双十一战报

天猫销售额占全网比例66.23%，京东占比21.41%，苏宁易购占比4.34%，亚马逊占比1.95%，唯品会占比3.43%，其他电商平台占比2.64%。各平台海外购销售额占比上，天猫为5.4%，京东为4.9%，苏宁易购为0.6%，亚马逊为7.3%，唯品会为3.7%。

2017年双11是电商新零售概念提出后的第一个双11狂欢！一方面是成交不断刷新高：1682亿，另一方面却是双11快递包裹数增速在下降。电商的增长点是否已经见顶了？

然而，近日频繁被大佬们提出的新零售、智慧零售、无界零售都从线上开始关注线下，三大零售新概念之间有什么关系？

快递增速大幅放缓

今年11月11日主要电商企业全天共产生快递物流订单8.5亿件，同比增长29.4%；全天各邮政、快递企业共处理3.31亿件，同比增长31.5%。

据国家邮政局官方数据：2014年双11当日快递包裹是1.026亿件；2015年双11当日快递包裹是1.48亿件；2016年11当日快递包裹是2.51亿件；2017年双11当日快递包裹是3.3亿件。往年几乎都是在50%左右增长，不断加速。但是今年增速掉到31.5%。

双11违背市场规律过度消费，技术可支持物流难跟上！

电商的增长本质是转移。从商场到互联网电脑网购。再到手机移动电商。每一次转移，都会带来巨大的流量红利。可是当迁徙完成，高增长就会结束。现在这个转移是不是已完成了呢？有可能。

有人说双11违背了市场规律。一个成熟市场的标志，不会有集中的过量的消费，而双11是借助一个概念营造了高峰期的市场，人为制造出过量堆积的集中消费，造成消费的极端峰值，互联网技术可以支持，但线下物流难以满足。

可以看出快递包裹还在增长，但增速放缓。原因可能有多个方面。一是包裹量基数越来越大，网购群体数量不会大幅增长，二是消费者对双11习以为常，消费更理性一些。

三大零售碰撞，各有各的优势！

马云频频谈到新零售，让新零售成关注焦点；苏宁集团董事长张近东讲智慧零售；刘强东则最新提出了无界零售的概念。

新零售提出之后，各家众说纷纭，没有一个明确的定论，通过归纳总结可以说：新零售，是以互联网为依托，通过运用大数据、云计算、物联网、人工智能等技术手段，基于线上+线下+物流数据打通，其核心是以消费者为中心的会员、支付、库存、服务等数据的全面共享，从而实现线上线下深层次融合，对商品的生产、流通、销售、售后等全过程进行升级，重塑业态结构与生态圈。

何为智慧零售？时代和科技进步速度之快，即使再智慧的组织和机构也会逐渐显得落伍于时代。因而“智慧”更像是一种激励，比如张近东说，要拥抱时代技术，意味传统的过去的那些光鲜亮丽，全部归零，这是一种勇气也是一种智慧。

刘强东近日在谈及未来电商的发展趋势，提出了无界零售的概念。他认为，未来电商已经超越了所谓的线上和线下的概念，一切回归到原点，回归到消费者为中心。他还表示，三年前就洞察到了电商领域巨变。

其实，这些概念也都是伪命题，“看看他们几个讲的零售，都有一定的道理，但是背后的目的都是为自身企业进行服务，同时提升自己企业的影响力，“不管什么零售，以消费者为中心的零售才是最适合的零售”。

对于阿里来说，今年的双11算是对“新零售”概念的第一次全盘检阅。除了参与购物节的数量庞大的品牌商、店铺和淘点外，天猫海外还携多个国产品牌加入200多个国家和地区万店同庆，并将投入15亿元补贴智能仓配商家和物流企业。 为了与阿里的新零售对峙，京东联合腾讯推出“京腾无界零售”解决方案，依托腾讯社交、内容体系和京东交易体系，为品牌商提供线上线下一体化、多渠道打通、服务深度定制化、场景交易高融合的零售解决方案。

电商轰轰烈烈的狂欢之下，传统线下零售商被裹挟其中，也要勉力搭上这趟智能化的高速列车。然而，当热潮褪去，我们看到，只有几家实力雄厚的传统零售商开始了向数据采集、智能物流等方向转型升级，大多数传统零售商家和平台，依然惶惶无措。

