1.数据分析流程
数据采集→指标建模→观测数据→数据分析→业务洞察
2.数据分析3种核心思维
-
结构化（金字塔、麦肯锡）
核心论点→结构拆解→MECE（相互独立、完全穷尽）→验证（用数据验证）
论点归纳与整理
论点递进与拆解
论点完善与补充
推荐工具：思维导图
-
公式化（+、-、×、÷）
| 符号 |
用处 |
| + |
不同类别的业务叠加 |
| - |
计算业务间的逻辑关系 |
| ×/÷ |
计算比率/比例 |
-
业务化（深入理解业务，接地气）
用结构化思考+公式化拆解，最后获得的最终分析论点，在很多情况下只是一种现象。
数据是某个结果的体现，但不代表原因。
例如：
①销售人员效率降低，因为士气不佳。
②产品质量不佳，和同其竞争对手比没优势
③价格平平，顾客并不喜欢
3.数据分析的思维技巧
| 1 |
内容 |
| 核心 |
策略驱动 |
| 应用 |
战略分析/产品分析/市场分析/客户管理/用户管理/商品管理 |
| 优点 |
直观清晰、对数据进行人工的划分、划分结果可直接应用于策略 |
| 缺点 |
划分依据并不固定，根据业务调整 |
应用：RFM模型
使用三个维度划分为八个象限，划分用户等级
R：最近一次消费 F：消费频率 M：消费金额
重要挽留客户、重要发展客户、重要价值客户、重要保持客户
一般挽留客户、一般发展客户、一般价值客户、一般保持客户
'111':'重要价值客户','011':'重要保持客户','101':'重要发展客户','001':'重要挽留客户'
'110':'一般价值客户','010':'一般保持客户','100':'一般发展客户','000':'一般挽留客户'
| 1 |
内容 |
| 核心 |
精细驱动 |
| 应用 |
数据齐全丰富的都可以用 |
| 优点 |
处理大数据量，维度丰富的数据效果很好 |
| 缺点 |
维度多花费时间也多，会出现辛普森悖论
|
| 1 |
内容 |
| 核心 |
启发思考驱动 |
| 应用 |
假设-验证-判断 |
| 优点 |
无直观数据时，以假设先行进行推断 |
| 缺点 |
一切都可假设，依赖经验 |
| 1 |
内容 |
| 核心 |
目标驱动 |
| 应用 |
将无法利用的数据加工变为可利用的 |
| 优点 |
简洁直观，目标驱动力强 |
| 缺点 |
无统一标准，依赖经验 |
应用方式：一旦设立指数，不要轻易变动
① 线性加权：设置权重ai
② 反比例:【用户忠诚度计算-----1次2次变化比较重要，50次100次没有太大区别】
y=k/x
y=1-1/x
y=x/x+1
起到收敛效果
③ log:【根据发布时间、UV、评论数来计算文章热度----log2(a1UV+a2评论数+a3时间热度)】
也是起到收敛效果
| 1 |
内容 |
| 核心 |
只抓重点 |
| 应用 |
存在于几乎所有领域，没有局限性 |
| 优点 |
和业务、KPI紧密相关，高性价比 |
| 缺点 |
只看部分会比较狭隘 |
①20%的变量将直接产生80%的效果
②持续关注TopN的数据
③数据管理（20%的指标更有价值）
帕累托法则往往称为二八原理，即百分之八十的问题是百分之二十的原因所造成的。帕累托图在项目管理中主要用来找出产生大多数问题的关键原因，用来解决大多数问题。
| 1 |
内容 |
| 核心 |
挖掘数据规律 |
| 应用 |
数据分析的牛角尖，一次分析会用到多次 |
| 1 |
内容 |
| 核心 |
流程化 |
| 应用 |
涉及变化和流程的都能用 |
单一的转化率没有用，要结合其他方法分析
