数据分析的一般步骤

以结果为导向，要解决什么问题，实现什么效果？

数据可视化分析的首要目标是通过将数据以可视化图表的形式真实、完整地呈现业务现状，为发现业务问题打好基础，包括实时的业务数据、数据历史的变化趋势、数据的空间分布和数据构成分布等。

在系统建设层面，呈现业务对应的业务系统，往往是业务运营监控系统。通常情况下，我们看到的类似天猫双12数据大屏，公安、交通指挥中心的数据大屏等，都是呈现业务的典型案例。

一般来说，主要的数据报表分为两部分：

一是，常规性报表，展示客观数据、以及业务人员关注的指标。客观数据占据大部分版面，老板/业务人员关注的关键性经营分析指标占小部分，但会在显眼的位置。

二是，指标分析报表，把客观数据指标化，建立一套指标体系，再对指标体系进行评价，通过多个指标的高高低低来得出结论。重在通过数据分析总结，进行业务预警，最终会聚焦在一个层面。

拆分问题，确定目标

想要解决的问题是什么？
最终呈现的报告，包含的内容，想要证明的问题？
确定分析目标，明确要解决的问题或取得的结果，例如预测销售额、发现数据中的模式等。

梳理数据源及指标

看这个问题，可以通过什么数据形式来表现出来呢？
数据结果，数据层次，最细的粒度，可以分析的有价值粒度有哪些？
做数据结构，每个结构可以解决什么问题？

收集相关数据，可以是内部数据库、公开数据集或通过调查等方式获得。比如我做的，一般是通过ERP获取，但ERP有多个报表，选择最适合、且数据源较为规整的那一个。

数据清洗及计算

对数据进行清洗和预处理，包括处理缺失值、异常值、重复值等，以及进行数据转换、归一化、标准化等操作。

说实话，在首次清洗的时候，只能对十分明显错误数据进行处理，有一些隐藏较深无法发现的问题，只能在后续工作中不断发现不断处理，尤其是在你面对的数据集较为复杂、字段繁多，且业务意义交叉复杂时。

可视化模型搭建

通过可视化和统计方法来探索数据的特征和关系，例如绘制直方图、散点图、箱线图等。最重要的是选择适合问题的表现方法，不局限在要展示自己高超的分析技能。我常用的是条形图、环形图、图表明细，没有用到十分复杂的图形，一方面便于模型使用者（用户）理解，另一方面我的日常业务分析一般不会涉及复杂的机器学习算法，主要目的就是针对发现的问题去“分析原因”，然后提出建议。简单图形就够了，使用模型的意义更多是希望数据能够快速更新，避免数据延迟。

有了大致思路、基础模型后，一般情况下，我会去公开网站上找到对标模板，参考那些好看的页面结构、比赛作品、小的可视化元素，这样可以提高效率，让做出来的可视化页面的可读性强，且更有设计性。需要注意，可视化页面，每一部分的字号大小、背景标题，最好提前就统一，减少后期反复及修改；先搭建粗略框架，和需求方沟通，是否可以实他们的需求？客户如提出新的细化的需求，再补充优化做出来，如此反复。

对模型形成可视化报告，进行解读

模型搭建完成，且你足够了解业务后，需要对相关数据进行多维度的监控，发现数据的异常，包括对比差异、时间变化趋势、空间分布和构成结构上的异常等，都属于异常。这一环节可以人工完成，也可以系统自动完成，一般的数据可视化模型/系统都会集成异常数据监控能力。

发现异常、分析问题往往需要人工介入，基于业务现象和异常的表现，通过时间维度、空间维度、结构维度和关系维度，分析引起异常的可能原因，并进行逐一验证。分析问题通常以人工 + 系统的方式完成，系统提供分析问题所需要的功能，人工通过该功能进行操作来验证问题的原因。

定位问题的原因是一个比较复杂的系统工程，不止需要人工介入，还要基于数据表现，制定对应的产品和运营策略。互联网公司，或者数据体量大的公司，常常通过A/B测试的模式，来验证假设，对于分析问题过程中的推论进行业务验证，从而发现根本原因。例如，当发现商品的价格因素可能是导致销量下降的原因的时候，可以通过适当的降价/促销等营销活动，来验证这个假设是否成立。

不过在我处的传统行业中，从业务端来看，更多的还是通过一些简单的运营公示的拆解，来发现问题，看是哪个环节的指标明显低于平均，进而对此进行处理。

基于数据可视化分析，解决业务问题，从系统建设和使用视角而言，是业务监控、数据化运营、数据化营销和数据化决策的过程。构建数据可视化分析体系，可以有效支撑业务运营决策，在执行运营决策的过程中，可以不断优化现有业务过程模型。

数据分析和建模是一个迭代的过程，可能需要多次调整和优化，以获得更好的结果。也避免第一版就过度追求完美，到时工期延误，项目推迟的结果，无论如何先完成一版，后续再逐步优化就好。我刚开始入行的时候，是十分理想的，看到很多没办法一次做到完美、100分的事情，就有点垂头丧气，觉得自己能力不行。但现实工作不是上学考试，真实世界的很多事情，就是这样的。

以上内容部分由学习与实践所得，部分来自网络知识博主的文章。