数据思维如何指导业务

1.1部门岗位职责？

数据分析师则负责数据的即时查询和指标体系、报表体系的建设以及输出各项业务报告

1）. 数据埋点

假如现在用户流失很严重，业务方想要让数据分析师帮忙分析用户流失前的第N步都做了什么？但是，碰巧用户流失前第N步的事件没有埋点，那么数据分析师就无从下手，只能给研发人员提出埋点需求，在下一个版本进行数据埋点。

2）. 构建体系和标准

好的评价标准和指标体系能够直接反映业务问题，同时能够帮助数据分析师快速定位业务问题，以辅助业务方进行决策。

3）商业智能分析

了商业智能分析，包括各类活动效果分析、版本变化分析、用户分析、流失分析等。商业智能分析可以总结为探究原因、评价效果以及活动预估三大模块。

2.1数据思维包括？

对新业务建立合理的指标体系，并制定相应的评价标准以监控业务发展；
合理地运用统计学知识、分析方法解决业务问题、探究原因、预测结果以及评估活动效果；
面对不同的业务场景，选择合适的分析方法定位问题，以辅助业务提升。

2.2三大分析思维？

比思维、分群思维及相关思维

1）没有对比，就没有明确的数据结论。对比分析可以衡量数据整体大小、数据波动及数据变化趋势，所以说对比分析是得出数据结论最简单有效的方法。通常情况下，数据分析师会利用业务数据与大盘数据或者行业标准进行对比，以判断业务现状。除此之外，同比、环比、横比、纵比等也是较为常用的对比分析方法。A/B试验是一类较为特殊的对比分析方法，该方法是数据分析师常用的线上试验方法，是探究变量间因果关系最行之有效的方法。

2）分群思维是贯穿数据分析全链路的分析思维。根据用户的行为数据、消费数据等特征对用户分群是实现用户精细化运营的基础。用户分群可以基于用户历史数据，对数据进行分箱处理形成规则类型的标签。如果企业的数据标签体系做得好，可以直接通过数据标签实现用户的分群。除此之外，用户同期群分析是用户分群的另一种方法，该方法是一种横纵结合的分析方法，在横向上分析同期群随着周期推移而发生的变化，在纵向上分析在生命周期相同阶段的群组之间的差异。当然，数据分析师也可以根据需要使用RFM模型或者K-Means等机器学习算法实现用户分群。

3）在变量关系探索过程中，相关性分析是较为常用的分析方法，但是变量之间存在相关性并不代表它们之间存在因果性，在无法通过A/B试验检验变量间的因果关系时，因果推断也是数据分析师常用的分析方法。

2.3不同生命周期的分析方法

户流失问题：有用户流失前N步分析法、漏斗分析法、5W2H法（内因、外因、问卷调查）

用户增长和让用户付费：

对于用户付费转化来说，数据分析师通常会需要预估不同方案的转化率；

通过漏斗分析和路径分析找出用户转化流程中可以优化的环节；

通过营销增益模型识别营销敏感人群，以提升转化方案的投入产出比；

用户的行为数据及付费数据预估用户的生命周期价值。

2.4 汇报方法

1. 给数据

“新业务近一周新用户数累计300万个，新用户次日留存率为65%，七日留存率为17%”

2· 给结论

“新业务近一周用户总量达到10000万个，新用户数累计300万个，次日留存率为65%，七日留存率为17%，新业务的数据表现优于同类业务及行业标准。”

3.给观点

“新业务数据表现优于同类业务及行业标准，特别是渠道F用户黏性高且付费率高，建议增加F渠道的广告投入”