数据分析的套路
数据其实是非常的客观的,但是数据本身并不会告诉你多少有价值的东西,其中蕴涵的内容才是我们应该去发掘的。
我们通过数据分析将现实中的问题简化成数字问题,从而得到解决问题的建议。
需要注意的是,数据分析只是工具,不是目的。我们进行数据分析是为了让分析结果能反映现阶段的情况,并对下一步计划产生指导意义,所以千万不要为了分析而分析。
1、明确目标
一切分析的基础都是需要明确目标,在此之前,不要开始任何分析,因为那很可能是无用功。
一般来说,目的主要有以下三种。
(1)分析现状,反映目前的状况,并且帮助我们制定下一步计划。
(2)分析问题,针对出现的问题,分析其中的原因并找到解决办法。
(3)分析变化,当产品的情况出现变化时反映变化的情况,并找出原因,有针对性的进行下一步行动。
2、明确分析范围
因为数据的量和维度都非常的多,我们在明确目标后,就必须选定我们分析的范围,明确的分析范围能避免分析报告内容太多,而且不深入。
需要注意的是,确定范围后我们就需要进行数据采集了,但是具体要采集什么样的数据,不是我们平常的“自然语言”描述就可以实现的,需要抽象成“数学语言”表达出来。
3、数据采集
确定了范围后,我们就可以采集数据了,需要采集哪些数据也是有讲究的,它也是需要我们用“数学语言”来表达的。一般来说,需要采集的数据分为以下3类,这是最基础的:名称、数量和转化率。
(1)名称:某些数据的结果不是以数字形式展现的,比如某某功能。
(2)数量:这个比较简单,比如:某某功能的点击次数。
(3)转化率:有些数据单独的看,是不能说明问题的,例如:光看一个功能的点击次数,我们不能得出这个功能是否吸引人,是否需要改进,我们还需要看完成这个功能的人数。然后将两个数据相除后得到这个功能的转化率。
以上都是一个分析中最基础的指标,在实际数据分析中,还会有更多更细致的维度。比如:用户点击这个功能后,停留时间,退出的数量,在中途放弃的数量等等。
4、数据清洗
采集数据后,这些数据并不是直接就可以用的。因为可能会有一部分“脏数据”会污染我们的数据,进而影响我们的分析结果。这就需要进行数据清洗,将不符合要的“脏数据”清洗掉。
比如,某个用户一直在点击某个功能,每秒固定点击1次,然后退出,那么这个“用户”很可能是个机器,而不是人。这些数据是不能用的。
一般“脏数据”有以下几个类型。
(1)频率异常:正常用户的使用一个功能的频率一般会保持在一定范围内,不会太频繁。
(2)总数异常:比如某一个用户一个人就拉高了整个数据的水平,让某个功能点击率陡然上升。
(3)行为异常:这个就比较复杂了,对应不同的业务有不同的理解。比如:比如一个购物APP,一个用户的多次的下单,然后退货,这类数据就是应该排除的。
5、数据整理
收集完成后,我们需要对收集到的原始数据进行整理。因为收集出来的数据必然是比较乱的,不能直接拿来分析。整理分析分为汇总和拆分两种。
(1)汇总
有些数据比较杂乱无章,我们要按照某个维度汇总才能进行效果的观察。比如:我们需要观察某个功能上线后用户行为的变化,就可以按照上线前和上线后的用户行为数据进行分类汇总,然后通过两份数据的对比来得到结论。
(2)拆分
有些原始数据并不足够细致,需要我们依据数据的关系进行数据拆分。例如,一个功能的入口可能有多个,我们就需要确认每个入口的量,甚至完成整个功能的量,这些数据会让我们更加了解我们的用户行为。
6、数据对比
整理完数据后,我们要进行数据对比。这也是数据分析中非常重要的步骤,因为数据分析的结果绝大多数都来自于对数据的对比。比如:一个功能改进前和改进后的转化率,肯定要经过对比才能知道我们的改进是不是有效的,有效多少。通常对比方法有以下几种。
(1)时间对比。通过时间节点前后进行对比数据。例如:某个营销活动,促进注册、活跃等,我们就可以得出这个营销活动能够带动日活的结论。
(2)空间对比。在我们生活的世界中,因为人们所存在的空间不同,会有不同的行为。比如:通过数据分析,我们会发现,东北的羽绒服效率比海南高,于是我们就可以判断羽绒服在东北更加畅销。
(3)人群属性对比。在用户画像中也提高过。不同的年龄层对于不同事物的看法不同,会导致某个功能在不同人群中的差异性。
依据分析目的灵活地选定对比范围,能让我们从数据中挖掘到我们想要的东西。
7、原因探寻
数据,通过对比呈现出来,能够反映一定的现象,但是造成这些现象的原因还需要我们来寻找。
原因的分析方法有很多,可以正推导、反推导。我们可以结果,那假设原因,再去求证。或者通过某个功能的整个流程进行梳理和复盘,结合数据来分析每一步发生这种情况的原因。
或者通过数据来复盘某一个活动,来分析活动输出的这种数据或好的或坏的原因是什么。
8、展现结果
完成上面的7步,我们的数据分析报告也就差不多了,当然我们必须形成一个比较完整的文档来反馈给相关人员。
我们可以把报告分成以下3部分。
(1)数据分析背景:向大家交代分析的背景与原因。
(2)主要结论:给出主要结论,方便不需要了解细节的人阅读,或领导。
(3)具体分析过程:向大家说明分析的步骤并展示具体数据。
这样就完成了一篇还比较靠谱的数据分析报告。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14