【第一周：数据分析思维】7周成为数据分析师

本课程共七个章节，课程地址：7周成为数据分析师（完结）_哔哩哔哩_bilibili

数据分析思维
业务知识
Excel
数据可视化
SQL
统计学
Python

前言：数据分析的结构层次（P1-P2）

第一周：数据分析思维（P3-P14）

一、数据分析的三种核心思维

（一）结构化（金字塔思维）

（二）公式化（量化一切）

（三）业务化

（四）总结

二、数据分析的思维技巧

（一）象限法

（二）多维法

（三）假设法

（四）指数法

（五）二八法（帕累托法）

（六）对比法

（七）漏斗法

三、如何在业务时间锻炼数据分析思维

数据分析是一门交叉领域的学科。分析师们既可以用Excel完成一份最基础的数据报告，也能用Python深入挖掘。真正决定数据分析师上限的是其能力，而不是工具

前言：数据分析的结构层次（P1-P2）

1. 底层数据的收集/产品端收集（用户行为 — 原始数据）

数据采集简称埋点，收集用户在网页端、产品端、客户端等终端的数据，也包括第三方外部数据

2. 数据业务化/产品需要什么样的数据（原始数据 — 加工数据）

将收集的数据转换成可理解、可量化、可观察的业务指标。单纯的数据没有意义，只有和业务结合才能发挥价值

3. 数据可视化/产品的表现如何（加工数据 — 可视化数据/信息）

有了数据指标，必须管理好指标。数据分析体系即数据指标体系，指标需要监控和衡量

4. 数据决策和执行/怎么让产品更好（可视化数据/信息 — 数据决策）

当从数据中获得了洞察，就需要把洞察转换成策略，这也是包含分析的过程。执行既包含策略的制定，也包括优化和改进，这是持续的

5. 数据模型/产品开始自动化和系统化的运营（数据决策 — 数据产品/应用）

这是将策略制作成数据应用和产品，当洞察到数据中蕴含的规律，什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试把这些做成系统

6. 数据战略/指导未来（数据工具 — 数据体系/战略）

当积累了大量的数据、模型、数据应用时，公司级的数据体系已经具备雏形。它不只是数据分析，而是应该将数据变现

CRM：Customer Relationship Management
CMS：Content Management System
DW：Data Warehouse

Excel+统计学：分析工具库

SQL+Python：PyMySQL

可视化+Python：Matplotlib

可视化+SQL+Python：Superset

第一周：数据分析思维（P3-P14）

数据分析的三种核心思维
数据分析的思维技巧
如何在业务时间锻炼数据分析思维

一、数据分析的三种核心思维（一）结构化（金字塔思维）

例：现在有一个线下销售的产品，发现8月的销售额度下降，和去年同比下降了20%。先观察时间趋势下的波动，看是突然暴跌，还是逐渐下降；再按照不同地区的数据看一下差异，有没有地区性的因素影响；问销售员，看一下现在的市场环境怎么样；听说有几家竞争对手也缩水了，看一下是不是这个原因；还要做顾客访谈

结构化就是层层递进和拆解。将分析思维结构化，即将论点归纳和整理、递进和拆解、完善和补充

思维导图（个人）/结构卡片（团队头脑风暴）

（二）公式化（量化一切）

销售额 = 销量*客单价
销量 = 人均销量*购买人数
客单价 = 原价*折扣率
利润 = 销售额收益－成本
销售额不是单一的维度，是多个商品/SKU（类目）的总和
地区的销量是不同线下渠道的累加
购买人数 = 新客+老客

不同类别的业务叠加可以用加法
减法常用来计算业务间的逻辑关系
乘法和除法是各种比例或者比率

（三）业务化

如何预估上海地区的共享单车投放量？

从城市流动人口计算：每天通行人数
从人口密度计算：不同市区
从城市交通数据计算：地铁站点、交通枢纽
从保有自行车计算：公开数据
单车是有损耗的，计算公式中应该考虑单车的消耗因素

