数据分析学习笔记

数据分析的常规步骤：1. 确定问题  2.分解问题  3.评估问题  4.制定相应的决策

用一句话概括就是：现有的数据能否解决现在的问题，分析问题的瓶颈所在，评估分析的方式方法，找到最合理的数据分析方案进行实施。

数据分析的模型没有统一的模型，每一个公司都有自己的业务线跟用户群里，用户的属性不同，行为轨迹不同所以分析的痛点也不尽相同。

根据现在平台所能提供的数据进行清洗，筛选，整理。（如果必要的话可以进行埋点与采集）

数据的清洗，筛选，整理也可以叫做 数据挖掘 从一些杂乱无章的数据中找到你需要的数据。

最简单的就是用户画像的确定，通过分析每个用户的动作确定不同的标签来定义用户属性，可以做到针对统一纬度的用户 专属推送，定制消息等一系列后期维持操作。

公司的业务涉及的维度越多能获取的用户信息也就越多。例如：O2O行业，根据用户的消费习惯可以确定用户的消费水平，家庭情况，口味爱好等信息对于提升平台的用户粘性来说很有必要。

即使我们拿到了自己想要的数据，确定问题也是一件很困难的事。

还是之前说过的每一个公司都有自己的业务线跟用户群里，用户的属性不同，行为轨迹不同所以分析的痛点也不尽相同。所以在你参与的数据分析行业的业务了解程度上需要对每一个个人有很强的要求。包括了解分析平台的竞品对手，分析平台的用户群体，市场的推过活动，等等很多因素都会影响业绩。

所以我也没有办法给出一个完善的 确定问题的方案，我只能给出一些我用的思考的方式和方法。

1.当我们拿到公司的业绩报表的时候，如果业绩有很明显的下降趋势，那么问题产生的时间点也暴露无遗了。

2.当我们确定时间点以后，开始对影响因素进行排除法分析，在业绩上涨的时候做了哪些活动推广，有没有广告投入，在业绩下降时我们的竞争对手是不是有哪些活动推出，平台自身在这段时间里有没有一些负面的消息或者系统问题。

3.找到问题所在，根据现有的数据进行整理分析，提出合理的方案去解决问题。

4.进行数据实验，小范围的测试自己的方案，预算结果并于真实结果进行比对，优化方案。

5.最后解决问题。

合理的利用现有的数据是很重要的事情，如果能根据现有的业务于数据建立自己的数据模型就跟完美了。

但是我相信单一的数据模型是没有办法应对快速发展的业务情况的。

以实际情况出发，以解决问题为基本。

共勉。