数据分析
文章平均质量分 78
学掌门
学习掌门人,职场引路人!
展开
-
哪些人真的不适合学习数据分析,你中招了吗?
另一个方面是自己缺乏练习,很多人学课程,看书,从来不自己操作,老想寻找一些面试题、某企业级数据集拿来分析一下,看看自己的水平,要对胃口的数据集其实很少的,即使有,也是美化版的,很多综合性的演练你还是学不到的,还不如随便爬一些数据,越乱越好(对练习工具操作有巨大好处),然后在现有数据的基础上看看可以分析出什么?从大数据培训学校的角度来说,学大数据的学员一般都是专科及以上,具有统计学之类的知识,有一定的基础的,不然即使你报名学习了,但是因为基础为零,也是很难克服困难的,自动放弃还不如当初想清楚再学。原创 2024-09-10 10:02:10 · 393 阅读 · 0 评论 -
Python开发学习之Python和Excel的数据实现互通
今天为大家分享一篇使用Python和Excel的数据实现互通的技巧心得,可以让Python和Excel的数据实现互通!具有很好的参考价值,希望对大家有所帮助(建议在电脑端阅读,代码案例较多)。一起过来看看吧!问题描述为了更好地展示数据,Excel格式的数据文件往往比文本文件更具有优势,但是具体到python中,该如何导出数据到Excel呢?如果碰到需要导出大量数据又该如何操作呢?具体步骤Step 1 安装openpyxl。原创 2024-09-03 09:57:03 · 1151 阅读 · 0 评论 -
数据分析面试重点!小白必看!
Z-score:最常见的标准化方法就是Z标准化,也是SPSS中最为常用的标准化方法,spss默认的标准化方法就是z-score标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,其转化函数为:x∗=x−μσ,其中μ为所有样本数据的均值,σ为所有样本数据的标准差。特征工程的目的是筛选出更好的特征,获取更好的训练数据。因为好的特征具有更强的灵活性,可以用简单的模型做训练,更可以得到好的结果。数据清洗也是很重要的一步,机器学习算法大多数时候就是一个加工机器,至于最后的产品如何,取决于原材料的好坏。原创 2024-08-29 09:30:41 · 439 阅读 · 1 评论 -
做数据分析的女孩子,职业发展前景在哪里?数据分析枯燥吗?
网秦科技,美股的上市企业。很多年前,已经组建了国内较早的数据分析团队,另外一家是杭州独角兽企业,51公积金,数据团队超过十余人,Leader是女性。做数据分析,个人感觉并不适合男生,因为很多男孩子沉不下心(当然男孩在工作中,也更有攻击力,做产品岗,或者运营,技术岗位更佳),我觉得蛮适合女孩子。注意采样:经常200以内的数字,不要拿来分析,样本量太低,比如冠性病毒早期,也不具备多大分析意义,目前才呈现出来一点的趋势性。当然,很多其它类型企业也会如此,比如ai,大数据,云计算,相关领域,数据也是重中之重。原创 2024-08-20 09:59:34 · 176 阅读 · 0 评论 -
学习Python可以做什么工作?选什么方向?
现在非常有影响力的AI框架大多是Python的实现,Python足够动态、具有足够性能,这是AI技术所需要的技术特点。Python目前是比较热门的编程语言,物联网的到来离开Python的语言,市场相关岗位空缺比较大,各行需求也是处于供不应求,学习Python时可以选择一个自己比较喜欢的从业方向发展深入学习。Python语言对测试的帮助是非常大,自动化测试中Python语言的用途很广可以提升工作效率,Python太强大掌握和熟悉自动化的流程,方法和我们总使用的各个模板。8、Python自动化测试。原创 2024-08-05 10:00:29 · 317 阅读 · 0 评论 -
哪些人真的不适合学习数据分析,你中招了吗?
