，通过文字的方式记录下来，方便自己或者他人阅读，了解我们的分析思路。

在互联网的下半场，不断精细化运营的背景下，产品经理不再是单纯的靠感觉来做产品，更需要培养数据的意识，能以数据为依归，来不断改善产品。

不同于公司专业的数据分析师，产品经理更多的可以从用户、业务的层面去看待数据，去更快更透彻的去寻找数据变动的原因。

科多大数据带你们看看在数据已经被有效记录的前提下，如何有效的去进行大数据分析呢？

一、明确数据分析的目的

1、如果数据分析的目的是要对比页面改版前后的优劣，则衡量的指标应该从页面的点击率，跳出率等维度出发，电商类应用还要观察订单转化率，社交类应用要注重用户的访问时长、点赞转发互动等频次。

不少新人在设计自己产品的时候，可能会花费很多时间在产品本身的设计上，却没有花精力思考如何衡量产品的成功与否，在产品文档上写上一句类似“用户体验有所”提升的空话，这样既不利于产品设计顺利通过需求评审，也无法更有效的快速提高产品的KPI指标。

2、如果数据分析的目的是探究某一模块数据异常波动的原因，则分析的方法应该按照金字塔原理逐步拆解，版本->时间->人群。

比如发现首页猜你喜欢模块最近的点击率从40%下降到了35%，暴跌5%个点，这个时候先看看是不是哪个版本的数据发生了波动，是不是因为新版本上线埋点遗漏或有误造成的。

如果版本的波动数据保持一致，再看看数据是从什么时候开始变化的，是不是因为受到了圣诞、元旦假日因素的影响，页面上其他模块上线了新的活动影响了猜你喜欢的转化。

如果不是，则再拆解是不是流量来源构成发生了变动，是不是新用户的曝光数量增加导致的。

产品经理需要带着明确的目的去分析数据，思考实现目标需要构建哪些维度去验证。大部分时候，产品经理需要非常耐心的一步一步的拆解细分，排查原因。

二、多渠道收集数据

收集方式一般有四类渠道。

1、从外部如易观或艾瑞的行业数据分析报告获取，需要带着审慎的态度去观察数据，提取有效准确的信息，剥离部分可能注水的数据，并需要时刻警惕那些被人处理过的二手数据。

2、从AppStore、客服意见反馈、微博等社区论坛去主动收集用户的反馈。我自己经常有空的时候就会去社区论坛看看用户的状态评论，一般这样的评论都是非常极端的，要么特别好，要么骂成狗，但这些评论对于自身产品设计的提升还是非常有益的，可以尝试去反推用户当时当刻为什么会产生如此的情绪。

3、自行参与问卷设计、用户访谈等调研，直面用户，收集一手数据，观察用户使用产品时所遇到的问题及感受。问卷需要提炼核心问题，减少问题，回收结果需剔除无效的敷衍的问卷。用户访谈需要注意不使用引导性的词汇或问题去带偏用户的自然感受。

4、从已记录的用户行为轨迹去研究数据。大公司一般会有固话的报表/邮件去每天甚至实时反馈线上的用户数据情况，也会提供SQL查询平台给产品经理或数据分析师，让他们可以更有深度的探究对比数据。

三、有效剔除干扰数据

1、选取正确的样本数量，选取足够大的数量，剔除极端或偶然性数据的影响。08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高？显示有问题，因为那届奥运会，姚明只投了一个三分球，科比投了53个。

2、制定相同的抽样规则，减少分析结论的偏差性。比如两条Push文案，第1条“您有一个外卖暖心红包未领取，最大的红包只留给最会吃的你，点击进入”，第2条“送你一个外卖低温福利，足不出户吃喝热腾美味，点击领取”。实验数据表明，第二条Push文案的点击率比第一条同比高了30%。那么真的是第二条文案更有吸引力嘛？结果发现是第二条Push文案的接收人群的活跃度明显高于第一条造成的。

3、剔除版本或节假日因素的干扰，新版本刚上线时的数据表现往往会很好，因为主动升级的用户一般是高活跃度的用户。临近周末或大型节假日的时候，用户的消费需求会被触发，电商类应用的订单转化率也会直线上升。因此，在数据对比的时候，实验组和对照组的数据在时间维度上要保持对应。

4、对历史数据遗忘。人与数据技术不同，数据技术有着100%的记忆能力，而人类根据艾浩宾斯遗忘定律1天后只能记起33%，6天后25%，31天后21%。因此，我们要合理的选择筛选时间段。比如猜你喜欢模块不仅要对兴趣标签的计分进行一定的加权处理，也要结合商品的生命周期等因素做一系列的回归实验，得出受众人群对各类兴趣和购买倾向的衰退曲线，利用有规律的时间变化有效删除老数据，去提升模块的点击率。

