数据分析

为什么要数据分析

数据分析的概念和价值
人类正在进入大数据时代，在大数据时代中，对庞大，多种类的真实高价值数据有快速的分析能力。

不靠感觉、有据可依、量化标准、驱动产品改进、挖掘隐藏需求、提升精细化能力，降低运营成本都是数据分析存在的价值

数据是什么

打个比方：100、100个、今天新增100个用户。你觉得哪个才是数据？要区分数字、数量和数据。
简单来说数据是一种量化事物的手段，他们都是一个数字指标，代表了事物现在存在的客观情况；如：我们的身高体重等

所有的数据分析都建立在指标上。
指标是一种度量，用户用户追踪和评估商业进程的状态。

指标也是需要分层的。

• 北极星指标（核心指标）
  是企业为用户带来核心价值的体现、提成公司文化和价值观，明确公司长期优先级。
• 一级指标：衡量公司战略和目标
• 二级指标：一级指标的路径
• 三级指标：二级目标的路径

数据分析的一般流程和常用手段

有了指标后就有明确的数据方向，知道分析目标，不要为了数据而数据，做好预期规划，犹豫期和结果才能对比
一般数据分析分为5个途径：数据获取、数据清洗、数据分析、验证发现、可视化

数据获取后一定要进行清洗，对里面的缺失值、垃圾信息、重复记录、特殊值进行过滤筛选。

一般数据清洗的常用工具
- EXCEL/VBS Python/PHP/R

清洗后的数据就要进行合理的分析
一般常用的分析手段有七种

画像分群：聚合符合某种特定行为/画像的用户，聚类分析

• 悬着特定的用户群进行分析，有助于有针对性的研究问题所在，增强优化效果

趋势维度：实施了解多维度趋势，便于产品迅速迭代

• 建立趋势图标是常见的分析手段之一，可以帮助迅速了解市场，用户产品的基本表现

漏斗洞察：按照已知转化路径，分析每一步的转化

• 漏斗分析师最常见的分析手段之一，可以通过优先到后的顺序还原某一用户的路径，分析每一个转化节点的转化数据

行为轨迹：探索性了解某组用户的行为轨迹

• 了解用户的行为轨迹，有助于运营团队关注具体的用户使用体验，发现具体问题

留存分析：了解行为/行为组与回访质检的关联

• 留存老用户的成本要远远低于获取新用户，所以分析中的留存是非常重要的指标之一

A/B测试：对比不同产品设计/算法对结果的影响

• A/B测试时常见的分析手段，一般在高密度数据情况下被使用，以某一核心KPI或多个KPI来比对不同展现形式的效果，多变量测试也是类似的衍生手段之一

优化建模：建立预测模型优化商业结果

-当一个商品目标与多种行为，画像等信息有关联性是，我们通过会使用数据挖掘的手段进行建模，预测该商业结果的产生

验证发现：警惕三种常见谬误

• 虚假相关
• 因果倒置
• 沉默数据

可视化：人的右脑对图像的理解分析是左脑逻辑的上千倍，也就是通常为什么各大数据都是以图表的形式，很少以文字形式公式
一般可视化有：Excle统计图、信息图片、实时报告图、交互图、视频等

增长黑客训练营.png