另一个方面是自己缺乏练习,很多人学课程,看书,从来不自己操作,老想寻找一些面试题、某企业级数据集拿来分析一下,看看自己的水平,要对胃口的数据集其实很少的,即使有,也是美化版的,很多综合性的演练你还是学不到的,还不如随便爬一些数据,越乱越好(对练习工具操作有巨大好处),然后在现有数据的基础上看看可以分析出什么?从大数据学习的角度来说,学大数据的学员一般都是专科及以上,具有统计学之类的知识,有一定的基础的,不然即使你报名学习了,但是因为基础为零,也是很难克服困难的,自动放弃还不如当初想清楚再学。原创 2024-07-30 10:04:35 · 348 阅读 · 0 评论 -
数据分析面试指南,知道以下几点成功率提升50%
基础知识考察往往会和你的项目相结合,会考察你的项目中涉及的知识,所以对于项目中涉及到的知识要做到尽可能的熟悉,知其然知其所以然。大家在准备面试的时候,还要注意的一点是可以结合企业和岗位的特点去进行有针对性的准备,很多辅导的同学会问我能不能帮忙预测一下面试官会问什么,其实想要预测面试官的问题一般来说不太可能,但可以通过查看面经去推断企业比较侧重的考察点,比如有些企业比较侧重于基础知识的考察。常见的选择应该就是SQL,R或者Python,这几种语言相对都比较简单些,而且有高度标准化的数据处理,分析方面的内容。原创 2024-07-23 09:54:59 · 256 阅读 · 0 评论 -
做了三年数据分析,给你的几点建议
这一点我也还在学习,从现有的数据表现,提出有建设性的意见给运营、产品、领导,这是很考验人的,不仅要确保数据准确无误(这样才能得出没有偏差的结论),还得对业务产品了熟于心,还有对行业的一个全局观,我刚开始学习的时候,当时的目标是把别人的代码抄下来,只要不报错就好了。后来慢慢的感受到了乐趣,其中有一点很重要,要先把问题给弄清楚了,这也就要求我们把问题一步步的分解,然后使用搜索工具一步步的解决 ,其实在这个过程中,思路将会越来越清楚,最后问题也就能解决了一大半了,这时再问别人的时候也能特别有效率的。原创 2024-07-18 09:52:09 · 354 阅读 · 0 评论 -
数据分析面试指南,知道以下几点成功率提升50%
基础知识考察往往会和你的项目相结合,会考察你的项目中涉及的知识,所以对于项目中涉及到的知识要做到尽可能的熟悉,知其然知其所以然。大家在准备面试的时候,还要注意的一点是可以结合企业和岗位的特点去进行有针对性的准备,很多辅导的同学会问我能不能帮忙预测一下面试官会问什么,其实想要预测面试官的问题一般来说不太可能,但可以通过查看面经去推断企业比较侧重的考察点,比如有些企业比较侧重于基础知识的考察。常见的选择应该就是SQL,R或者Python,这几种语言相对都比较简单些,而且有高度标准化的数据处理,分析方面的内容。原创 2024-07-15 10:08:41 · 294 阅读 · 0 评论 -
数据分析师职业规划——数据分析师这个岗位,可能近几年会消亡
这其中就涉及到一些代码的效率优化问题,这个就不是简单懂一点python可以搞定的了,可能涉及到一些数据压缩格式的转化,比如Json/Proto buffer到hive表的转化,还有一些计算框架层面的调优,比如spark设置什么样的参数,以及怎么样存储可以更好的提升查询速度。这项工作的痛点和难点在于,我们为了得到一个结果,通常需要join很多的数据集,然后整个SQL语句就会写的特别长,而且可能会出现一些问题:比如join的表可能会出现key是重复的情况,造成最终的SQL结果因为重复而变得不可用。原创 2024-07-11 09:53:04 · 431 阅读 · 0 评论 -
从零到字节跳动数据分析师,我是这样完成转型的
