为什么要学习数据分析？

「过去」
以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。这个蛮荒时代，业务运营主要依靠是经验和直觉驱动。比如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家似乎只需基于经验选品即可大卖。

「现在」
但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入到存量期，仅靠经验驱动的增长模式不再有效。还是拿跨境电商举例，由于卖家的剧增，海外市场的饱和，跨境电商就进入存量运营时代，已经不存在绝对的蓝海市场，每个细分领域都有许多竞争对手。此时，要求商家从粗放运营转为精细化运营，也就是用数据分析报告决定市场是否值得投入，用数据选品，用数据做经营分析，用数据库存管理。

当然，不是说纯定量的数据分析决定了一切，经验就不重要了。而是说在决策的过程中，数据结论占据的比例与以往相比更大，同时业务经验也是必不可少的部分。

「未来」
互联网逐渐成为“传统行业”的未来，人工智能、元宇宙等由数据驱动的行业越来越依赖数据分析。 还有众多制造业亟待数字化转型，以期在全球供应链中提高制造环节的附加值。也就是说，在未来，数据驱动业务将更频繁。

数据分析的底层逻辑

数据分析的本质是「沙盘演练」：战场上，指挥员们在指挥部的地形模型前「推演」敌我双方的趋势确定作战方案；商场上，管理层通过数据间的运算关系「推断」运营的发展进而做决策。

基于这样的定义可以知道数据分析的目的是为了做对当下运营发展有利的决策，那它是如何做到的呢？为了解答这个问题，可以从前面的定义中引申出几个关键概念：数据，运算关系，推断，决策。

什么是数据？

最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

按字段类型划分，可以把数据分为：

• 文本类：常用于描述性字段，如姓名、地址、备注等
• 数值类：最为常见，用于描述量化属性，如成交金额、商品数量等
• 时间类：仅用于描述时间发生的时间，是重要的分析维度（如同比、环比、累计等）

按结构划分，可以把数据分为：

• 结构化数据：通常指关系数据库方式记录的数据
• 半结构化数据：如日志、网页数据
• 非结构化数据：指语音、图片、视频等形式的数据

根据数据连续的属性不同，还可以分为：

• 连续型数据：在任意区间可以无限取值，比如年龄、身高
• 离散型数据：常见的分类数据，比如性别、年级

数据间的「运算关系」

孤立的数据往往没有参考价值，比如量化一个人，身高是180cm，并不能意味什么。
比如网易云音乐的用户，每个用户的年龄是数据，对使用产品的人群年龄进行分段比如18-24岁，该年龄段人数占比的指标对网易云音乐来说才有价值。从数据到指标的计算过程，就是数据间的「运算关系」，也叫「指标」。

指标的作用在于「度量」业务的发展：

• 比如用户指标，度量用户业务的发展，用户数
• 比如产品指标，度量产品业务的发展，
• 比如经营指标，度量业务的发展，销售额、毛利率、ROI等

这些指标（点）通过一定的结构可以编织而成指标体系（线、面）衡量局部、甚至是全局的业务。

「推断」业务的发展

「沙盘演练」中，指挥员通过军事沙盘上的地形，及敌我双方的工事、兵力部署、火器配置等情况，分析敌情，制定作战方案。
数据把现实中的运营抽象到数字世界中，通过指标体系，应用各种分析方法（业务分析、产品分析、用户分析、经营分析......），帮助经营做决策。

如何做决策？

赵括熟读兵书，却不能活用，沦为纸上谈兵的笑话。所以获得分析能力后，不能照本宣科，要结合实际业务场景做决策。

数据分析落地涉及流程创新、变革管理，用新的思维解决业务问题。 但这个过程并不是强迫变革，需要借助对业务的理解及软性的能力来使分析平滑落地。

如何开始？

站在“前人”的肩膀上，可以走得更远。饼干哥哥根据多年数据分析工作经验沉淀出了数据分析师能力模型，跟着它“按图索骥”，补充自身缺失的能力，最终形成独立、落地的数据分析能力。

初级数据分析师能力模型

完整的数据分析师能力体系应该包括底层认知、业务场景及能力三板斧。

底层认知

在建立数据分析思维之前，应该先在底层认知达成共识。
什么是认知？是对事物底层逻辑的了解，是对是世界万物的判断，认知的本质就是做决定。 也就是说，为了帮助数据分析中每个决策的有效性（选择什么指标、分析方法？接下来做什么？等等），需要先建立底层认知。

这一步，我们需要去明确数据分析的定义：数据分析是什么？目的/产出？分析流程？

数据分析是什么

同学们在求职过程中会发现，同样是数据分析师岗位，但是面试的内容千差万别，有考察机器学习、统计学等专业能力的，也有考察市场/行业分析的，还有考察产品分析的。
此时就有同学问，这些真的是数据分析该做的吗？

我们从字面上拆解，数据分析 = 数据×分析，进一步拆：

• 数据能力 = 统计学 ∪ 机器学习 ∪ 建模能力 ∪ 工具使用 ∪ ...
• 分析能力 = 经营分析 ∪ 用户分析 ∪ 产品分析 ∪ ...