5、实验需拆分A1组，也就是在实验组B和对照组A上再增加一组A1，A1和A的规则保持一致，然后探究AB的数据波动与AA1比较，剔除数据的自然/异常波动带来的影响。以我实际的A/B实验表明，设立A1组是非常重要且必要的，不管数据量级有多大，相同实验规则的两组在数据也会有一定的小幅波动，而这小幅波动在精细化运营的今天，对我们的判断可能形成较大的干扰偏差。

四、合理客观的审视数据

1、不要忽略沉默用户

产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。甚至有可能与核心用户的诉求相违背，导致新版产品上线后数据猛跌。

忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。

2、全面理解数据结果

如果实验结果的预期与我们的经验认知有明显的偏差，请不要盲目下结论质疑自己的直觉，而是尝试对数据进行更透彻的分析。

例如我曾经做过在首页给用户投放活动弹窗的实验，发现实验组的数据不管在首页的点击率，订单转化率乃至7日留存率方面都远超对照组，首页上的每一个模块的转化率都有明显的提升，远远超出了我们的预期，那这真的是活动弹窗刺激了用户的转化率嘛？

后来我们发现在首页能够展示出活动弹窗的用户，往往在使用环境时的网络状态比较好，在wifi环境下，而未展示弹窗的用户则可能是在公交/地铁/商场等移动场景下，网络通讯可能不佳，因此影响了A/B实验的结果。

3、不要过度依赖数据

过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。

正像罗振宇在时间的朋友跨年演讲上提到的一样。用户要什么，你就给什么，甚至他们没说出来你就猜到了，这叫母爱算法，在内容分发领域没有人比今日头条做得更好，但母爱算法有很大的弊端，在推荐的时候会越推越窄。

另一面则是父爱算法，站的高，看得远。告诉用户，放下你手里的烂东西，我告诉你一个好东西，跟我来。正像乔帮主当年打造的iPhone系列产品一样，不看市场分析，不做用户调研，打造出超出用户预期的产品。

五、总结

美国最成功的视频网站Netflix通过基于用户习惯的分析，将大数据分析深入到电影的创作环节中，塑造了风靡一时的美剧《纸牌屋》。然而Netflix的工作人员告诉我们，不应该迷恋大数据

如果说电视剧评分9分是精品的话，大数据可以让我们脱离低分6分以下的风险，却也会带我们按部就班的走向平庸的绝大多数7-8分之间。

产品经理在直觉创造的心智能力，情感理解的社交能力，与大数据相结合，正确的理解数据，让数据真正嵌入到产品的设计中，切实解决用户的实际问题，方能真正做到所谓的“用户洞察”，让产品走到用户需求前面，超出用户的预期。

我觉得无论什么工作兴趣最重要，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他会觉得不耐烦，那么显然他不适合做数据分析;如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

再则就是逻辑性，可以让他试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

接着是业务理解能力，最简单的就是让他定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。(宏观层面，不要深入细节)

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。

——谷芬芬

专业内的要求基本就是对数据的意识和一些技能的掌握。下面具体说说从一些非专业内要求的方面出发，有哪些方面能表现这个人更适合数据分析。

首先是看到数据有兴奋感的人。有兴奋感说明你有兴趣，那说明很会有意愿把数据分析好。

其次是愿意学习的人。你分析的内容永远不会一尘不变，即使你分析的主题是相对固定，但业务是变化的，你需要不断的学习业务，同不同人沟通，吸收别人的观点。所以分析师一定要报着学习的态度。

然后是逻辑思维较强的人。数据分析师想要把你的分析好，一定要有结论思维。

还有就是较强的表达与沟通能力。因为数据分析最终价值的实现，一般来说不会是分析师亲自去制定或者实施。所以你一定很有条理、逻辑清晰向别人表达，让业务方认识到你分析结果的价值，从而影响业务方去愿意使用你从数据中得到的观点。

——欧阳帅

觉得还是应该先看清楚自己的未来的方向吧~

我有不少朋友 非数学/计算机/统计学 专业毕业的朋友走的是这个方向，数据相关，非技术路线，更偏向于市场方向，对技术的要求只是Excel、PPT，最多要求SPSS，很少要求会写SQL。这条路线看起来比较高大上，可以走外企路线。

数据分析师方向，很多读数学、统计学、计算机的童鞋会选这个方向，终极目标都是成为数据中心的负责人。中间有2个分叉，一条是从数据分析师到数据产品经理，这个路线最近很流行，主要是结合了数据分析和产品经理的能力。一条是高大上一点的数据挖掘方向，这条路线要求比较高，但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想，但算法和代码实现能力不是谁都能掌握的。.

根据你自己想走的路，加上自己的技能点。

——张锦华

想了解更多相关内容，记得持续关注我们哦。

如果你觉得有点意思，请有秩序的评论、转发、收藏。