一般情况下，我们所说的分析是指，使用大量数据、统计和定量分析、解释和预测以及基于事实的管理来推动决策过程与实现价值增生。

根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。描述性分析包括数据收集、整理、制表、制图以及描述正要研究的食物的特征，这类分析以往被称为“报告”。描述性分析可能非常有用，但它不能解释某种结果出现的原因或者未来可能会发生的事情。

预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性，比如在看到某个广告后，一位消费者可能会去买产品的可能性。虽然预测性分析中的预测是基于变量之间的关系做出来的，但这不代表预测性分析中都需要明确因果关系。事实上，准确的预测并不一定与需要基于因果关系。

规范性分析是更高层次的分析，如实验设计和优化等。就像医生会在出处方建议患者采取什么行动一样，实验设计试图通过做实验给出某些事情发生的原因。为了能够在因果关系研究中信心饱满地做出推断，研究人员必须妥善处理一个或多个独立的变量，并有效控制其他的变量。如果处于试验环境下的测试组的表现大大优于照相，决策制定者就应该立即推广这种实验环境。

优化是规范性分析采用的一种方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。例如，我们可以能会对识别最有可能让产品实现高收益的价格感兴趣。同样地，优化这种方法能够识别出使了零售企业最大限制避免缺货情况的库存水平。

根据分析采用的方法以及收集和分析的数据类型，我们可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。定性分析的目的是深入了解某种现象的根本原因和诱因。非结构化数据通常是从少数非代表性案例中收集而来，并进行了非统计性分析。定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指通过统计、数学或者计算的方式对现象进行系统的实证研究。通常情况下，结构化数据是从大量典型案例中收集而来，并进行统计分析。

为了服务于研究者的不同研究目的，存在以下几种类型的分析：

*统计学：收集、整理、分析、说明和呈现数据的学科；

*预测：根据已有数据，预测一下一些感兴趣的变量在未来某个特定的时间点的情况；

*数据挖掘：通常使用算法和统计技术，自动或半自动地提取大量数据中未知的有趣模式；

*文字挖掘：用类似数据挖掘的方式从文本中得模式和趋势的过程；

*优化：在同时满足约束条件的情况下，按照某些标准利用数学方法来寻找最优的解决方案；

*实验设计：给各组随机分配被试。然后使用测试组和对照组来推导出特定结果中存在的因果关系。

虽然此处给出了一些列常用的分析方法，但在使用过程中会不可避免地出现相当大的重叠。例如，回归分析（regression analysis）是预测分析中最常用的方法，与此同时，他也是统计学、预测和数据挖掘中常用的方法。此外，时间序列分析（time seties analysis）是用于分析数据随时间变化的一种具体统计方法、在统计学和预测中经常被用到。

微信公众号发展至今，整体的产业已趋向成熟，市场对其运营框架也有了大致的共识，基本上可分为：内容运营、活动运营、用户运营，以及渠道运营和数据运营等几大模块。每个不同的运营模块，它们各自独立，同时又相互地影响。

本文侧重于对运营初学者来说，提供一套简易、有效的数据运营方法论。在开展数据运营工作之前，我们首先得了解数据在整个公众号运营工作中，究竟充当着什么样的角色？

我认为：“数据是运营的基础，就像一条绳索，贯穿整个运营工作。它既是运营KPI考核的直接呈现方式，同时也是运营方向的理论支撑点”

在新媒体的数据运营中，数据分析是至关重要的步骤，而数据分析有大概九类方法，你们知道吗？今天小天就来带大家了解一下这些干货吧！

数据分析的九类方法：直接评判法 — 对比分析法 — 结构分析法 — 分组分析法 — 平均分析法 — 矩阵分析法 — 漏斗图分析法 — 雷达图分析法 — 回归分析法

1.直接评判法

直接评判法即根据经验直接判断数据的好坏并给予评判，通常用于内部过往运营状况评估，如评估近期阅读量是否过低，评判近期销售量是否异常，评估当日文章推送量是否正常。

直接评判法有两个必要的条件：一是运营者有一定的新媒体运营经验，能够对跳出率，阅读量等有正确的评估；二是经过加工处理的数据足够直观，可以直接代表某项数据的优缺点。

2.对比分析法

对比分析法，是将两个或两个以上的数据进行对比，分析差异进而揭示这些数据所代表的规律。

对比分析法包括横向比较及纵向比较。横向比较即同一时间下不同总体指标的对比，如今日头条同领域作者文章阅读量对比，粉丝数对比等；纵向比较不同时间条件下同一总体指标的对比，如本月文章阅读量与上月阅读量进行对比，本月粉丝增长数与上月增长数进行对比等。

