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

数据分析实现步骤两种路径：归纳法和演绎法

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

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