数据分析该掌握的 4 板斧，常用的“套路”也要会！

Posted 2021-04-27 网舟科技

「数据分析」是当下较为热门的岗位之一，对此我是深有体会。

05 年上大学的时候，统计学专业无人问津，全班 30 多号人只有 2 人第一自愿录取，其他都是调剂过来。

等到 09 年本科毕业，统计学专业同学很少从事数据分析工作，能找到的工作更多集中在传统证券、银行等和数据稍微搭点边的综合岗位，数据分析深度和广度有限，多年后，和很多人聊起觉得价值感不强。

12 年硕士研究生毕业，互联网公司已经风生水起，除了三强 BAT 之外，也诞生出很多互联网新业态，比如 O2O、共享经济、互联网金融等，明显感觉「数据分析」岗位招聘多了起来，招聘专业要求中也渐渐多了统计学身影。

后面的故事大家就知道了，移动互联网、大数据、深度学习概念满天飞，「数据分析」岗位自然也成为各公司必选项。

大趋势下，未来很长一段时间「数据分析」岗依然会有市场，数据应用场景和边界不断外延，除了互联网、科技类公司，传统企业升级转型，拥抱互联网过程中，对数据人才的需求也极速增加。

要做一名优秀数据分析师，首先对数据分析岗位有基本的概念；其次，要明白数据分析中有哪些套路和方法，如此，才能举一反三，才能在不同场景数据分析间切换自如。顺着这几点，我们来讲讲。

逃不掉的“四要素”

任何数据分析过程都包括四大要素：场景+数据+工具+方法。

数据分析起点必须来源于某个场景下的需求，根据需求目标（场景），搭建分析框架（方法），提取需要的数据指标（数据），用适合的工具实现，最后提炼结论，给出建议或策略。

1

场    景

移动互联网化+传统企业转型触网使数据获取难度大大降低，云存储和云计算使存储和计算成本降低，人工智能和商业智能使数据价值凸显，各方因素也让越来越多企业愿意花大钱于数据基础建设，由此，数据分析场景也愈发丰富。

从行业来看，主要有互联网、移动互联网、金融、汽车、房地产和供应链等。

每个行业具体业务场景也会不同，比如同样是互联网，可以分为游戏、社交、电商、安全、新零售、娱乐、外卖、航旅、共享经济、搜索、人工智能.....

应用场景和边界不断扩展，不同场景分析套路和重点也不完全相同。但有一点，场景越丰富，数据分析岗越有必要和价值，思路和想象也可无限扩展。

2

数    据

百科定义：数据指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。

它不仅指狭义上的数字，还可以是具有一定意义的文字、字母、数字符号的组合、图形、图像、视频、音频等，也是客观事物的属性、数量、位置及其相互关系的抽象表示。

数据特征：变异性和规律性，变异性是指不同事件量化的数据不同，具有差异性，正是因为数据变异性，数据分析才有必要；规律性是指包罗万象的数据中，数据是有规律可寻的，从而得出有价值的结论，正是因为规律性数据分析才有价值。

数据类型：数据可分为结构性和非结构性数据。结构化数据是指可以用数字量化的，相对规整的数据，比如生产、业务、交易和客户信息等的结构化数据。数据分析和方法很长时期都集中在这类数据上，这块的方法和工具也相对成熟。

但相比结构化数据，非结构化数据存储量更大，也蕴含着非常丰富的价值，比如合约、发票、书信与采购记录等营运内容；如文书处理、电子表格、简报档案与电子邮件等部门内容；如 html 与 XML 等格式信息的 Web 内容；以及如声音、影片、图形等媒体内容。

非结构数据处理算法和方法在近几年有很大的进步，比如在图像、语音、翻译等有广泛应用。

数据简史：数据规模和存储方式在 1991 年之前，增长是缓慢的，之后在互联网的推动下，数据量开始爆发。2005 年 hadoop 诞生，标志着人类对海量数据处理有了解决方案。

近几年在很多学者和企业的推波助澜下，数据价值越来越受到企业重视。

3

工    具

工欲善其事必先利其器，工具在数据分析过程中也是非常重要的一环，下面列举些常用的工具类型：

-笔记本电脑-

电脑配置还是要高点儿，尤其是在数据量比较大的公司，如果计算内存小，很容易出现死机，严重影响工作效率。

至于电脑操作系统是选择 os，还是 ws，建议选择后者，从电脑普及率来看是 ws 更高，ws 分析工具更全，功能更强大。

-基础分析和展示工具-

数据分析中最常用的数据汇总和展示工具是 excel 和 ppt。

excel 是最常用的数据分析工具，哪怕是在大的数据公司，比如阿里巴巴、美团、腾讯、百度，通常会先在云上把需要的指标进行初步汇总，取出放到 excel 中分析。

excel 功能很强大，除了透视汇总，图表、分类外，还有简单模型、规划求解等功能，因此，excel 是最基础也最常用的分析工具，数据分析师必须要好好掌握。

数据分析完成后，通常要把成果展示给听众，ppt 是非常好的选择。

数据分析报告 ppt 不必像营销同学做的花哨，形式为辅，核心是结论、信息传达，数据作为论据。如果能将数据分析报告类 ppt 做的很美观，也很厉害，可以参考咨询公司的报告，比如「麦肯锡」、「埃森哲」等，网上可以找到很多。