通过对比分析，可以直接观察到目前的运营水平，一方面找到当前已经处于优秀水平的方面，后续予以保持；另一方面及时发现当前的薄弱环节，重点突破。

3.分组分析法

分组分析法是指通过一定的指标，将对象统计分组并计算和分析，以便于深入了解所要分析对象的不同特征，性质及相互关系的方法。

分组分析法遵循相互独立，完全穷尽的枚举分析法原则。所谓相互独立，即分组之间不能有交叉，组别之间具有明显的差异性，每个数据只能归属于某一组；所谓完全穷尽，即分组中不要遗漏任何数据，保持完整性，各组的空间足以容纳总体的所有数据。

4.结构分析法

结构分析法是在统计分组的基础上，将组内数据与总体数据之间进行对比的分析方法。结构分析法分析各组部分占总体的比例，属于相对指标。

例如，新媒体运营团队可以统计粉丝所在的地域分布，统计出各个地方粉丝的占比情况，此情景便属于结构分析法。

5.平均分析法

例如，在分析今日头条的文章阅读量时，借助Excel导出的数据可以快速找到阅读量大于平均值的文章，接下来可以继续挖掘这些文章的标题，排版，配图等规律，便于后续内容质量的提升。

6.矩阵分析法

矩阵分析法是一种定量分析问题的方法，它是指以数据两个重要指标作为分析依据，并将这两个指标作为横，纵坐标轴，构成四个象限，从而找出解决问题的办法，为运营者提供数据参考。

例如，某餐饮企业的大众点评评价分析，可以借助四个象限“紧急且重要，重要但不紧急，紧急但不重要，不紧急也不重要”进行矩阵分析，并重点处理“紧急且重要”的事项。

7.漏斗图分析法

漏斗图分析法因展现形式如漏斗，故而得名。漏斗图可以对文章阅读量，产品购买量等情况进行逐层分析，展示整个关键路径中每步的转化情况。

重要强调的是，单一的漏斗图难以衡量各个环节的好坏，运营者可以结合本节介绍的“对比分析法”，对同一环节不同时间对比，评估运营效果。

8.雷达图分析法

雷达图常用于指数分析，即通过对新媒体账号的内容质量，领域专注等不同维度的计算而得出的客观评分结果。分数越高，代表账号的质量越好。可以利用雷达图进行分析的指数，包括今日头条指数，大鱼号星级指数，百家号指数等。

9.回归分析法

回归分析法是通过研究事物发展变化的因果关系来预测事物发展走向，它是研究变量间相互关系的一种定量预测方法，又称回归模型预测法或因果法。

例如，将今日头条粉丝数据导出到Excel表格，对累计粉丝数进行一元线性分析，就可以尝试预测某个时间的粉丝量。

大数据分析，是互联网从业者必须具备的一项基础技能，只有掌握数据分析，做项目才能更科学化、对于项目的预判，能够更准确的把握。今天分享的这些数据分析工具，是我们分析项目经常用的工具，毫无保留的分享给大家，希望大家在操作项目的过程中熟练的使用这些工具。 定能够让你在网赚道路上无往不胜。1、百度指数第一款必备工具。百度指数，我们在查询某一些关键词的时候，首要考虑的就是百度的数据如何，因为百度这个搜索引擎在互联网搜索引擎中占据的份额最大，数据精准度高。检索的很多关键词以及一些热点词的数据对比，都能直观展现出来，通过人群、年龄、性别、兴趣爱好、地域等更为详细的信息，方便我们做出更理智的判断。

2、微指数我们在查询一些关键词的时候，要分析社交数据。对于产品传播非常重要，通过调查数据，我们知道如何把握住当今热点，让产品蹭热度飞一会，是很多商家考虑的问题。新浪微博旗下产品微指数，可以很容易帮我们把控热点关键词。让我们清楚地看到近七天趋势如何，及时对产品做出调整。

3、阿里指数我们在操作某宝店铺项目的时候，需要分析更多的数据，来确定标题内容如何定位优化，用户检索更为简单，如何蹭热点关键词飞上那么一会儿，如何引爆流量做核心爆款。这个跟成交量有非常大的关键，哪类行业有哪些关键词在搜索时上升幅度比较快，很有潜力，知道这些信息后，我们都需要提早的布局。等相关的关键词上升到一定幅度时，我们恰好出现在热点上，在用户检索时很容易爆单。这个数据分析工具是中小卖家逆袭的机会。一定要好好研究。

