写给数据分析小白:一种通用的数据思维

时间:2019-09-04 来源:www.0419fc.com

我必须在2天前分享帆

中国统计网

“Why-What-How”是解释概念和执行的良好思维模式。本文使用此框架来分割数据分析。许多小白可能没有数据分析的想法。在这里,权利从个人的角度分类。为了帮助您更好地理解本文,请先发布思维导图:

I.为什么:为什么要进行数据分析?

个人理解,数据分析是分析业务问题并以定量方式得出结论。有两个关键词:量化和商业。

量化是统一意识并确保路径可追溯并可以复制。除了“量化”之外,另一个关键词是“商业”。只有通过解决业务问题分析,我们才能创造价值,包括个人价值和公司价值。

那么,如何从业务方面来思考这个问题,总结起来就是“担心并给予他们想要的”八个字:

完整的沟通结论简明扼要地提供信息并建议反馈意见

道路变黑了。例如,业务方表示它取决于页面停留的时间长度,但他实际想要的可能是衡量用户的质量,因此保留率和目标转换率是更合适的指标。

在澄清分析结果时,我们必须首先记住结论,逐层解释,然后提供参数。由于业务方面或管理时间有限,海洋上散布着大量的电子邮件,没有人头晕目眩。没有人在想你是如何分析它的。

在提供信息和登陆建议时,我们必须首先了解哪些信息是:提供对方不知道的信息。明天从东方升起的太阳不是信息问题,只是从西方升起。

二,什么:什么是数据分析

数据分析的本质是掌握变化和变化。 “变化”是数据分析的基础。如果业务订单每天都是单一的,或者如果它每天以10%的速度稳步增长,则无需进行分析。如果你想要掌握变化,你必须首先形成一个“不变的”意识。

因此,我建议新手应该养成习惯并在每天第一次检查工作时检查数据:实时&每周和每周的月度报告;记录关键数据(列表和报告)

在“不变”的基础上,指标敏感性,即指标偏离的能力,可以逐步培养。这主要通过各种日常比率,每周监测和每日好奇心来维持。从Questmobile列表中,让我们简要了解“索引偏差”如何应用于日常分析:

在此与大家分享如何查看此列表:

看看整体排名:看看哪些APP领先于你。除了您的期望外,还要看行业。看看行业排名及其变化。查看增长率:哪个APP增长速度快于其他指标,如使用时间

数据分析的定义,以及外国商业分析书的定义为脚注:

三,如何:如何进行数据分析

任何数据分析都是“分割,比较和可追溯性”三种行为的连续交集。最常见的细分对比维度是时间。我们使用时间来执行月份和月份比较。在发现数据异常后,我们将细分维度或流程并逐步找到问题。

1.细分

分割细分方法有三种主要方法

横切:根据特定维度对指标进行分段和交叉分析:将时间和时间对齐为轴,并将索引划分为上游和下游:根据模型从目标内部切割

横切

横切,我们对尺寸和指标进行分类和交叉。当某种类型的指标出现问题时,我们知道要分析的维度。在执行横切分析时,通常需要多个尺寸可互换使用。

纵向切割

在纵向切割中,如果有目的,则存在路径,并且漏斗用于分析。如果没有目的,则分析路径。没有路径没有目的,使用日志分析。

内在的,主要基于现有的分析模型,RFM,群组和细分。 RFM是最近购买时间,频率和数量的组合,以确定用户忠诚度和粘性。

2.比较

比较主要分为以下几类:

横切比较:根据细分中的横切尺寸进行对比,例如城市的垂直切割和类别:与细分中的分切维护相比较,例如漏斗的不同阶段的转换率目标比较:常见的目标管理,如完成率和其他时间比较:日常比率,每周比较; 7天滑动平均比较,7天极值比较

3.可追溯性

经过反复细分和比较,基本上可以确认问题。此时,有必要与业务部门确认数据是否由于某些业务操作(包括新版本在线)或活动策略优化而异常。

变化等

4,衍生模型

基于“细分比较”,可以导出许多模型。这些模型的含义是可以帮助您快速判断事物的关键因素,并且不要犹豫。以下是一些供参考:

Why-How-What5W1H5Why4P模型(产品,价格,渠道,宣传)SWOT模型(优势,劣势,机会,威胁)PEST模型(政治,经济,社会,技术)波士顿矩阵

方法:如何分析数据分析

以上是关于“陶科技”的“手术”部分。以下是对上述内容的总结,结合实际工作,并登陆“技术”部分。

1.数据分析过程和场景

根据不同的过程和场景,会有一些不同的注意点和“手术”的组合

2.数据分析中的常见错误

控制变量误差:进行A/B测试时没有控制变量,因此测试结果不能反映实验结果。或者在比较数据时,这两个指标无法比较。

为什么这个APP仍然有如此大量的页面浏览量?

谬误的定义:在查看某些报告或公布数据时,通常会有人混淆。 “访问该网站的次数超过1亿”,是访问过的用户数量还是访问过的网页数量?

比率谬误:基于比率或比例型指标的谬误可以单独提取。一个是每当你谈论这种类型的指标时,你需要知道分子和分母是什么。

与因果相关的谬误:滥用相关的因果关系,忽略中介变量。例如,有些人发现冰淇淋的销售与河流死亡儿童的数量显着相关,并下令减少冰淇淋的销售。事实上,这可能只是因为它们都发生在炎热的夏天。

辛普森的悖论:简单来说,当添加两组差异较大的数据时,主导群体比较的一方将成为整体评估中的败诉方。

总结

担心它,给它你想要的东西,定义“变化”和“不变”,细分,对比和可追溯性。

收集报告投诉

中国统计网

“Why-What-How”是解释概念和执行的良好思维模式。本文使用此框架来分割数据分析。许多小白可能没有数据分析的想法。在这里,权利从个人的角度分类。为了帮助您更好地理解本文,请先发布思维导图:

I.为什么:为什么要进行数据分析?