对于Excel的学习,如果你的意向的岗位不是那种纯excel的数据分析师岗位的话,建议大家不需要花费太多时间在excel上,我个人是几乎没花什么时间在excel上,主要的是要掌握vlookup、透视表和一些常用图表,不会的函数就直接百度。对于统计学基础不怎么好,或者已经忘干净的同学,可以看网易公开课里可汗学院的课程恶补一下,我在准备的时候复习了一遍,感觉效果不错,捡回了不少遗忘的知识。对于sql的学习,完全没有基础的同学可以先看这本《sql必知必会》,了解sql的一些基本知识,增改删查,主要看查询的部分。原创 2024-06-18 09:58:09 · 419 阅读 · 0 评论 -
数据分析之数据预处理、分析建模、可视化
数据中台 是指通过数据技术,对海量数据进行采集、计算、存储、加工,同时统一标准和口径,是一个数据管理体系,内容涉及全局数据仓库规划、规范定义、建模研发、连接萃取、运维监控等。企业需要更加强大的数据分析工具,比如大数据开发框架,它能支持企业海量数据运行和分析,结合商业智能报表工具,可以实现对数据的实时监控和展示,并且能够通过对历史数据分析建立相应的预测模型,对未来趋势进行预测。定性数据: 指描述事物的属性、类别、特征的数据,不能进行加减乘除等数学计算,一般是字符型,包含汉字、字母、数字、符号等;原创 2024-06-17 10:04:47 · 1660 阅读 · 0 评论 -
数据分析常用6种分析思路(下)
e.g. 用户的标签分为基础标签和复合标签,基础标签就是单个用户属性来定义的(例如性别、婚否等),复合标签则是考虑多个基础标签的组合(例如,某个典型的用户群体画像是:女性+单身+白领+一线城市);e.g. 风控业务中累计坏账计提的计算,是将不同的逾期资金规定不同的风险计提比例,最后再把所有类别的风险计提资金汇总起来,作为公司所有贷出款项的风险计提资金,从而对公司贷款业务风险进行评估;精通方法,深入业务,勤于实践,多加总结,最终就能踏上描述–>解释–>预测–>控制,步步高升的数据分析师精进之路。原创 2024-06-13 09:47:20 · 708 阅读 · 0 评论 -
数据分析常用6种分析思路(上)
e.g. 在用户运营理念中有这样一个转化公式:路人–>用户–>粉丝–>员工,先把围观的感兴趣的路人转化为用户,轻度用户是产品的使用者,中度用户是产品的“追随者”,重度用户则会主动参与产品的功能反馈和改进建议,在这个转化过程中用户的参与度逐步提高。产品转化的每个步骤都会有用户流失,好比100个人参加有9个关卡的淘汰游戏,每个关卡会淘汰10个人,整个游戏最终会剩下10个获胜者,把这个游戏看作产品,那么该产品的全流程转化率就是10%(游戏获胜率)。那么,今天这篇内容,你一定要好好读一读,说不定对你益处非常多。原创 2024-06-12 10:21:05 · 938 阅读 · 0 评论 -
7种常用数据分析方法,建议收藏学习(下)
其中的经验标准是在大量的实践过程中总结出来的值,而理论标准则是根据理论推断出来的值,平均值则是某一空间或时间的平均值。相似空间的对比对象必须是形态上比较接近,先进空间则是和同一种形态中的优秀空间进行对比,与扩大空间的对比,比如北京和全国的数据对比,北京王府井店和全北京的数据对比,和竞争对手的对比也在此列。中位数主要是反映的是一组数据的集中趋势,像我们比较常见的正态分布,比如说我们想去统计某市的人均收入,其实,大部分的人均收入都是在一定范围之内的,只有少部分是处于最低的和最高的,其实这是中位数带来的意义。原创 2024-06-11 10:22:31 · 956 阅读 · 0 评论 -
7种常用数据分析方法,建议收藏学习(上)
右下角的浏览量高,但加购数低的,说明这个时候他的资源位置是好的,但是用户对这部分的产品并不感兴趣的,我们就需要对其进行相应的位置调整。用户分群和用户分层其实是相关联的,用户分群是对用户分层的补充,当用户差异性较大,层级上不能再做用户细分时,可以考虑将同一个分层内的群体继续切分,满足更高的精细化运营需要。除此以外,还可以针对流失高/留存高的用户群组进行一对一的用户行为分析,统计留存/流失用户的行为特征,特别是针对流失用户,通过流失用户的行为分析总结流失原因,从而提升留存率。原创 2024-06-06 10:00:35 · 420 阅读 · 0 评论 -
气死!又被数据骗了!