4、腾讯指数BAT三大巨头，柒点哥介绍两家了，怎么可能缺少 TX 指数，TX 旗下的各类产品琳琅满目，自然对数据掌握的精准程度不是一般企业可以比拟的。算得上行业顶尖了。但是目前为止使用腾讯指数分析的用户实在少之又少，大部分人不知道这个功能，今天柒点哥告诉大家，腾讯确实有指数分析的功能。而且可以从九大品类开始分析数据，可以说是一款很强大的运营工具。

5、爱站网爱站网：是一个综合性的数据分析平台。我平常都在用这个网站分析一些网站相关的信息，比如，网站收录状况，PR值，域名信息，友情链接等一些数据。但是最长用的一个功能就是长尾关键词发掘。这项功能有助于我们通过主关键词，发掘带流量的附属关键词的状况，类似于百度推广后台的数据分析。非常不错的免费工具，大家以后可以常用。

6、QQ指数QQ指数是一款基于QQ平台用户数据分析的移动端指数类产品，定位于洞察QQ平台上年轻人最新、最热、最关注的社交内容，通过分析QQ平台上用户公开发表的说说、评论及搜索、浏览等行为数据，发现年轻人的热点趋势及舆论风向，透过QQ指数可以快速掌握年轻人的兴趣喜好和行为习惯等信息。作为T讯旗下最为核心的产品，对于我们互联网人士来讲，把它称为流量的天堂，只要随便找一个平台来操作产品，坚持一段时间都能暴富的。所以研究T讯系的核心产品，离不开QQ指数这个工具，对于我们把控QQ流量热点的趋势有很好的帮助，是非常重要的营销利器。

QQ指数官方账号：qq搜索框搜索 QQ指数，关注公众号即可查询，主要是带认证图标的那个。7、微信指数微信指数是微信官方提供的基于微信大数据分析的移动端指数。2017年3月23日晚，微信官方推出了“微信指数”功能。作为T讯旗下，第二个核心产品，微信可以说是后来者居上，各种苗头都表明要赶超QQ的趋势，对于我们互联网人士来讲，这是最好的变现渠道。因为很多网赚项目，最后结款的地方都是在微信端成交的。所以我们非常有必要来分析他的数据，基于微信推出了这一功能，让我们省了很多分析微信数据的时间。

微信指数官方渠道：小程序搜索微信指数8、安卓权重榜我们操作的一些项目，免不了在APP上操作，但是这个平台流量如何，以及人群属性，都很难预估。但是我们又必须了解数据才能够伸缩有度，所以我常用的这款APP数据软件，就能够给我带来客观的数据。

9、新榜以榜单为切口，新榜向众多500强企业、政府机构提供线上、线下数据产品服务，“号内搜”、“新榜认证”、“分钟级监测”获得广泛应用。在协同内容创业者商业化方面，新榜依托数据挖掘分析能力，建立用户画像和效果监测系统，连接品牌广告主和品牌自媒体。作为公众号的运营者，我特别注重公众号的分析，以及项目渠道的发掘。新榜作为专业的内容数据提供商，我是经常会使用他来分析数据，查看某些公众号潜力，随时观察它的盈利模式以及动向。

10、梅花网作为互联网人士，写文章投放广告，是我经常要做的事情，但是如何让广告的每一分钱都花到潜在客户身上，是我经常要考虑的。如何知道同行在哪里投放广告，也是我所关心的，梅花网是广告监测比较专业的网站，我经常用来分析广告数据，在这里推荐给大家。

总结：以上的十个工具呢，就是我经常用到的数据分析工具。我认为这是每一个互联网从业者都具备的基本功，用好数据分析，操作项目更加的事半功倍。但是用的时候不能太死板，可以结合起来相互用。实干派动手做，花架子空叹息，让技术为你工作。赚钱的玩法很多，只有思路够宽，你才能走的更远。没赚到钱，并不是文章干货不够，而是你懂得太少了。 保持空杯心态，永远在进步。

数据分析：新赛季，詹姆斯得分能超过诺维茨基、张伯伦和乔丹吗？

自从2003年勒布朗-詹姆斯进入NBA以来，他一直引领着联盟的风暴和浪潮。时至今日，詹姆斯在得分方面与伟大的传奇球星诺维茨基、张伯伦和乔丹又进了一步。于是，有一个问题的答案就需要我们去预测：2018-19赛季结束后，詹姆斯的历史得分能否超过诺维茨基、张伯伦和乔丹，从而在NBA历史得分榜上一跃成为第四名呢？今天，健篮球用数据帮各位分析一下，各位请往下看。