这就是认知上的偏差：当一些同学认为数据分析就是用Excel做表、python写脚本、机器学习建模时（其实这些只是组成数据分析能力的一部分），求职市场对数据分析师的要求更为完整。

回过头来看，数据分析到底是什么？笔者认为，数据分析是一个过程，是利用数据能力做分析的过程：从发现问题、分析原因，到落地建议；这还是一个“解构”的过程：从整体拆到局部，从一般到特殊，从面到线到点，不断下钻剖析，找到具体可落地的点。

数据分析产出是什么？

了解完什么是数据分析后，深入思考一个问题：这个过程的最终产出的交付物是什么？

要回答这个问题，我们需要回到数据分析的本质：解决业务问题。 也就是回到业务层面的需求是什么，才能决定最后落地交付物：

1. 解决问题

最常见的数据分析场景，就是业务发现销售额下降、用户流失、产品跳失率高，也就是业务层面出现了一个问题待解决，此时需要数据分析师介入帮助从数据层面挖掘原因、给出解决建议。

分析过程可能是做一些探索性数据分析、统计分析、机器学习建模，甚至是做AB测试实验，最终交付分析报告，或者模型部署上线。

2. 理解现象

有时业务可能并不存在确切的“问题”，更多旨在通过加深对现有场景的理解，来提高现有业务模型、策略的效果；比如，现在业务使用的是客单价平均值将客户分为高、低两个人群进行营销，此时数据分析师通过对消费者的洞察分析，给予更精准的人群划分方案：利用客单价分位数，将客户分为三个人群，这样业务利用更新后的策略进行营销设计，提高转化效果。

分析过程可能是做相关分析、回归分析，甚至是无监督的聚类，来对现状进行解释。

3. 支持诊断

按照需求的时效性，可以把业务需求分为临时需求和常规需求，而前面两者属于业务的临时需求，或者说是专项分析需求。对于常规需求，主要旨在提高业务流程的效率，比如对于电商运营中的商品库存管理业务，运营需要及时查询库存情况，并结合销售趋势对低库存量的商品进行补单；此时，数据分析师可以通过交付“低库存预警报表”来帮助优化该流程效率。

支持诊断的内容主要集中在自动化的报表，甚至是商业智能（BI）体系的搭建。

4. 探索发现

如果说前面是基于已知模式的分析，那么业务中还存在一种需求，就是对未知的探索。最为典型的场景则是对市场、对消费者的洞察后，给出品牌及业务增长的策略。

分析过程更多是基于行业、基于市场，使用如PEST、SWOT、波特五力等商业分析模型。

分析生命周期

至此，我们知道了数据分析是什么，以及最终的产出交付物，那这个过程如何实现的呢？从落地的角度来看，数据分析是一个从发散到收敛的过程：业务理解-数据探索-分析模型-落地交付-产品生命周期

业务理解

数据分析是从业务到数据再回到业务的过程，所以理解业务是数据分析的起点。

1. 业务场景

“无场景不分析”、“脱离业务场景的分析都是耍流氓”等资深数据分析师的建议无不说明业务场景的重要性。数据分析能力模型中的业务场景模型：用户-产品-场景，就是为了帮助读者理解业务场景而设计的，在这里不赘述。

2. 问题定义

不知道读者有没这样的体验？就是领导交代任务给你，或者是朋友有求于你时，执行力强的人很快就完成了任务请求，但是最后却被告知这结果并不是对方想要的？这种情况很常发生在初入数据分析岗位的新同学身上，原因归根结底就是没有做好问题定义！

在理解了需求所处的业务场景后，可以借助逻辑树工具来对问题进行拆解，拆解的过程尽量要遵循MECE、“相互独立,完全穷尽”的金字塔原理。

3. 预期价值

其实，很多企业都在讨论数据分析师的价值在哪？从这一现象可以看出数据分析师需要时刻关注价值产出，围绕价值的开展工作。

如果说前面定义问题是明确做什么，那在这一步就是要明确做到什么程度？

比如面对销售额下降的问题，做数据分析，最终是产出一份数据分析报告就好了，还是说需要介入到测试实验，给出增长策略？如果是后者，那对销售额的提升幅度要提升多少才有价值？是不痛不痒的1%还是要达到显著的10%？