你的分析贴不贴合业务？

有没有从业务方的角度思考
真的分析出原因了吗
能不能将分析结果落地

结构化思考+公式化拆解 —— 现象（某个结果的体现，不代表原因）

业务化 —— 原因

（四）总结

二、数据分析的思维技巧（一）象限法

RFM 8个象限

核心：策略驱动
优点：对数据进行人工划分，划分结果可以直接应用于策略
应用：适用范围广
须知：象限划分可以按中位数、平均数，或经验

（二）多维法

把销量分为三大维度：品类、时间、地区，共27块

缺点：辛普森悖论（如何规避？钻取：将维度细分）

核心：精细驱动
优点：处理大数据量、维度丰富且复杂的数据有较好的效果。但是维度过多会消耗不少时间
应用：数据齐全且丰富均可
须知：对不同维度进行交叉分析时，要注意辛普森悖论

（三）假设法

很多时候，数据分析是没有可明确参考的，比如新进入一个市场、公司开拓某样产品、老板让你预测一年后的销量，或者产品的数据基础非常糟糕，拿不到数据

例1：公司在节日进行了一次营销活动，APP上的销量数据整体比上周上升了20%。因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒。现在的问题是，销量本身就有可能因为节日而提高，那怎么证明活动是有效或无效的呢？

假设活动是有效的，那么会有一定数量的用户购买（如果能证明这条，那么我们有理由相信活动是有效的）。用户通过活动购买商品，会发生什么可观测的行为呢？假设有一些用户会评论留言，那么可以统计提及活动的字眼；当用户提及了这次营销活动，接下来的问题是，有效了多少？假设参与活动的用户行为没有变化，那么通过历史数据的用户评论占比，反推购买人数

例2：你是自营电商的数据分析师，现在想商品提价后，收入会不会有变化，你会怎么做？

假设商品提价后，销量一定会下跌，问题是销量下跌多少？首先假设流量不会有变化，流量和营销渠道正相关，商品价格影响转化率，那么现在确定转化率的波动。找出平时的转化率（譬如20%），预估提价后的转化率变化。假设各类型用户对价格敏感度不同，那么将用户划分忠诚、普通、羊毛... 不同用户层次数量不同，反应不同。忠诚用户转化率变化极低，羊毛几乎不会转化... 这些数据可以凭借经验做出假设，最后汇总

核心：启发思考驱动
优点：当没有直观数据或线索能分析时，以假设先行的方式进行推断，这是一个论证的过程
应用：更多是一种思考方式，假设—验证—判断
须知：可以假设前提、概率、比例等，一切都能假设

（四）指数法

很多时候我们有数据，但不知道怎么应用，就是因为缺乏了一个有效性的方向，这个方向可以称为目标指数。通过将数据加工成指数，达到聚焦的目的

1. 线性加权：w1*用户忠诚度 + w2*用户贡献金额 + w3*用户社交推广 = 用户价值

2. 反比例：有用户7-9三个月的消费次数（分别记为x1、x2、x3），计算用户的忠诚指数y

y = (1-1/x1) + (1-1/x2) + (1-1/x3) 达到一种收敛的效果
y = w1*(1-1/x1) + w2*(1-1/x2) + w3*(1-1/x3) 若认为9月的消费次数更重要（更接近当前时间），可以结合线性加权
y = 1-k/x 当k>1时，可以减缓它的收敛速度
y = x1/ (x1+1) 消费1次即为0.5，给了很大的跃迁

3. log：有文章发布时间、UV（Unique Visitor，不计重复的访客数。可以通过标题党来提高）、评论，计算文章的热度

UV+评论+时间热度衰减
时间热度衰减：设立一个初始时间（如平台启动时间、文章最早发布时间），拿文章发布时间－初始时间，再除以一个常数（如10），即得到时间热度，数值越大，说明离现在的时间越近，时间热度越高
热度：log(w1*UV+w2*评论) 加了log后，哪怕有水军使UV和评论特别高，热度也不会很夸张
最终结果 = 热度+时间热度衰减

反比例是为了让数据收敛到0-1，log是为了让数据减小