预测这个问题的答案就要先了解一下詹姆斯目前在历史得分榜上的地位。众所周知，1976年，ABA被美国NBA吞并，这标志着NBA对美国篮球业完成垄断。我把NBA这两个阶段的历史得分榜都找了出来，以求对各大球星有一个公平的评判。很巧的是，无论提及哪个阶段的NBA，历史得分榜的前七名都是一样的。所以，可以这样说，NBA历史得分榜的前七名是毫无争议的：贾巴尔38387分，排名第一；卡尔-马龙36928分，第二；科比33643分，第三；乔丹32292分，第四；张伯伦31419分，第五；诺维茨基31187分，第六；詹姆斯31038分，第七。

2018-19赛季是詹姆斯在NBA的第16个赛季，他以31038分位列历史得分榜第七位。那么，如果他想超过摆在他面前的“三座大山”，即诺维茨基、张伯伦和乔丹得拿到多少分？从上图中，我们通过简单计算就可以得知，詹姆斯与诺维茨基差149分，与张伯伦差381分，与乔丹差1254分。于是，问题也就来了，詹姆斯想在新赛季得到至少1255分（刚好超乔丹）的概率有多大？

其实，想回答这个问题并不难。詹姆斯在过去15个赛季，他的场均数据为27.2分7.4篮板7.2助攻，投篮命中率高达50.4%，PER值高达27.7。如果他在新赛季保持职业生涯的评价水准，咱们用27.2乘以82得出结果：2230分。哪位说了，詹姆斯打了15个赛季，只有上个赛季是满勤。好，咱们再假设詹姆斯休息5到10场，即便这样的话，詹姆斯还是有1900分左右的贡献。

另外，从詹姆斯单赛季得分的历史情况来总结的话，他在新秀赛季“仅仅”得到了1654分，是其目前职业生涯单赛季得分最低分。即便在2011-12这样的缩水赛季，詹姆斯还得到了1683分，那个赛季他一共打了62场常规赛。所以，如果詹姆斯没有出现伤病隐患的话，他在2018-19赛季得到至少1255分应该是大概率事件。

当然，难免有较真的球迷：张伯伦和乔丹早就退役了，但是人家诺维茨基可还是现役球员呢！詹姆斯会得分，诺天王就不得分了？有道理！但是身穿41号球衣的诺维茨基已经过了40岁的生日，他的竞技状态处于下滑模式。数据为证：上个赛季，39岁的诺维茨基一共打了77场常规赛，总共得到927分。我们假设诺维斯基在2018-19赛季继续保持上个赛季的状态，詹姆斯依然有能力超越诺维茨基。所以，诺维茨基应该能超过张伯伦，毕竟只有232分的分差，想要超乔丹，1105分的差距应该是有难度的。于是，我得出我的预测结论：2018-19赛季结束的时候，詹姆斯会排在历史得分榜第4位，第5是乔丹，第6是诺维茨基，第7是张伯伦。

哪位又问了：詹姆斯有可能超过科比，位列历史得分榜第3吗？我的回答是：不太可能。詹姆斯在2005-06赛季拿到了目前职业生涯单赛季的得分纪录：2478分。他与科比目前的差距为2605分。

前言近期阿里云重磅推出新的数据分析引擎Data Lake Analytics，Data Lake Analytics是Serverless化的交互式联邦查询服务。无需ETL，使用标准SQL即可分析与集成对象存储(OSS)、数据库(PostgreSQL/MySQL/SQL Server等)、NoSQL(TableStore等)数据源的数据。本文将重点剖析Data Lake Analytics的出现，给传统数据分析带来了哪些变革。

极大的降低运行成本传统解决方案里，做数据分析，需要先购买一些分析节点实例（计算和存储一体化），无论是计算还是存储任何一方先到达瓶颈，都要线性的扩服务器资源，分析任务空闲的时候，计算资源的成本依旧需要承担。Data Lake Analytics是基于Serverless架构的数据分析引擎，意味着客户使用分析服务无需购买或者管理服务器，升级透明，Data Lake Analytics基于ECS轻松做到弹性伸缩服务。能让业务真正做到按需扩存储，按使用量付费分析，不分析只需要拥有存储成本，整个方案成本极低。