如果不在价值层面做思考，并付诸价值落地的行动，最后很容易产生“价值在哪”的灵魂拷问，面临被优化的风险。

数据探索

在业务理解阶段，我们是站在业务层面与需求方沟通，但是数据分析的核心部分都是在数据层面进行的。所以在正式开始分析之前，我们需要把业务需求转成数据需求，这个过程就是数据探索。

1. 数据初探与探索性验证

拿到业务需求时的定义问题阶段，需要数据的辅助：用数据透视业务，判断现状与描述是否一致。比如，业务说销售额下降了需要分析，但是这个下降是和谁比？环比下降但是同比提升，同比下降，但是和竞品相比是提升的。

这个步骤比较多的是使用探索性数据分析（Exploratory data analysis），或者说通过常见的统计指标来对数据现状进行剖析。

2. 数据需求

如果说第一步是在用数据验证需求的有效性，那这一步则是真正把业务问题转为数据需求。

此外，还需要判断数据质量及能做的特征工程，比如某些字段缺失率太高，这会影响特征的构建。

分析模型

了解业务、明确数据需求后，就可以挑选合适的武器（分析方法、模型框架）上阵。

概括来说，有四种分析方法：

1. 比较分析

指标的好坏、特征是否显著等都可以通过比较分析的方法来实现，比如常见的归因业务场景，本质就是做比较，通过横向、纵向的比较找出原因。

分析方法：比如T检验、方差分析、同比环比、同期群分析等

2. 相关分析

分析变量之间的相关性是重要的分析场景。比如业务中想知道提高广告预算是否能、甚至是能提升多少的销售业绩？这样的相关性分析或许能找到最优投放ROI的配置方案。

分析方法：卡方、皮尔逊(Pearson)相关系数、斯皮尔曼(Spearman)相关系数、结构分析等

3. 预测（有监督）

不论是对企业销售的预测、还是对用户行为的预测，都能帮助提升业务效率，比如常见的预测用户流失分析，及时得到高概率流失的人群名单，运营通过提前营销干预，提高用户留存率；常见的销售预测能帮助企业在供应链侧做准备。这类场景主要应用的是机器学习中的有监督分类模型。

分析方法：线性/逻辑回归、决策树、时间序列分析、贝叶斯等；

4. 发现（无监督）

前面三种都是基于企业已知模式的分析逻辑，还有一种分析方法——无监督的机器学习模型，可以应对未知模式的分析。比如不知道应该把现有人群分成多少个组来进行营销最合适，就可以对人群基于核心特征做无监督的聚类分析，得出有效分组的界限。

分析方法：Kmeans聚类、DBScan聚类等；

交付落地

交付落地的最佳实践是让数据和分析从理论渗透到业务中，对流程进行变革提效。

1. 方案评估

在交付给业务之前，需要先对给出的解决方案做有效性评估：

• 模型验证与落地评价

分析如果涉及模型的开发使用，需要通过AB测试，或者ROC等指标来证明模型在数据层面上的有效。
在数据层面完成验证后，回到业务分析需求，评估交付的方案在业务层面上的有效落地。

• 影响预估

数据分析是围绕业务价值而展开的，所以在最后的落地，也得就价值进行讨论，回答这个方案解决业务问题的途径和程度：

A. 途径是对流程的优化（降本提效）还是对数据的优化（数据体系效率、数据质量）？

B. 这方式能多大程度上帮助解决？比如对业务的提升是10%还是30%？是对单次项目的应用，还是说可以部署到日常流程中，在更长时间、更广范围内影响业务？

C. 此外，要实现这样的效果，需要投入的资源是什么

2. 讲故事

分析项目的落地需要多方参与，即使是业务能力丰富的分析师，由于流程边界的存在也不可能每步都参与执行。因此，确保项目能否有效落地的一个重要因素则是能否和业务达成共识。

如何做到？讲数据故事：起因(需求定义)、过程(分析逻辑)、结局(重要结论)是否引人入胜(被认可)。

这个过程需要制作PPT向上汇报、与业务沟通，甚至是做跨部门的演讲。

3. 模型实施

不论是业务模型还是算法模型，最终都有一个“靴子落地”的过程--落地实施。
模型测试有效、与业务达成共识后就到了模型的部署上线阶段：

• 对于业务模型，如RFM，则是部署到业务流程中，应用在会员管理、活动营销等环节
• 对于算法模型，如推荐算法，则是部署到产品功能上线，可以以内置算法、REST接口等形式落地

产品生命周期

接在分析生命周期最后的是分析产品的生命周期：以产品的思维看待数据分析，交付至业务落地的模型应用就是产品。数据分析这个过程并不是静态、单次的，而是一个PDCA不断迭代升级的过程。
（这个分析产品的定义包括分析服务、数据产品。）

