2021-02-01

大纲：

1. 数据分析的思维和方法
2. exel进阶
3. 数据库理解和SQL入门
4. 数理统计学
5. 数据分析软件应用
6. 数据可视化
7. 常见的业务分析模型
8. python语言掌握
9. 业务理解和指标设计
10. 增长黑客：数据驱动增长

一、数据分析思维

• 背景：数据异常，分析可能的原因
• 正确做法：首先需要具备看待一个事物的逻辑化思维，其次用数据去证明；
• 两种推理模式 ：归纳和演绎。帮助分析师完成原始的业务逻辑积累，在此基础上快速定位业务问题，提升分析效率。

1. 金字塔/结构化思维

• 归纳就是把问题分解成多种单一因素的过程，并且将因素 加以归纳和整理，使之条理化和纲领化。
  如何练习结构化思维：使用金字塔模型；中心论点—主要论点—分论点。
  MECE法则去思考结构：尽可能列出所有思考的要点，找出关系，进行分类，原则是论点之间相互独立，不重叠，论据穷尽划分，不遗漏。

2. 假说演绎思维：
   以规则为起点的推理方法称之为演绎推理：例如分析某自营电商网站，现在将商品提价，分析销售额会有怎样的变化？
3. 指标化思维：

• 指标：就是用来定义、评价和衡量业务的一个标准。
• 指标设定有两个经验：对于要监控的事物，能有指标的尽量要有指标；一个好的指标应该是用来衡量具体可量化的事物，比如停留时长。
• 指标体系：指标按照结构化思维形成一个体系，就是指标体系，比如销售分析指标体系，电商行业指标体系。
• 建立指标体系的思路：向上和向下；向上：按照业务职能结构划分，映射出更多维度，将相关指标映射到主要模块，通过简单快速的沟通，快速定位问题原因。向下：可以按照因果结构划分，也就是指标分解，利用公式的方法。通过定位指标波动，定位最细指标，辅助维度下转，能够清楚问题的原因。就像枝丫一样，从主干不断延伸，将业务用指标量化，逐渐形成一个健全的数据分析体系。

4.维度分析思维 ：
当有了指标，可以着手进行分析，数据分析可以分为三类：第一类是使用维度分析数据，第二类是使用统计学知识如数据分布假设检验，第三类是使用机器学习。
维度是观察数据的角度，在具体的分析中，我们可以把它认为是分析事物的角度，例如时间、地区、产品等等。当有了维度之后，可以通过的维度组合，形成数据模型，形成一个多维立方体。
这个概念最早来源商业智能OLAP技术，数据按照事实表和维度表的形式存在，事实表用于记录具体事件，比如销量、销售额、售价、折扣等具体的数值信息，包含两个方面的信息，维度和度量，维的具体描述信息记录在维表，事实表中的维属性是关联到维表的键，并不记录具体信息，度量一般都会记录事件的相应 数值，比如产品的销售数值。维度表是对事实表中事件的要素的描述信息，比如时间、城市、品牌，机型。维度表中的信息是可以分层的，比如时间可以分层为年、月、日等。

多维分析操作：

• 钻取：在维度的不同层次之间的变化，从上一层降到下一层，或者将汇总数据拆分到更细节的数据。
• 上卷：钻取的逆操作，即从细粒度向数据向高层的聚合。
• 切片：例如选择维度中特定的值进行分析，比如只选择苹果手机的销售数据。
• 切块：选择维中特定区间的数据进行分析。
• 旋转：即维的位置的互换，就像是二维表的行列转换。

5. 公式化思维
6. 业务化思维：还衍生出一些基础方法 ，比如象限法、多维法、指数法、二八法、对比法、漏斗法；

二、EXCEL进阶

• 基础：简单的表格数据处理、排序、筛选（函数和公式、可视化图表、数据透视表、VBA程序开发）先过一遍基础，了解什么是什么，然后找几个case练习，多逛逛excelhome论坛，善用插件。
• 制作数据模板必须掌握的excel函数（日期函数、数学函数、统计函数、查找和引用函数、文本函数、逻辑函数）。
• 数据透视表：把大量数据生成可交互的报表，具备下面的重要功能：分类汇总、取平均、最大最小值、自动排序、自动筛选、自动分组、可分析同比、环比、定比、自定义公式。