如果你是一位投资人,看到了上图这样一份公司近几年的财务报告,展示了公司每年净利润的走势,你就会觉得:哇,这家公司经营的不错啊,每年都在增长,看起来很有投资价值!但是第二张中虽然两个因素的变化趋势也是一致的,但是我们很难相信,一个国家的芝士消费量,会与每年被被单缠住窒息的死亡人数有关系,因为这两者之间很难产生因果关系,这就叫做“伪相关”。所以,面对数据,我们一定要秉持着绝对客观、严谨的态度去看待,做数据分析,是为了推动业务的发展,挖掘更多价值,而不是为了迎合业务想要的结果。两地的市场占有率如下表。原创 2024-05-09 10:02:10 · 317 阅读 · 0 评论 -
抽丝剥茧的数据分析之道
但数据的本质还是数值,只是属于最后结果的一种表现形式,要想改变结果,只能去寻找因,从因上做改变,才能引起结果的改变。以上,就是数据分析需要怎样的能力,其实,在很多企业中,数据分析是个岗位,但我一直认为数据分析仅仅是数据从业者谋生的高级手段,数据运营、数据产品、数据管理等各类岗位都需要数据分析的技能,比如数据运营就是数据分析的一种持续迭代形式。这些东西说起来都是高大上的,简单来说,能通过数据找到问题,准确地定位问题,准确地找到问题产生的原因,为下一步的改进,找到机会点,也就是所谓的:数据驱动。原创 2024-05-08 10:04:56 · 248 阅读 · 0 评论 -
数据分析领域,你一定要知道的一些实践经验
一个数据指标,会受到多种因素的影响,而这些因素有内部的,有外部的,我们应当尽可能多的了解所有层面的影响因素,帮助我们对于数据的解读及分析是在一个相对正确的范围内。我自己的思考就是:先忽略乱七八糟,高大上的概念,回归到本质,其实,明确分析目标后,数据分析就是为了指标服务的,最终的体现就是某个数据指标提升或者下降,进而影响业务决策,所以需要先了解一个问题:什么是指标?例如,咱们来拆解一个数据指标,就需要一个抽丝剥茧的过程,但在实际业务分析中,不一定要拆解的多么细,基本上3个层级就能够指导我们去做一些动作。原创 2024-05-07 10:18:12 · 425 阅读 · 0 评论 -
想用数据分析结论,与竞争对手PK?这篇实用战术拿走不谢!
即以相同的和略高于竞争者的价格向顾客提供可感受的附加值,其目的是通过提供更好的产品和服务来获得更多的市场份额进而销售更多的产品,或者通过稍高的价格提高收入的一种战略类型,企业可以通过采取有形差异化战略,如产品在外观、质量、功能等方面的独特性;比如,某二级综合医院要改变市场的不利地位,就必须建立自己的核心竞争能力,获得医疗市场的竞争优势,按照“战略钟”模型,医院必须通过提供差异化的服务来建立自身的竞争优势,剩下的能够获得竞争优势的可选战略就有两种:混合战略、差异化战略。建设一所专业化特色突出的综合医院。原创 2024-05-06 10:11:16 · 360 阅读 · 0 评论 -
构建数据驱动的文化价值体系,还得靠数据分析
将那些刚接触数据分析的人员与经验丰富的数据分析师联系起来,将为您提供直接与您的组织数据,业务流程和当前数据挑战相关的教学机会。数据中的道德规范也应成为讨论的一部分,并应涵盖企业级最佳实践中,并明确说明如何处理您拥有的数据和所收集的知识。IT部门通常是企业的数据管理员,因此,基于对IT的阻碍和试图阻止对数据的访问的误解,IT与企业的其余部分之间可能会出现摩擦。例如,数据可访问性方面的限制不仅可以帮助您了解数据复杂性的水平,还可以提出问题,帮助您解锁不必要的不可用数据。这些处方的费用是多少?原创 2024-04-24 10:12:21 · 456 阅读 · 0 评论 -
数据分析的12个挑战及其解决方法
最后,随着组织的发展以及收集的数据量的增长,分析可能很难扩展,收集信息和创建报告变得越来越复杂,随着数据分析的发展,数据系统也会有进一步的发展;为了使员工更易于接受,我们可以通过说明分析方式的改变,会减轻他们的角色负担,精确他们的岗位职责,从而是他们的工作变得更有意义。有效的数据库,可以消除任何可访问性问题,授权的员工可以从任何地方查看或编辑数据,从而说明组织的变化和高速决策。随着风险管理在组织中越来越流行,财务官和其他高管要求风险管理员提供更多分析结果,因为他们期望获得更高的回报,和各种数据的大量报告。原创 2024-04-22 10:08:21 · 599 阅读 · 0 评论 -
新手需要知道的MySQL知识之数据表的约束
但是,如果主表中的数据被删除或修改从表中对应的数据该怎么办呢?很明显,从表中对应的数据也应该被删除,否则数据库中会存在很多无意义的垃圾数据。被标识为主键的数据在表中是唯一的且其值不能为空。默认值约束即DEFAULT用于给数据表中的字段指定默认值,即当在表中插入一条新记录时若未给该字段赋值,那么,数据库系统会自动为这个字段插人默认值;换句话说,表的约束实际上就是表中数据的限制条件。为防止错误的数据被插入到数据表,MySQL中定义了一些维护数据库完整性的规则;(外键的那个字段不在了,就证明删除成功了。原创 2024-04-18 09:59:18 · 701 阅读 · 0 评论 -
从零到字节跳动数据分析师,我究竟经历了什么?
