数据分析指南

数据分析岗位要求

数据分析岗位要求
【初级】
1.常见的1-2种数据分析及可视化工具使用
2.掌握常见的2-3种数据分析方法
3.能够通过数据归因解释业务问题
4.基于业务逻辑构建基础指标体系
5.能够发现数据异常并分析可能原因

【高级】
1.根据实际需要选择合适的跨工具组合应用
2.根据业务需要灵活运营多种数据分析方法
3.复杂业务问题的数据分析与洞察
4.复杂数据指标体系搭建
5.理解核心业务数据,并从中发现增长机会

数据分析四要素:数据、工具、模型、目标

在这里插入图片描述

数据分析实现步骤两种路径:归纳法和演绎法
在这里插入图片描述

数据工具

数据工具
数据提取工具:
SQL、Hive
数据处理/可视化工具:
Python、Tableau、QuickBI、Excel

数据分析模型

参考:http://www.woshipm.com/it/4098934.html

数据分析方法

1.根据作用划分

类型A
描述性分析:结构分析、逻辑树分析、漏斗分析
验证性分析:留存分析、AB测试分析
探索性分析
类型B
描述型分析:发生了什么
诊断型分析:为什么会发生?
预测型分析:可能会发生什么?
指令型分析:应该采取什么措施?

2.根据难度划分

(1)基础数据分析法:
对比分析法、分组分析法、交叉分析法
结果分析法、漏斗图分析法、综合评价分析法
因素分析法、矩阵关联分析法
(2)高级分析法:
相关分析法、回归分析法、聚类分析法
判别分析法、主要成分分析法、因子分析法
对应分析法、时间序列

3.常见分析流程

1.梳理目标、业务流程,明确核心指标
①目标:验证功能是否符合用户的需求
②业务流程:推荐功能——点击功能——阅读内容——是否喜欢内容——继续点击功能or不在点击功能
③对应指标:触达量、点击率、阅读市场、留存率
④分析各指标是否可以验证功能符合用户需求,明确核心指标:
触达量(人为决定)、点击率(与banner海报、app push有关)与目标没关系或关系不大。
阅读市场(和推荐内容有关,代表用户兴趣)与目标有一定关系。
留存率(用户觉得好,会继续用)与目标关系较大。
⑤进一步拆解指标,并制作报表
留存率拆解成次日留存、2日留存、3日留存
2.预测数据指标,思考应对措施
根据产品往期数据、投入资源多少等推断。设定指标后,可以思考低于指标时的应对措施。
3.统计数据指标,观察指标状态
测试时,检测每日数据,发现异常及时调整。
4.分析背后原因,产出运营决策

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值