三、数理统计学

问题场景：1.什么是最常见或可预期的观测？2.观测的限制条件是什么？3.数据是什么样子的？
借助统计工具：

• 集中趋势（中数、众数、平均数）
• 变异（四分位数、四分位距、异常值、方差）
• 归一化（标准分数）
• 正态分布
• 抽样分布（中心极限、抽样分布）
• 估计（置信度、置信区间）
• 假设检验
• T检验

四、常见的业务分析模型

数据分析思维是框架式的指引，实际分析问题需要很多技巧工具。
几种常见的5种数据分析方法：公式法、对比法、象限法、二八法、漏斗法 。

（1）公式法

就是针对某个指标，用公式法层层分解该指标的影响因素。
例如分析销售额较低的原因，用公式法进行分解：

• 产品销售额=销售量*产品单价——是销量过低还是价格设置不合理？
• 销售量=渠道A销售量+渠道B销售量+渠道C销售量——分析各渠道销售量，对比以往，是 那些过低了？
• 渠道A销售量=点击用户数*下单率——下单量过低，则看是否该渠道的广告内容针对的人群和产品实际受众符合度高不高？
• 点击用户数=曝光量*点击率——是曝光量不够还是点击率太低？点击率需要优化广告创意，曝光量和投放的渠道有关。
  通过对销售额的逐层拆解，细化评估以及分析的粒度。
  公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。

（2）对比法

用两组或两组以上的数据进行比较，是最通用的方法。
孤立的数据没有意义，有对比才有差异。一些直接描述事物的变量，如长度、数量、高度、宽度，通过对比得到比率数据、增速、效率、效益等指标，这才是常用的。
比如时间维度上：同比和环比、增长率、定基比，与竞争对手之间的对比、类别之间的对比，特征和属性之间的对比等；对比法可以发现数据变化规律，使用频率等。

（3）象限法

通过两种以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转化为策略，从而进行一些落地的推动，象限法是一种策略驱动的思维，常用于产品分析、市场分析、客户管理、商品管理。

还有RFM模型：

象限法的优势：
1.找到问题的共性原因：将有相同特征的事件进行归因分析，总结其中共性原因；
2.建立分组优化策略

（4）二八法/帕累托分析

源于经典的二八法则，是抓重点分析，适用于任何分析，找到重点，发现其特征。
一般会用在产品分类上，去测量并构建ABC模型，比如去区分哪些SKU是重要的，就是在业务运营中分清主次的问题。常见的就是将产品SKU作为维度，将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品的SKU的销售额累计合计占比总销售额的百分比。比如百分比在70%以内，划分为A类，百分比在70%~90%以内，划分为B类，百分比在90%-100%，划分为C类。也可以用来进行客户管理。

SKU:产品统一编号的简称，每种产品均对应有唯一的SKU号。单品：对一种商品而言，当其品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等属性与其他商品存在不同时，可称为一个单品。[1] 
针对电商而言，SKU有另外的注解：1、SKU是指一款商品，每款都有出现一个SKU，便于电商品牌识别商品。2、一款商品多色，则是有多个SKU，例：一件衣服，有红色、白色、蓝色，则SKU编码也不相同，如相同则会出现混淆，发错货。

（5）漏斗法

是一个流程化的思考方法，常用于新用户的开发、购物转化率这些有变化和 有一定流程的分析之中。整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率 来衡量每一个步骤的表现，最后通过异常的数据指标 找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转换率的目的。
整体漏斗模型的核心思想可以归为分解和量化，比如分析电商的转化，要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点，对于没有按照流程操作的用户，专门绘制转化模型，缩短路径提升用户体验。
还有经典的黑客增长模型，AARRR模型，指的是 用户获取、用户激活、用户留存、用户收益、以及用户传播，这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命的周期位置，来关注不同的数据指标，最终制定不同的运营策略。

五、业务理解和指标设计

行业动态，各业务的通用指标。
指标体系。

六、数据驱动&增长黑客

了解业界不管是传统行业还是互联网行业数据驱动业务增长的成功案例；
未来成为增长要做好哪些准备？
日常工作中，如何让自己避免成为取数机？
如何推动数据分析工作并得到老板重视？
工作中有哪些工作细节，去潜移默化的改变身边人尤其是老板对数据价值的认知？