没有背景,没有高学历,没有相关的学历,是我入行前最大的痛点。Excel:对于Excel的学习,如果你的意向的岗位不是那种纯excel的数据分析师岗位的话,建议大家不需要花费太多时间在excel上,我个人是几乎没花什么时间在excel上,主要的是要掌握vlookup、透视表和一些常用图表,不会的函数就直接百度。在面试中,对分析思维的考察也是相当重要的一环。是来自你对比赛业务的理解,只有你真正理解了业务,才能构思出好的特征,从而取得好的名次,这个业务型数据分析师的本质也是相通的,理解业务,改进业务。原创 2024-04-15 10:07:20 · 472 阅读 · 0 评论 -
大数据知识合集之数据分析方法论
其中,用户分类是最常见的情况。折线图和散点图都清晰的表示了广告曝光量和费用成本两组数据间的相关关系,优点是对相关关系的展现清晰,缺点是无法对相关关系进行准确的度量,缺乏说服力。对所研究现象只作相关分析,仅说明现象之间具有密切的相关关系是不够的,统计上研究现象之间具有相关关系的目的,就是要通过回归分析,将具有依存关系的变量间的不确定的数量关系加以确定,然后由已知自变量值推算未知因变量的值,只有这样,相关分析才具有实际意义。相关分析的方法很多,初级的方法可以快速发现数据之间的关系,如正相关,负相关或不相关。原创 2024-04-11 09:56:10 · 756 阅读 · 0 评论 -
电商用户行为数据分析
由下表数据,次日、3日、7日留存率均维持在20%左右,数据作为周留存率来看,表现还是非常优秀的,但作为次日留存来看,就不是很理想了,可以结合产品设计和新用户转化路径来分析用户的流失原因,通过不断的修改和调整来降低用户流失,提升次日留存率;电商分析通常从四个方面展开,即:流程效率分析、流量/用户分析、商品分析、产品分析,通过流程效率拆解追踪问题产生环节,通过用户粘性、价值、满意度分析来进行用户分层及流失预警,通过商品生命周期及关联分析来划分商品等级,通过产品分析提升用户浏览-购买过程体验。原创 2024-04-10 10:05:03 · 1151 阅读 · 0 评论 -
盘点7款数据分析实用又经典的工具
其最主要的特点是免费、开源、各种各样的模块十分齐全,在R的综合档案网络CRAN中,提供了大量的第三方功能包,其内容涵盖了从统计计算到机器学习,从金融分析到生物信息,从社会网络分析到自然语言处理,从各种数据库各种语言接口到高性能计算模型,可以说无所不包,无所不容,这也是为什么R正在获得越来越多各行各业的从业人员喜爱的一个重要原因。Excel具备多种强大功能,比如创建表单,数据透视表,VBA等,Excel的系统如此庞大,以至于没有任何一项分析工具可以超越它,确保了大家可以根据自己的需求分析数据。原创 2024-04-03 10:03:32 · 395 阅读 · 0 评论 -
会数据分析的人,职业前景究竟有多广阔?
数据获取看似简单,但是需要把握对问题的商业理解,转化成数据问题来解决,直白点讲就是需要哪些数据,从哪些角度来分析,界定问题后,再进行数据采集。互联网行业是数据分析应用最广的行业,其中的电商企业,更是目前最火的,而且企业也更重视数据分析的价值,是数据分析师理想的成长平台。电信行业(中国移动、联通和电信),它们拥有海量的数据,在严峻的竞争下,也越来越重视数据分析,但进入这些公司的门槛比较高。最后,多看多想多观察,学习业务职能是这样,细水长流,还需要不断工作积累和广泛的阅读。希望你能够成为你想成为的人!原创 2024-04-02 10:16:26 · 541 阅读 · 0 评论 -
BI数据分析师究竟是做做什么的?