数据分析架构更加灵活无论是自建Hadoop、开源的Greenplum等方案，存储和计算成本都是一体化的。选择了这些大数据分析技术后，存储和计算的方案都是固化的。而Data Lake Analytics的出现，则打破了这一架构局限性，使得数据分析方案更加灵活。客户可以选择将海量的KV查询的数据存储TableStore中，Data Lake Analytics可以高速的查询处理TableStore中的数据。可以将业务流水数据存储在关系型数据库（MySQL、SQL Server、PostgreSQL）中，Data Lake Analytics可以对上述数据存储就地分析，赋予了上述数据库复杂的查询能力。用户可以将日志或者归档数据存储在OSS中，使用Data Lake Analytics快速的分析处理OSS中的数据。在对于云上中小企业来说，可以结合业务的特点选择最廉价的存储搭配最普惠灵活的的分析能力，同时Data Lake Analytics还可以很好的将上述众多数据源做联邦查询。

ETL搬数据时代结束以往数据分析，需要将各路数据源(关系型数据库、日志、NoSQL等)，按照天或者小时级别做抽取，汇总到数据仓库中做数据关联处理。Data Lake Analytics设计之初天然具有联邦分析能力，使得客户的数据不再需要搬迁至数据仓库汇总分析，而是就地分析。同时还能很好的跨异构数据源做关联分析、回流至关系型数据库或者OLAP引擎。

分析时效性大幅提升传统数仓，无论是H+1 还是T+1方案，由于数据同步周期长，架构链路长，导致时效性很差。Data Lake Analytics的多数据源联邦查询处理能力，避免了数据搬迁的同时，大大提升了数据处理的时效性，同时由于缩短了采集、存储、计算的链路，方案运行更加稳定。

总结 传统数据分析的抽取-装载-转换-回流的架构支撑了数据仓库多年的发展，而Data Lake Analytics的出现，给传统数据分析架构带来革新的同时，也赋予了云上目前OSS、TableStore、关系型数据库(PostgreSQL/MySQL/SQL Server等)存储强大的OLAP分析能力。对于云上中小企业来说，可以选择用最廉价、最适合业务场景的存储，来搭配最普惠灵活的的分析能力。

阿里云Data Lake Analytics正是最普惠灵活的分析能力的实践者，目前公测期间免费试用，欢迎大家前来体验。

Data Lake Analytics产品详情：https://aliyun/product/datalakeanalytics了解更多大数据家族产品详情，欢迎点击：https://et.aliyun/bigdatarelease点击观看大数据家族产品发布会：https://yq.aliyun/webinar/play/508【阿里云新品发布】开启新一代数据智能开发之路：https://yq.aliyun/roundtable/325525

在我过去的博客文章中，我们已经介绍了数据分析的一些基本原理和陷阱。在这篇博文中，我们专注于数据科学中会遇到的四种数据分析：描述性分析，诊断性分析，预测性分析和规范性分析。

当我与刚刚进入数据科学世界的年轻分析师相遇时，我经常会问他们 “你认为数据科学家最重要的技能是什么？”。他们的答案是非常多样。

我对他们的回馈是：数据科学家最重要的技能应该是将数据转化为非定量的、清晰的、有意义的见解的能力。瑞典统计学家汉斯·罗斯林（Hans Rosling）为此而闻名。这是一个经常被忽视的技能。

围绕今天主题，非常有必要为大家详细介绍一些帮助个人如何使用分析相关的知识提炼出有价值的见解的工具。其中的一款工具就是四维范式分析。

简单地，可以将数据分析分类成四个主要类型。下面我将会详细介绍里面的细节。

一、描述性分析：发生了什么？

这是所有形式中最常见的。在业务中，它为分析人员提供了业务中关键指标和措施的视图。

例如公司每月的收支表。类似地，分析师可以获得大量客户的数据。了解客户的人口统计信息（例如我们的客户的30％是个体经营者）将被归类为“描述性分析”，利用有效的可视化工具可以增强描述性分析的信息。

二、诊断性分析：为什么发生？

这是数据分析的复杂性的下一步是诊断性分析。在对描述性数据进行评估时，诊断分析工具将使分析师能够深入到细分的数据，从而隔离出问题的根本原因。

精心设计的商业信息（BI）仪表板包含读取时间序列数据（即多个连续时间点的数据），并具有过滤器和钻取能力，可进行此类分析。

三、预测性分析：将发生什么？

预测分析是关于预测的。无论是将来发生事件的可能性，预测可量化的数量还是估计可能发生事件的时间点。这些都是通过预测模型完成的。

预测模型通常利用各种可变数据进行预测。组件数据的变异性将与可能预测的关系（例如，一个较老的人，他们对心脏病发作的敏感程度越高 - 我们会说年龄与心脏病发作风险呈线性相关），然后将这些数据一起编译成分数或预测。

