您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识
数据分析到底有多难？
数据,业务,结论数据分析到底有多难？
发布时间：2016-12-08加入收藏来源：互联网点击：
3.为了达成利润目标，你具体制定的计划是什么？每一个分项的数值是多少？分解到周内，每天每人需要完成的每一个分项是多少？如果今天没达成明天需要多完成多少？
这些所有的一切都需要数据的支持和分析。我举例的还是一小部分。每次周内总结都需要花费一两个小时。
如果是专业做数据分析的，收集的数据更多，分析的会更透彻，数字化更醒目，也会更难。
回答于 2019-09-11 08:43:50
数据分析并非信手拈来的，数据分析是有其一定的框架可遵循的。
数据分析的框架可以分为3个主要步骤：
理解行业业务将数字转化为结论结论的验证与实践
1. 理解行业业务
对任何问题的优化，其前提都是对行业业务及岗位需求有着基本的理解。
数据只有依附在实际业务上，才能从概念转化成具有实体意义的内容。
2. 将数字转化为结论
数据分析是一个分析+探索的过程。我们有时是带着问题和假设去分析、验证，有时是纯粹地在数据中探索，但无论怎样的形式，我们都需要数据将我们导向一个理性的结论。
获得理性结论是一个非常关键的环节。当我们跟一些同行交流下来，大家在做数据分析的时候经常得出一些看上去很正确的结果，但这些结果其实对业务指导的价值却很小。
这样的结果是因为分析还不够深入，并且没有把握住业务核心，才会导致看上去很正确的观点，在实际的指导中却没有很好的效果。
3. 结论的验证与实践
获取结论后，我们可以尝试将理论投入实践：
演绎论证已有结论利用结论去优化业务对结论进行演绎和论证，是从多维度证明我们的结论的可操作性。
通常我们可以用其他产品的已有数据去佐证这个结论，我们也可以在无数据的情况下，开展产品的版本AB测试来收集数据，去实验、验证结论的可行性。
无论是用什么样的方法，都是为了证明数据获得的理性结论，是能够实际且有效地指导业务完成优化。
二、数据分析三个通用思路
在梳理完数据分析框架后，我们转向数据分析思路。数据分析思路并没有优劣之分，不同的分析场景需要不同的思路去应对，这里我列举了三个通用的基本思路：
AARRRRFM5W2H
1. AARRR——海盗模型
一个产品自上线开始，AARRR模型便从用户获取、留存激活，再到营收传播等流程，贯穿了产品\u0026用户联系的全链过程，整体用户进入产品后产生的每一板块的数据都是分析点。
AARRR的思路比较适合分析产品的整体情况。特别是产品还处于早期测试阶段的时候，我们就可以用这个思路去做产品的场景分析，从每一步的场景模拟去找到产品优化改进的点。
2. RFM——用户价值分析体系
RFM是用户价值的分层、评估体系。
我们在传统的用户分群模式中，将用户直接分为：大R、中R、小R，按照累计的充值金额去粗暴地做用户划分，很难在这个基础上做到更加精细化的策略应对。
RFM就给出了比较全面、有规范的分层模式，可以把用户分群为，例如高价值、中等价值、潜在价值等等层次。依据RFM给出不同层次的用户需求，我们可以为不同的用户策划出更为精细化的运营策略。
3. 5W2H——分析的基层框架
5W2H是最为常见的事件分析思路。
我们在做数据分析的时候，其实大部分处理方式的底层思路，均可归属到5W2H的思路。
我们会去梳理：
发生了事件？事件发生在哪里？什么时候发生的事情？事件的关联群体？事情是发生的理由？然后根据5W获得事件处理方案：
我们该如何处理？我们的事件处理程度？这是一个比较宽泛，同时也是经常用到的分析思路。
回答于 2019-09-11 08:43:50
数据分析专业度决定了工作难度
数据分析师有很多个分支岗位，岗位的划分和公司的业务相关。
对个人而言，岗位的职责不同导致了对技能的要求不同。
1. 数据运营这种数据岗主要是偏运营方向。
工作内容是制作报表，提数据需求给开发人员，产出分析报告，承接其他部门的数据需求四大内容。对技能没有太多要求，Excel很熟，需求能和开发说清楚，明白什么外部需求可以处理，什么不能处理。分析报告自己懂得提取关键点，总结导致数据结果的原因，讲解如何去实现关于数据的任务。
2. 数据产品这种岗位偏向与搭建数据类的产品。
数据类产品分很多种，在公司内部最常见的是数据平台的搭建，或者是针对某个业务逻辑的模型方法。其中，数据平台的产品就是确定我们要看什么数据，以什么方式展示出来，能否解决其他部门的数据需求。针对业务逻辑的模型方法，和数学模型没有半点关系，就是针对用户的特点，提出一套总结性质的方法，然后跟进这种方法，实现业务逻辑，更高效完成工作任务。需要懂得制作产品原型，Excel肯定要很熟。有时需要跟进项目催促开发进度。
3. 数据分析师工作内容包括从数据库提取数据给数据运营产品，产出部分分析报告，搭建业务相关的模型（这个一般是数学模型）。 有可能会参与到报表开发，数据平台开发。技能包括会SQL查询（不要求复杂的SQL，不要求写存储过程什么的），会写脚本（Python，shell），使用数据分析工具（R，Python），懂得一般数学模型，例如 linear regression，logistics regression等等。不需要掌握数据挖掘的技术，组里有数据挖掘工程师去实现。
如果你的公司业务和数据无关，比如说只有日活，存留率，或者PVUV之类的，这个数据分析一般不用搭建模型，价值不大；但如果业务和数据相关，比如是用户投资公司的产品，数据直接和钱打交道，就需要数学模型去量化这些行为，价值不同。一般这些模型在统计学中都会学到，千万不要以为线性回归就是什么最小二乘法一条直线嘛，好好去找一个统计课本看看里面的假设检验都有哪些，不要对线性回归停留在中学阶段。实现这些模型，就是利用R或者Python。一般是离线计算，把结果放到服务器上在数据平台展示。如果需要实时性质的计算，数据分析师肯定是搞不定的。数据挖掘工程师，掌握的技能非朝夕可得，想短期速成不现实。以上三个岗位倒有可能速成。
下一篇：返回列表
相关链接 |
||
| 网友回复（共有 0 条回复） |