并非所有的商业分析师都需要IT方面的背景知识,只要他们对信息系统,产品和工具的工作方式有一个基础的了解即可。但是在这里要强调的是,这不是单纯的商业分析师,也不是单纯的数据分析师,而是综合的复合型人才,既要有商业的一些分析方法和对业务的理解,又要会数理统计的一些分析方法,只有这样才能更好的适应从BI到AI的过度升级。而作为数据分析的硬核技能,我们有需要掌握一些处理数据的工具,包括一些统计学的方法,并会建模分析,能够做预测分析,再结合商业分析的方法和业务的一些情况,我们才能做的更好。原创 2024-04-01 10:32:27 · 304 阅读 · 0 评论 -
字节跳动的数据分析师为什么能拿50K
如果是初级数据专员,只能一摊手,我也不知道啊,你们自己分析看看吧~结果就可想而知了,不是和产品经理上演拳皇,就是收拾东西走人。但是,数据开发工程师,比如我的学弟,就可以解决具体问题。通过数据建模,算法模型,预测出将要产生的结果,并告知业务组或者领导,如何去优化,怎么提升业绩,这也是我的学弟正在努力的方向。我的学弟小王所在的公司最近在推一个新产品,产品经理发现最近新用户的留存比较差,找到我的学弟,让他分析原因。究其原因,在互联网经济的下半场,存量竞争的市场下,凭“感觉”,靠“经验”去做决策的风险越来越大。原创 2024-03-28 09:56:38 · 192 阅读 · 0 评论 -
Python数据分析师工资怎么样?
在更大的数据量的处理与分析上,Python带来的是更加高效的数据处理。目前来说,Python数据分析师待遇是非常可观的,因为数据分析师人才需求量持续走高,而专业的人才供给还远没有跟得上,根据不同的地区,数据分析师入门薪资在6K到8K之间,在北上广等一线城市,如果能力跟得上,起薪得到一万以上也是有的。并且,Python数据分析师的薪资成长空间也很大,从入门到工作,通常工作一两年以后可能会到1万5以上,随着你经验的增长,当你可以在行业里称作大牛的时候,数据分析的工资可能会涨到二三十万以上甚至三四十万以上。原创 2024-03-27 10:09:25 · 446 阅读 · 0 评论 -
Python 数据分析师必备的入门学习路线和技能
比如,统计中国家庭人均收入时,如果源数据里面,有王建林,马云等这种富豪,那么,人均收入的均值就会受到极大的影响,这个时候最好,绘制箱形图,看一看百分位数。限于篇幅,在此,我就不一一展开了。就不均衡解决的难易程度而言,数据量越大,不均衡的问题越容易解决,相反,数据量很小,再不均衡,解决起来就比较困难了,比如典型的太空中是否有生命迹象这个事情,压根就没有太多相关的因素数据,如果某个特征的取值远多于另外一种,处理这种数据不均衡问题,就比较困难了。概率,平均值,中位数,众数,四分位数,期望,标准差,方差。原创 2024-03-26 10:07:02 · 964 阅读 · 0 评论 -
我在京东做数据分析,一位京东数据分析师的工作日常
动态比较是在同一总体条件下对不同时期指标数值的比较,也叫纵向比较,简称纵比。该方法以属性A为横轴,属性B为纵轴,组成一个坐标系,在两坐标轴上分别按某一标准进行刻度划分,构成四个象限,将要分析的每个事物对应投射至这四个象限内,进行交叉分类分析,直观地将两个属性的关联性表现出来,进而分析每一个事物在这两个属性上的表现,因此它也称为象限图分析法。通过漏斗图的对比和转化分析,可以找出销售在过程管理行为中,哪些方面的行为过程较为薄弱,哪些环节的转换率较低,针对这种情况,有的放矢,各个突破,规范销售个人的业务行为。原创 2024-03-25 10:09:02 · 1066 阅读 · 1 评论 -
作为数据分析师,这6款数据分析热门工具,你不能错过~
Excel的功能十分强大,它不仅提供了众多的数据处理功能,像Excel函数能够帮助我们做数据整理,数据透视表帮助我们快速、高效的做各种维度分析,形形色色的图表能帮我们形象地展示出数据背后隐藏的规律,同时Excel还有很专业的数据分析工具库,包括描述性统计分析、相关系数分析等。但严格定义来讲,它其实是一款自助式BI。同时,无论你的数据是简单的 Excel电子表格,还是基于云和本地混合数据仓库的集合, Power BI都可以让你轻松地连接到数据源,直观看到或发现数据的价值,与任何所希望的人进行共享。原创 2024-03-14 09:53:41 · 449 阅读 · 0 评论 -
