数据分析
1、数据分析的价值
数据在什么场景最有用呢？一是市场调研决策阶段，二是精细化运营提升阶段。
数据变现主要有两种途径：
对内的：通过数据运用提高企业的运营效率，生产效率，产品和服务水平。同时，能针对不同类型用户进行个性化营销及管理。
对外的：让数据对客户和合作伙伴可见，打开新的收入通道。
所有公司都是数据公司。大多数公司都有大量未开发、未充分利用的数据，这些数据可以释放出巨大的财务价值。关键是数据意识。及时识别潜在的内部和外部变现机会。
1.1 传统企业数据分析
传统企业的业务流程是前人基于经验制作的，但随着时代发展，业务变迁以及人员调整，任何流程都需要在必要的时候进行优化；适时、正确的流程调整会帮助企业迈向更高的平台。在优化过程中，来自数据的支撑就要比来自人的支撑更严谨更据说服力，能帮企业准确地，安全地进行优化。这里离不开数据的价值、使用的场景和所需的技术。
在传统企业做数据分析，不是怎么做的复杂的问题，而是怎么混上位的问题。只要能混上位，管他搞什么呢。目标都是获取信任，或者是大老板的信任，或者是业务部门某条腿的信任。之后的目标就很清晰了：要人，要钱，要地盘。争取一些可能上项目。给自己的团队加人，加项目费用，做独立的系统不要和其他IT系统搅合到一起。团队做大了，自然自己的等级和收入就上去了。至于其他人觉得我们重不重要，随他去吧。
其实在传统企业干不止数据分析，除了销售以外所有的后台部门都有这个问题：信任、人、钱、地盘。只不过是传统意义上，市场部都比较强势，销售部/业务部都是大腿，营运虽然苦逼但是必不可少，所以他们的地盘相对固定。传统企业的数据分析大部分是从市场部或者IT部脱胎出来，需要给自己挣地盘，不然永远是边缘角色。
从传统企业滚过来的分析老头子，看这些政治问题会比较通透。最后想上位，一定是在说官话（项目背景）立牌坊（项目目标）打地基（扩大项目组规模）吹牛逼（拉上大腿一起汇报项目成果）上花功夫。
1.2 互联网企业数据分析
随着移动互联网的发展和大数据思维的普及，越来越多的创业者、投资人开始重视数据的作用，而不再是随便拍脑袋。“数据驱动决策”、“精准化运营”、“产品快速迭代”这些概念被越来越多的人提出和使用，其背后都离不开精准的数据分析。对于大多数互联网创业公司来说，其背后没有强大的资源与财主支撑，如何在有限的人力、物力下快速摸索、少走弯路是至关重要的，而基于“数据驱动”来做决策、运营与产品将起到一个关键的作用。
从流程上看，需要做的事情集中在三部分：数据采集、数据处理和数据可视化，伴随着数据的变迁：原始数据->分析结果->图表呈现。首先，基础数据源的建设是做好数据分析的关键，因为如果数据源本身出了问题，那么后面做的所有工作都是没有意义的，而且如果没有提前做好数据采集，后期想做分析时也没有数据可做。其次，数据分析的最终结果是需要呈现给别人看的，可能是公司高层，也可能是市场业务人员，直接将一堆数据丢给他们显然是不现实的，通常都需要转换为图表的形式，这便是数据可视化的工作。而从原始数据源到分析结果的过程，便归纳为数据处理，其涵盖了数据提取、数据建模、数据分析等多个步骤。
2、数据分析具体职位分类
入门和职业规划应该从两个角度考虑：领域和路线。
领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。
领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。
而路线大致可以划分成四大方向：数据分析，数据挖掘，数据产品，数据工程。
数据分析/数据运营/商业分析，这是业务方向的数据分析师。解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。
我们可以将其划分为数据收集—数据加工—数据运营—数据触达。
数据收集负责收集各种各样的原始数据，比如用户何时何地做了什么事情。它依赖于埋点采集系统，而埋点采集，需要收集什么类型数据，往往由数据产品经理确定规范（还是看公司，数据运营和数据分析师也能负责）。收集上来的数据需要存储，往往因为高吞吐量，需要保证数据和日志的稳定性，会采用Flume+Kafka，如果有实时统计要求，也得考虑流数据。这块则是数据工程的范畴，包括原始数据的再加工，数据清洗，都是专门的数据团队完成。当获得数据后，首先第一点是讲各种明细数据加工业务指标，没有指标不成方圆，这里由数据分析师定义的。有了指标，配合各种数据产品输出，如用户画像用户标签、BI报表，这些数据产品都由数据PM统筹排期…另外一方面，数据挖掘工程师和算法专家则凭各种数据建立模型，进行实时或离线运算。模型可能会预测用户会不会购买某个商品，可能是做出一系列的推荐，可能是判断用户属于哪个类型，不一而足。更上面一层是业务相关，数据分析师会监控和分析BI上指标的波动、数据挖掘工程是通过用户反馈数据，衡量算法的优劣、数据PM按AB测试的结果改进产品。数据工程师保证系统的稳定。所有层次一环扣一环，每个岗位在其中都发挥特有的作用。数据工程偏底层技术，数据分析偏上层业务，数据挖掘和数据产品处于中间形态。不同公司虽然业务形态不一致，架构会有差异，但是职责不会偏差太大。这也是数据分析为什么会有四个方向。