在一个很大的不确定性的世界中，能够预测能够做出更好的决定。预测模型是许多领域中最重要的一些模型。

这是预测中需要避开的坑：http://insights.principa.co.za/the-top-predictive-analytics-pitfalls-to-avoid

四、规范性分析：需要做什么？

在价值和复杂性方面的下一步是规范性模式。规范模型利用对发生的事情的理解，为什么发生了这种情况以及各种“可能发生的”分析，以帮助用户确定采取的最佳行动方案。规定性分析通常不仅仅是一个单独的行动，而且实际上是其他一些行动。

一个很好的例子是一个交通应用程序，帮助您选择最佳路线回家，并考虑每个路线的距离，每个路上可以行驶的速度，以及当前的交通限制。

另一个例子可能是制作考试时间表，使得各个班级的学生没有冲突的时间表。

总结

虽然不同形式的分析可能为企业提供不同数量的价值，但它们都具有自己的位置。

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。

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。

寤寐，Kyligence 资深解决方案架构师，十数年IT行业从业经验，在金融、电信领域拥有丰富的大数据实施及咨询经验。

随着金融机构对数据依赖的增强，对数据分析师的需求也越来越大，拥有和维护一支庞大的专业分析师或者专业数据科学家团队已经是一件不可能的任务。在这样的背景下，平民数据分析师（Citizen data scientists）应运而生。

当前国内外金融机构都已经组建了符合自身业务和特点的数据分析师团队，进行跨业务、跨系统之间的相互协同，推动大数据深入应用。金融机构数据分析师团队作为对数据的拥有者和应用者，也在对自身不断思考，转型和前进。

在过去，分析师团队在金融机构内部属于高大上的专业团队。要求对数字具有极强的敏感性，具备统计知识，市场研究，模型原理等专业知识，同时需要有很强的业务理解能力和对商业的敏感性，汇报和图表展现能力也需要很强。但随着金融机构对数据依赖的增强，对数据分析师的需求也越来越大，拥有和维护一支庞大的专业分析师或者专业数据科学家团队已经是一件不可能的任务。

平民数据分析师（Citizen data scientists）应运而生

一

什么是平民数据分析师

Gartner 研究分析师 Alexander Linden 是这样描述的：

citizen data scientists as "people on the business side that may have some data skills, possibly from a math or even social science degree — and putting them to work exploring and analyzing data."

也就是说，平民数据分析师不需要具备专业数据科学家的专业知识和对金融机构（如银行）全局业务和数据的理解，只需熟悉某一业务领域，具备可运用大数据工具进行简单建模，分析和展现的能力。

二

为什么需要平民数据分析师

根据2017年领英发布的《2016年中国互联网最热职位人才报告》，数据科学家需求强烈，排在前6名。 而数据科学家的供给指数最低，仅为0.05，属于高度稀缺。同时，数据科学家成本昂贵。

硅谷入门级的数据科学家的平均年薪已经达到11万美元，行业年薪在全球已经达到1.4万美元~24万美元之间。

一方面数据科学家价格昂贵、人才供应不足，很难找到；另一方面，平民数据分析师广泛存在的企业中，并且具备一定的分析技能，让他们承担大数据分析工作可以有效的解决人才供应以及成本的问题。同时，平民数据分析师对于业务和企业实的际情况也更加熟悉，他们参与到数据分析的过程中，可实现业务与技术的完美结合，更好更充分地发挥大数据的价值。

根据Gartner的分析，‘Strategic Planning Assumptions By 2020, due largely to the automation of data science tasks, citizen data scientists will surpass data scientists in terms of the amount of advanced analysis they produce and the value derived from it’（Gartner ID: G00326012）。

同时预计到2020年，超过40%的数据分析都将会实现自动化。自动化数据分析和平民数据分析师在未来将会得到广泛应用。

那么平民数据分析师到底价值何在？

三

平民数据分析师的价值

01

给业务团队提供方向：

对大部分实时分析，业务团队往往只有在看到最终生成报表和分析报告之后，才能知道这是否是他们所期待的结果；但矛盾的地方在于，传统报表和分析流程需要业务人员将他们所期待的维度和相应指标等信息提前告知分析师。但现在，通过数据分析平民化的形式，报表与分析的能力可以从专业分析师团队，下沉到最接近业务团队的地方，真正做到快速响应、满足业务团队不断变化的需求。