个人理解,数据分析是分析业务问题并以定量方式得出结论。有两个关键词:量化和商业。

量化是统一意识并确保路径可追溯并可以复制。除了“量化”之外,另一个关键词是“商业”。只有通过解决业务问题分析,我们才能创造价值,包括个人价值和公司价值。

那么,如何从业务方面来思考这个问题,总结起来就是“担心并给予他们想要的”八个字:

完整的沟通结论简明扼要地提供信息并建议反馈意见

道路变黑了。例如,业务方表示它取决于页面停留的时间长度,但他实际想要的可能是衡量用户的质量,因此保留率和目标转换率是更合适的指标。

在澄清分析结果时,我们必须首先记住结论,逐层解释,然后提供参数。由于业务方面或管理时间有限,海洋上散布着大量的电子邮件,没有人头晕目眩。没有人在想你是如何分析它的。

在提供信息和登陆建议时,我们必须首先了解哪些信息是:提供对方不知道的信息。明天从东方升起的太阳不是信息问题,只是从西方升起。

二,什么:什么是数据分析

数据分析的本质是掌握变化和变化。 “变化”是数据分析的基础。如果业务订单每天都是单一的,或者如果它每天以10%的速度稳步增长,则无需进行分析。如果你想要掌握变化,你必须首先形成一个“不变的”意识。

因此,我建议新手应该养成习惯并在每天第一次检查工作时检查数据:实时&每周和每周的月度报告;记录关键数据(列表和报告)

在“不变”的基础上,指标敏感性,即指标偏离的能力,可以逐步培养。这主要通过各种日常比率,每周监测和每日好奇心来维持。从Questmobile列表中,让我们简要了解“索引偏差”如何应用于日常分析:

在此与大家分享如何查看此列表:

看看整体排名:看看哪些APP领先于你。除了您的期望外,还要看行业。看看行业排名及其变化。查看增长率:哪个APP增长速度快于其他指标,如使用时间

数据分析的定义,以及外国商业分析书的定义为脚注:

三,如何:如何进行数据分析

任何数据分析都是“分割,比较和可追溯性”三种行为的连续交集。最常见的细分对比维度是时间。我们使用时间来执行月份和月份比较。在发现数据异常后,我们将细分维度或流程并逐步找到问题。

1.细分

分割细分方法有三种主要方法

横切:根据特定维度对指标进行分段和交叉分析:将时间和时间对齐为轴,并将索引划分为上游和下游:根据模型从目标内部切割

横切

横切,我们对尺寸和指标进行分类和交叉。当某种类型的指标出现问题时,我们知道要分析的维度。在执行横切分析时,通常需要多个尺寸可互换使用。

纵向切割

在纵向切割中,如果有目的,则存在路径,并且漏斗用于分析。如果没有目的,则分析路径。没有路径没有目的,使用日志分析。

内在的,主要基于现有的分析模型,RFM,群组和细分。 RFM是最近购买时间,频率和数量的组合,以确定用户忠诚度和粘性。

2.比较

比较主要分为以下几类:

横切比较:根据细分中的横切尺寸进行对比,例如城市的垂直切割和类别:与细分中的分切维护相比较,例如漏斗的不同阶段的转换率目标比较:常见的目标管理,如完成率和其他时间比较:日常比率,每周比较; 7天滑动平均比较,7天极值比较

3.可追溯性

经过反复细分和比较,基本上可以确认问题。此时,有必要与业务部门确认数据是否由于某些业务操作(包括新版本在线)或活动策略优化而异常。

变化等

4,衍生模型

基于“细分比较”,可以导出许多模型。这些模型的含义是可以帮助您快速判断事物的关键因素,并且不要犹豫。以下是一些供参考:

Why-How-What5W1H5Why4P模型(产品,价格,渠道,宣传)SWOT模型(优势,劣势,机会,威胁)PEST模型(政治,经济,社会,技术)波士顿矩阵

方法:如何分析数据分析

以上是关于“陶科技”的“手术”部分。以下是对上述内容的总结,结合实际工作,并登陆“技术”部分。

1.数据分析过程和场景

根据不同的过程和场景,会有一些不同的注意点和“手术”的组合

2.数据分析中的常见错误

控制变量误差:进行A/B测试时没有控制变量,因此测试结果不能反映实验结果。或者在比较数据时,这两个指标无法比较。

为什么这个APP仍然有如此大量的页面浏览量?

谬误的定义:在查看某些报告或公布数据时,通常会有人混淆。 “访问该网站的次数超过1亿”,是访问过的用户数量还是访问过的网页数量?

比率谬误:基于比率或比例型指标的谬误可以单独提取。一个是每当你谈论这种类型的指标时,你需要知道分子和分母是什么。

与因果相关的谬误:滥用相关的因果关系,忽略中介变量。例如,有些人发现冰淇淋的销售与河流死亡儿童的数量显着相关,并下令减少冰淇淋的销售。事实上,这可能只是因为它们都发生在炎热的夏天。

辛普森的悖论:简单来说,当添加两组差异较大的数据时,主导群体比较的一方将成为整体评估中的败诉方。

总结

担心它,给它你想要的东西,定义“变化”和“不变”,细分,对比和可追溯性。

http://services.rondonianoticia.com