3、数据分析常用方法和模型
常用方法：细分分析、对比分析、漏斗分析、同期群分析、聚类分析、AB测试、埋点分析、来源分析、用户分析、表单分析、矩阵分析、公式拆解、假设分析验证、指数分析（2/8，ABC）、结构化思维
8大模型：用户模型、事件模型、漏斗分析模型、热图分析模型、自定义留存分析模型、粘性分析模型、全行为路径分析模型、用户分群模型。
基本方法：做假设、定标准、做比较、看趋势、观全局、辨真伪、下结论。
数据分析师八大能力介绍
综述：八大能力从何而来
1.数据分析师所属的部门及职责
2.数据分析师价值：助力业务，推动决策
3.从企业决策流程，看有用的数据分析该是什么样
4.数据分析师的工作内容与流程
5.为了输出更有价值的工作，所必须的八项能力
能力一：收集信息能力
1.自主收集信息是掌握业务的必要手段
2.为什么数据分析师必须理解业务
3.优秀的数据分析师不会等着别人来教自己
4.七步成诗法：理解业务的7个关键问题
5.应用七步成诗法所必备的信息收集能力
6.实战指南：制作一份自己行业的业务手册
7.特别提示：交流业务情况时的保密原则与谈话尺度
能力二：沟通需求能力
1.需求沟通是数据分析的起点
2.不会沟通就当一辈子人肉跑数机
3.一个好的数据分析需求，应具有的5个特征
4.当业务提需求时，该如何确认问题
5.当业务不理不睬，该如何主动了解
6.实战指南：常见的十问十答，亲自去试试
7.特别提示：必须克服不敢张嘴，关门造车坏习惯
能力三：定义问题能力
1.定义问题是正确选择分析方法的保证
2.数据分析不是万能的，界定不清，怎么干都是错
3.常见的5类业务问题与数据分析可以做事
4.收到问题时，第一时间判断问题范畴
5.解决问题所需的时间、投入需事先规划
6.实战指南：3个常见的似是而非的问题，挑战下看是否能分的清
7.特别提示：改掉唯业务是从，人家说一句自己动一下的毛病
能力四：梳理流程能力
1.梳理流程是定位问题的最有效手段
2.不了解业务流程就无法深入分析
3.梳理业务流程的基本方法
4.将业务流程与数据流程对应
5.描述性统计是梳理流程的利器
6.实战指南：从一份基础数据，看出业务的问题所在
7.特别提示：没有业务背景的描述性统计是浪费时间
能力五：定义标准的能力
1.先有标准，才有“好/坏”的判断
2.没有明确标准是分析下不了结论的罪魁祸首
3.如何收集基于业务经验的标准
4.如何在没有经验时探索标准
5.如何验证标准的有效性
6.实战指南：基于常规销售数据，探索如何评价各分公司业务的标准
7.特别提示：特别警惕把描述现状和评论现状混为一谈的问题
能力六：寻找原因的能力
1.寻找问题原因的基本逻辑：归纳法与演绎法
2.寻找问题依托的是层层递进的假设检验
3.沿着业务流程，提出分析假设
4.设定假设检验方案与检验标准
5.估算各原因的影响与筛选重点原因
6.实战指南：从一份基础数据，看出业务的问题所在
7.特别提示：不能通过ABtest检验来验证的原因，不是好原因
能力七：提出建议的能力
1.提分析建议是体现分析价值的重要一环
2.分析建议的深度，取决于对业务的了解，而非分析能力
3.如何有效收集业务方案
4.如何评估业务方案的效用与可行性
5.如何基于评估结果向业务方建议
6.实战指南：基于一份分析数据，试着提建议
7.特别提示：分析建议不等于执行计划，守住分析的界线
能力八：总结汇报的能力
1.总结汇报是数据分析的点睛之笔
2.好的分析结果是包装出来的，不是自己憋出来的
3.因人而异，考虑场景，才有好的汇报
4.如何针对不同对象，设计汇报方案
5.实战指南：同一份文件，3个对象，请设计汇报方案
6.特别提示：必须牢记，业务方是评价数据分析质量的唯一裁判
后记：高质量的工作成果，从来不是单单靠技术实现的
1.如果方向歪了，怎么做都是错
2.工作成果=（自己努力+伙伴支持）*领导认可
3.酒香也怕巷子深，不会包装白累死