02

提供个性化的业务分析服务：

不同地区、分支机构、部门所希望的报表、分析报告及要求都是不同的，这些要求如果都通过总部专业分析师团队去完成，那么受限于人力、精力及海量的数据规模，这些需求是很难一一得到满足的。但这对于庞大的平民数据分析师团队而言会简单很多，他们可以较好地满足需求方提出的个性化业务分析服务。

03

更贴近业务，快速满足业务要求：

平民分析师就在业务身边，同时有一部分平民分析师本身就是业务人员，是最理解业务的一批人，由他们来响应分析需求，可以又快又好地满足业务团队的分析需求。

四

平民分析场景解决方案

目前国内金融机构，如工商银行，建设银行，招商银行，太平洋保险都已经逐步建立起平民分析师团队。

以工商银行为例，目前，工商银行在总行、一级以及二级分行都已经建立了数据分析师团队，为全行数据挖掘提供标准模型、平台和相关支持；同时，在客户营销、运营以及风险管理、经营管理等部门培养专业分析师，进行相关专业领域的模型研究和分析挖掘工作。

不同平民数据分析师来自不同地域、不同机构和不同部门，需要对众多纷繁各异的场景进行建模和分析。随地域，时间，业务，聚合条件等因素的不同，相应需要分析的维度和指标组合也是多样化的；随数据类型的多样化及大数据时代数据量的快读增加，传统数据分析平台已经很难满足平民数据分析师在新时代下对数据分析的大数据，多样化，高效率的需求。

Kyligence 领先的智能大数据分析平台Kyligence analysis platform （简称KAP），利用自身产品特点，很好地满足了平民分析场景需求。

五

KAP满足平民分析场景需求

01

自动化

KAP提供了AI自动建模能力，可以自动、智能地对根据查询创建模型和Cube，同时减少人为对数据层进行优化的需要，大大降低了系统优化方面的工作量和技术门槛。

使用KAP将极大地降低分析人员和底层运维人员的技术门槛，总部信息部门只要把底层的数据准备好，同时做好权限方面的管理配置，就可以很方便地开放给企业内外部来消费数据，帮助企业来应对“数据分析平民化”的趋势。

02

高效

通过对查询和分析的指标进行预计算，基于Kyligence解决方案可秒级低延迟快速响应，提供业务团队想要的数据。

相对于传统的基于数据仓库的解决方案，KAP 具有很大优势。KAP 的多维度分析支持能力使得平民分析师可以在所有常用的分析视角里随意组合进行分析，并且具有很好的分析效率，这就使得任意一个平民分析师甚至业务人员都可以来进行数据分析和数据探索，大大降低了数据分析的门槛。

在业务数据量日益井喷的今天和未来，大数据管理的低门槛将是终极方向，数据分析平民化管理对于金融机构的技术人员甚至是业务人员来说越来越密不可分，使金融机构每一层都能更快捷地进行决策管理，提高 KPI，实现真正的未雨绸缪……

关于 Kyligence

Kyligence 由首个来自中国的 Apache 软件基金会顶级开源项目 Apache Kylin 核心团队组建，是专注于大数据分析领域创新的数据科技公司。Kyligence 提供基于 Apache Kylin 的企业级大数据智能分析产品 Kyligence Enterprise，以及基于公有云的托管式 Kylin 在线服务 Kyligence Cloud。目前，Kyligence 已赢得了海内外多家金融、保险、证券、电信、制造、零售、广告等企业级客户。

关于 KAP

Kyligence Analytics Platform大数据智能分析平台（简称 KAP）是基于Apache Kylin的企业级软件产品，在超大数据集上提供亚秒级分析的能力，同时为业务用户、分析师及工程师提供简便、快捷的大数据分析服务，拥有超高性能、免编程开发，多协议支持、非侵入式部署等突出优点，并且 KAP 在企业用户所关注的应用场景丰富、实施效率、安全可控、存储效率、性能优化、自助式敏捷BI、系统监控等方面进行了全方位的完善和创新，是目前业界领先的大数据智能分析平台解决方案。

您可能还会想看

首站 | Kyligence 全国合作伙伴招募大会北京起航

Kyligence Analytics Platform Plus 上线微软 Azure 云市场

Kyligence入驻青云AppCenter，助力云上大数据分析

Kyligence Cloud 支持 AWS 中国（宁夏）区域

合作持续深入，Kyligence 成为华为认证“解决方案伙伴”

Kyligence 认证帆软旗下产品，认证体系再添新成员

微软 Azure 降价，使用 Kyligence Cloud 成本下降超过50%