如何做好数据分析？

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

通过面向企业业务场景提供一站式大数据分析解决方案，能够为企业在增收益、降成本、提效率、控成本等四个角度带来价值贡献。

1、增收益

最直观的应用，即利用数据分析实现数字化精准营销。通过深度分析用户购买行为、消费习惯等，刻画用户画像，将数据分析结果转化为可操作执行的客户管理策略，以最佳的方式触及更多的客户，以实现销售收入的增长。

下图为推广收支测算分析，为广告投放提供决策依据。

下图为渠道销量分析，为渠道支持提供数据支撑。

2、降成本

例如通过数据分析实现对财务和人力的管理，从而控制各项成本、费用的支出，实现降低成本的作用。

下图为生产成本分析，了解成本构成情况。

下图为期间费用预实对比分析，把控费用情况。

3、提效率

每个企业都会出具相关报表，利用数据分析工具，如数钥分析云，不懂技术的业务人员也能够通过简单的拖拉拽实现敏捷自助分析，无需业务人员提需求、IT人员做报表，大大提高报表的及时性，提高了报表的使用效率。

通过数据分析工具，能够在PC端展示，也支持移动看板，随时随地透视经营，提高决策效率。

4、控风险

预算是否超支？债务是否逾期？是否缺货了、断货了？客户的回款率怎么样？设备的运行是否正常？哪种产品是否需要加速生产以实现产销平衡？...其实，几乎每个企业都会遇到各种各样的风险问题。通过数据分析，能够帮助企业进行实时监测，对偏离了预算的部分、对偏离了正常范围的数值能够进行主动预警，降低企业风险。

下图为税负率指标，当综合税负率过高，可以实现提示和预警。

下图为重要指标预警，重点监控项目的毛利率。

第一步:数据准备:（70%时间）
· 获取数据（爬虫，数据仓库）
· 验证数据
· 数据清理（缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集）
· 使用python进行文件读取csv或者txt便于操作数据文件（I/O和文件串的处理，逗号分隔）
· 抽样（大数据时。关键是随机）
· 存储和归档
第二步:数据观察（发现规律和隐藏的关联）
· 单一变量:点图、抖动图；直方图、核密度估计；累计分布函数
· 两个变量:散点图、LOESS平滑、残差分析、对数图、倾斜
· 多个变量:假色图、马赛克图、平行左边图
第三步:数据建模
· 推算和估算（均衡可行性和成本消耗）
· 缩放参数模型（缩放维度优化问题）
· 建立概率模型（二项、高斯、幂律、几何、泊松分布与已知模型对比）
第四步:数据挖掘
· 选择合适的机器学习算法（蒙特卡洛模拟，相似度计算，主成分分析）
· 大数据考虑用Map/Reduce
· 得出结论，绘制最后图表
循环到第二步到第四步，进行数据分析，根据图表得出结论完成文章。

结合实际业务来做数据分析
“无尺度网络模型”的作者艾伯特-拉斯洛·巴拉巴西认为——人类93%的行为是可以预测的。数据作为人类活动的痕迹，就像金矿等待发掘。但是首先你得明确自己的业务需求，数据才可能为你所用。
1.数据为王，业务是核心
· 了解整个产业链的结构
· 制定好业务的发展规划
· 衡量的核心指标有哪些
有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。
2.思考指标现状，发现多维规律
· 熟悉产品框架，全面定义每个指标的运营现状
· 对比同行业指标，挖掘隐藏的提升空间
· 拆解关键指标，合理设置运营方法来观察效果
· 争对核心用户，单独进行产品用研与需求挖掘
发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察（数据可视化技术来呈现）。
3.规律验证，经验总结
发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

sc-cpda 数据分析公众交流平台。

第02期1+X电子商务数据分析师（初级）视频课程，这节课我们继续学习数据分析岗位发展，觉得对资格证考试有帮助的话，帮忙点赞和转发一下，关注并私信我，发送文字“初级课程”就能获取全部视频课程资料，下期再见。

第一步：数据准备：（70%时间）
· 获取数据（爬虫，数据仓库）
· 验证数据
· 数据清理（缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集）
· 使用python进行文件读取csv或者txt便于操作数据文件（I/O和文件串的处理，逗号分隔）
· 抽样（大数据时。关键是随机）
· 存储和归档
第二步：数据观察（发现规律和隐藏的关联）
· 单一变量：点图、抖动图；直方图、核密度估计；累计分布函数
· 两个变量：散点图、LOESS平滑、残差分析、对数图、倾斜
· 多个变量：假色图、马赛克图、平行左边图
第三步：数据建模
· 推算和估算（均衡可行性和成本消耗）
· 缩放参数模型（缩放维度优化问题）
· 建立概率模型（二项、高斯、幂律、几何、泊松分布与已知模型对比）
第四步：数据挖掘
· 选择合适的机器学习算法（蒙特卡洛模拟，相似度计算，主成分分析）
· 大数据考虑用Map/Reduce
· 得出结论，绘制最后图表
循环到第二步到第四步，进行数据分析，根据图表得出结论完成文章。

结合实际业务来做数据分析
“无尺度网络模型”的作者艾伯特-拉斯洛·巴拉巴西认为——人类93%的行为是可以预测的。数据作为人类活动的痕迹，就像金矿等待发掘。但是首先你得明确自己的业务需求，数据才可能为你所用。
1.数据为王，业务是核心
· 了解整个产业链的结构
· 制定好业务的发展规划
· 衡量的核心指标有哪些
有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。
2.思考指标现状，发现多维规律
· 熟悉产品框架，全面定义每个指标的运营现状
· 对比同行业指标，挖掘隐藏的提升空间
· 拆解关键指标，合理设置运营方法来观察效果
· 争对核心用户，单独进行产品用研与需求挖掘
发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察（数据可视化技术来呈现）。
3.规律验证，经验总结
发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

sc-cpda 数据分析公众交流平台