8个常用数据分析方法,轻松搞定各种业务分析
可以和自己比,也可以和行业或者竞品比。比如从时间维度,那去年的销售额数据和今年的相比,发现下滑5%,说明公司今年销售情况相比去年不太好,然后再和行业整体数据相比,发现行业整体销售下滑20%,公司销售下滑比例远小于行业整体销售下滑比例,说明今年公司的销售情况还不错。例如,我们需要对站外推送到达率底的问题进行分析,可以按照逻辑树分析法将问题拆解外安卓和ios送达率低两个子问题,然后在继续向下拆分,严密地探索问题背后的每一个原因,将问题表面化,以因果逻辑为线索,在深度与广度上寻找问题的原因。原创 2024-03-13 10:27:20 · 1671 阅读 · 0 评论 -
数据分析:如何深挖原因,推动业务
如果你分析只深入到“留存率不高”这个结论的话,业务人员不知道更多信息,也只能选择做一些签到或者标题党的PUSH,因为这类业务动作是肯定有效的,只是未必是最佳的策略。但是对于这样的产品,你去分析如何优化现有产品是没有任何意义的,因为你根本不知道这个产品解决的是什么需求,或者你要解决的根本就是伪需求,所以方向选错了,一切努力都是白费。因为这个结论的潜台词是,整个业务是一台运转严密的机器,最终的产出下降了,是中间的一环出现了问题,现在既然留存率出了问题,那么我们把留存率搞上去的话,日活就能回归正常。原创 2024-03-12 10:13:04 · 937 阅读 · 0 评论 -
数据分析入门,深入浅出的数据分析
其中当然离不开数学与统计学的知识,需要有微积分、线性代数、概率论与数理统计等相关的知识储备。数据分析是指用适当的统计分析对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来,以找出所研究对象的内在规律。在企业里面,数据分析可以帮助我们掌握企业的运营状况,商品的出售情况,用户的特征、产品的粘性、等等。数据分析的进阶需要会使用一门或多门编程语言,如Python和R,这将会使你的数据分析变得更加高效。原创 2024-03-11 10:17:35 · 633 阅读 · 0 评论 -
一张图带你了解数据分析的完整流程
在数据存储阶段,数据分析师需要了解数据存储内部的工作机制和流程,最核心的因素是在原始数据基础上经过哪些加工处理,最后得到了怎样的数据。数据分析相对于数据挖掘更多的是偏向业务应用和解读,当数据挖掘算法得出结论后,如何解释算法在结果、可信度、显著程度等方面对于业务的实际意义,如何将挖掘结果反馈到业务操作过程中便于业务理解和实施是关键。在业务理解数据的基础上,推动业务落地实现数据建议。数据项目工作是循序渐进的过程,无论是一个数据分析项目还是数据产品项目,都需要数据分析师具备计划、领导、组织、控制的项目工作能力。原创 2024-03-07 10:04:11 · 2394 阅读 · 0 评论 -
数据分析的理念、流程、方法、工具(下)
为了促进流量运营、用户运营、内容运营等各运营团队之间的协作,可以将营业收入KPI以乘积的方式分解成各运营团队的KPI,各团队不仅需要完成各自KPI还需要相互合作才能完成共同KPI,有效减少了团队间的内耗。在资源有限的情况下,可以优先满足10分以上高价值用户的需求,同时通过完善权益机制,激励9分以下的低价值用户升级,引导整个用户体系的良性发展。4)将R5、F5、M5等同于5分,R4、F4、M4等同于4分,R1、F1、M1等同于1分,将每个顾客对应的三个数字相加,作为内容提供用户价值的得分。原创 2024-03-06 10:26:56 · 987 阅读 · 0 评论 -
数据分析的理念、流程、方法、工具(上)
明确要分析哪些具体的数据指标,为了避免遗漏关键细节,可以先对业务(或某一个活动、使用场景)流程做梳理,得出每一个节点的数据指标项,根据分析目标需要,保留关键项,剔除多余项。数据应用层是数据产生价值的出口,通过数据挖掘、用户画像建模、推荐算法的制定,可实现千人千面的个性化内容推荐。数据驱动产品、数据驱动运营的关键在于「可以通过数据分析提出产品优化思路,提出运营提升的举措,快速上线验证效果,重新优化,进入新的增长循环」。这一环节的目标是发现数据的特征、规律、数据之间的关联,通过对数据的洞察解决实际问题。原创 2024-03-05 10:08:52 · 1235 阅读 · 0 评论