1. 流程再造

从产品思维的角度，分析结论落地到业务流程中，对流程进行再造，提高运营效率。

2. 数据产品

当数据分析流程成熟后，大量重复执行的流程可以抽取出来，形成自动化的产品，用于服务数据分析（主要对象为数据分析师，也包括运营），这就是数据产品。
分析师的结论模型就可以部署到现有的数据产品中，优化分析效率。

3. 持续改进

之所以要从产品思维的角度来看数据分析过程，是因为要像迭代产品那样去迭代分析模型：不论是优化算法参数，还是调整分析框架，都能得到更优的结论。

业务场景

在数据分析生命周期第一步的“理解业务”中，我们提到业务场景的重要性。

根据业务经验，笔者沉淀了一套便于理解的模型：业务场景 = 用户 × 产品 × 场景

也就是说，要理解业务，就要了解用户，熟悉产品，明确分析所处的上下文场景。它们决定了分析的目标、处理逻辑以及落地建议。

更详细的讨论见：

能力三板斧

对数据分析有了底层认知、了解业务场景后，就需要有看得见摸得着的“招式”来行动：思维方法、工具技术和项目能力这三板斧能组成不同招式应对多变的问题。

经常看到有人说数据分析如做饭，如果是这样的话，在数据分析这个厨房里，工具技术就是锅铲、铁锅、勺子等器皿，思维方法就是切配、烹饪、打荷等技艺手法，项目能力则是最后的装盘上菜。

思维方法

很多人学做饭，可能是因为在抖音或B站看到某个美食视频，然后就开始按照视频步骤备料烹饪。这个过程，也就是数据分析中学习思维方法的过程。数据分析也是先有思维方法，才能谈得上是分析。

刚开始学做饭时，通常先学基础的煎、炒、炸、烤、煮、蒸、焖、拌烹饪方式。这些基础的能力在数据分析中就是统计学、相关分析、归因分析等通用分析思维。

正如美食有八大菜系，分别满足不同地域人群的口味，数据分析在不同场景下，也有不同的“分析”招式来满足不同的业务需求：

• 用户分析：同期群分析、漏斗分析、RFM用户分层模型等
• 产品分析：竞品分析、帕累托分析等
• 商业分析：PEST分析、SWOT分析等
• ...

工具技术

习得了做饭的方法后，就可以选择几件趁手的器皿，来提高烹饪效率。

之所以不是先选择器皿再研究做饭流程，是因为工具始终是工具，完成同一个目标或许有多种工具可以实现，再不济我用原始的土灶也能烧饭。

不过对于部分复杂的烹饪需求，也是需要选择特定的器皿才能完成。

常见的工具技术及应用：

• 表格工具Excel：是几乎所有人第一个接触的分析工具，可以做简单的分析及可视化图表制作，但对于量级较大的数据处理起来显得力不从心；
• 数据库SQL：“巧妇难为无米之炊”，对数据分析师来说没有数据就谈不上分析，对于绝大数企业来说，数据存储在数据库中，因此有必要学习数据库语言SQL来对数据进行抽取、清洗、甚至是分析。
• 脚本语言Python/R：编程是与机器交流的方式，同时也是新的思考方式。学习编程语言的作用在于利用机器帮我们处理工作，比如自动化办公、复杂业务分析逻辑、以及重要的机器学习算法模型等。
• SPSS：说到机器学习算法的应用，不得不提到SPSS工具，它不仅能实现大部分统计方法，还能通过简单的点选实现机器学习算法的计算。
• PowerBI/Tableau：商业智能工具做可视化仪表盘也是数据分析中常见的落地形式；与Excel相比，PowerBI/Tableau能实现更复杂的图表，且可实现交互、动态报表。

项目能力

菜做好后一定要及时出锅、装盘、上菜，要不然再美味的菜肴也只是空中阁楼。

项目能力强调的是数据分析项目的落地。理论的分析方法如何在业务场景中落地赋能，体现数据价值？这是很多企业数据团队在讨论的课题。

说项目能力像是烹饪最后的上菜阶段，其实不太严谨，因为落地能力是一种软性的能力，贯穿分析项目的整个过程：

1. 需求管理：这个过程也是价值管理的过程，将有限的分析资源（时间、精力）分配到更有价值的需求上
2. 项目计划：形成从提出问题到落地实施的完整SOP流程，制作可落地的项目计划可有效指引分析落地工作
3. 横向连接：推动跨部门协作的沟通能力本质就是在连接不同资源，尤其是在实验过程中，需要连接比如零售行业中用户运营部门的人群触达资源、产品部门的供应资源、销售管理部门的价格折扣资源等来推动落地
4. 向上管理：在企业中，必要领导才有能力推动项目，如何利用管理手段帮助推动落地是一门有趣的学问
5. 结论报告：同样的分析内容，如何通过结构化地呈现？通过制作体现价值的分析报告把数据故事讲出来很重要，因为只有这样才能把分析形成闭环。