-数据提取工具-

数据提取如果数据量比较小，很多公司会有直接下载的功能，但如果数据量比较大，就需要自己加工了。

常用的数据查询工具有 sql、hive。很多大的互联网公司都是用 hive，hive 和 sql 语法有点类似，也是很多数据仓库同学必须掌握的语言。

作为一名大公司的数据分析同学，hive 是必须要掌握的。hive 最早是谷歌搞出来的，不少公司在此基础上封装成自己的语言，加些自己的函数等，但总体语法和架构是一样的。

-可视化工具-

ppt 中有些可视化的功能，但在可视分析上还不是特别专业，市场上认可度比较高的可视化分析工具有 tableau、spotfire 等，前者市场推广做的更好，知名度更高，后者功能更强大，可视化组件更丰富。

如果想给人耳目一新的感觉，这些可视化工具是不错的选择，而且所见即所得，tableau 和 spotfire 都收费，前者差不多 1w 左右；如果是学生，可以申请教育版的，这样可以省一笔钱。

当然，大的互联网公司也会有自己的数据产品，相对外部工具，数据接入更容易。

-高阶数据分析工具-

如果你想用一些算法、模型解决日常的工作，可以学习 R 软件、python，还有传统的一些 spss、matlab、spss modler 等。

除了这些工具外，大公司也会有自己的模型或算法平台，可以通过 java、python 等语言直接调取已有算法包，也可以用这些语言重新封装新的算法再使用。

市面上工具很多，但要做一名合格的数据分析师，掌握 1/2/3 中的工具就可以解决 80% 的商业分析问题，另外20% 则还需要高阶的工具。

4

方    法

数据分析方法包括两个层面，一个是数据分析思维层面，另一个是套路层面。

常用的数据分析思维有：

-MEMC-

——“相互独立、完全穷尽”，这个是金字塔原理中非常经典的复杂问题拆解方法，尤其是针对比较大的研究课题。

可能开始无从下手，这个时候通过这种方法，可以把整体分解成很多局部模块，再针对每个模块进行可能性假设和论证，最终得出满意的答案。

-归纳-

指从许多个别的事物中概括出一般性概念、原则或结论的思维方法。

每次数据分析探索可能很多维度、视角都会尝试，最终要写成分析报告的时候需要提炼核心观点，这就是一个信息归纳的过程。

-演绎-

演绎推理是由普通性的前提推出特殊性结论的推理。

我们在数据分析中经常会沿用原有的经验，很多都是采用演绎的方式进行，比如 28 法则是人类收入分配中有这种倾向，电商卖家收入也会有这种倾向。

-对比-

数据分析中很多时候要回答某个结果是好还是坏，需要有具体的参考系。

常用的参考系有四类：去年同期对比如何，上期环比如何，和目标比如何，和竞争对手比如何。只有通过对比才有实际的意义，否则只是陈列数据。

-抽茧剥丝-

数据分析要像剥洋葱一样，一层层往下分解，直接不能再分解，或者可落地解决为止，如果只停留在表象，会发现不接地气，数据无法真正驱动业务。

-5W1H-

数据分析不一定都要回答 6 方面的问题，想表达的是如何面对复杂 case，要了解这个需求的前因后果。只有先做综合性的判断，才能清楚地判断需求是否靠谱，是要接着往下做，还是要放弃，很多需求是没有意义的。

另外，通过 5W1H 方式的沟通，会获得解决方向灵感，以及判断需求所能影响的范围。

常用的套路层面，需要结合具体的业务场景，比如电商流量、安全、市场营销、会员运营、销售管理等不同场景的数据分析套路是不完全一样的，下面大概讲下，后续会推出更详细的......

-流量-

常用的分析方法是流量漏斗，不管是在电商、搜索、还是在社交游戏，通过流量漏斗思路，做流量转化效率优化都是这块的核心。

-安全-

最主要的思路是攻防（规则识别、模型识别），流程或政策优化。

比如针对账号被盗这样的风险，可以在登录时增加校验流程，或者增加校验难度，也可在不改变流程情况下，提高规则、模型对异常攻击识别的准确率和覆盖度。

原则要做安全和用户体验平衡。

-成交-

成交很重要的思路是从流量端做成交驱动拆解，成交金额=uv*转化率*客单价，每个指标都可以再细分，也可以从供给端做供给数量和效率拆解，再从不同维度细分，比如行业、商家类型等。

-用户-

用户主要关注的是用户粘性，和 ARUP 值，常用的方法是 RFM，将用户分成不同类型精细化运营，终极目标是让用户离不开你，情愿花更多钱。

-销售管理-

销售核心的工作是 KPI 制定和分配，佣金激励，过程管理，数据分析更多是 KPI 制定的方法，佣金系数制定的方法，过程指标分解的方法。

-市场营销-

市场营销核心分析思路是影响面，以及投入产出比（ROI）。

-END-

来源：互联网

免责声明：部分文字及图片来源于网络，仅供学习、交流使用，不具有任何商业用途，版权归原作者所有，如有问题请及时联系我们以作处理。本声明未涉及的问题参见国家有关法律法规，当本声明与国家法律法规冲突时，以国家法律法规为准。

长按上方二维码识别

【网舟科技】

网舟联合科技（北京）有限公司，官网（www.eship.com.cn）成立于2004年，注册资金2000万元，目前拥有13年互联网大数据服务经验，公司长期专注于金融保险、通信、互联网、旅游酒店等行业的电子渠道大数据运营，为客户提供全球领先的电子渠道转型咨询、大数据挖掘和应用定制服务，助力客户互联网转型，提升数字化运营和数据营销能力。

网舟科技是Adobe数字营销的全球解决方案级合作伙伴，具备一流的数字营销一体化解决方案能力。