京公网安备 11010802034615号
经营许可证编号:京B2-20210330


引入军事领域的概念VUCA,来阐述当前及未来社会的特点
VUCA 时代是一个兼具易变性(环境变化快且难预测)、不确定性(信息不完整难精准预判)、复杂性(问题涉及多关联因素致解决难度大)、模糊性(信息模糊增加决策风险)的复杂商业与社会环境时代。

引入逻辑思维方式中的基本方法论,即从个别到一般的归纳法及从一般到个别的演绎法,来为 VUCA 时代下的数据分析搭建核心思维框架,匹配该时代的数据分析需求。
1. 归纳方法在数据分析中的应用(从个别到一般的推理方法)
核心是通过具体数据案例提炼规律,在 VUCA 时代的应用特点:
2. 演绎方法在数据分析中的应用(从一般到个别的推理方法,又称规范性分析)
核心是基于通用原理推导具体数据结论,在 VUCA 时代的应用特点:
引入流程化企业的运营模式特点,以及数据分析在流程关键节点(尤其是“判断”节点)的作用,来明确流程化企业对数据分析的核心需求,支撑企业实现高效、精准的流程运转与决策。
1. 流程化企业的主要特点(数据分析的环境基础)
核心是企业以流程为导向优化运营,其特点决定了对数据分析的适配性需求:
2. 数据分析在流程中的核心作用(需求的具体落地)
核心是通过数据分析支撑流程建模 与 “判断” 节点的决策,满足流程高效运转的需求:
以移动互联网、物联网等新技术为背景,数据成为国家战略资源与企业核心资产,企业数字化转型聚焦于商业模式、架构模式、企业形态的转变,通过数据管理与应用实现价值变现,支撑业务增长与竞争优势。
1. 以用户体验为中心的商业模式
核心是从 “以产品为中心” 转向 “以用户为中心” ,将用户体验作为核心竞争要素,需建立与用户的紧密联结:
2. 以数据分析为中心的架构模式转型
核心是云模式驱动下,企业数据架构从 “以业务应用为中心” 转向 “以数据分析为中心” ,解决传统架构的数据孤岛等问题:

3. 感知型企业的发展目标
核心是Teradata提出的“感知型企业”(可感知环境并自动化决策),其演进分为五个阶段:

基于感知型企业模型,数据应用能力分为三个阶段;同时,企业不同决策层级(战略、管理、运营、操作)因决策目标差异,对应着差异化的数据需求与数据产品类型。
1. 企业数据应用能力的三个阶段 核心是从“回顾历史”向“预测决策”再到“自动化运营”的进阶:

2. 企业决策层级及对应数据需求 不同层级因决策目标不同,对应差异化的数据产品、范围与分析逻辑:





围绕数据分析的基础要素(数据、数据模型)、分析分类及商业应用框架展开,明确数据分析的底层逻辑与落地方法,支撑企业数据应用的全流程。
核心:明确 数据的定义、层级关系及企业数据管理视角下的类型,是数据分析的基础素材认知。
要点:
数据定义:对客观事物的记录符号,包括数字、文字、音视频等可识别的抽象符号
DIKW模型:呈金字塔层级,即**“数据(原始素材)→信息(有逻辑的数)→知识(经整合的经验)→智慧(合理决策的能力)”**


(注:主数据、交易数据、参考数据为基础数据,统计分析数据为指标数据)
核心:明确数据在数据库中的组织方式,区分不同数据模型的定位与应用,支撑数据的有效存储与提取。 要点:
数据相关模型辨析:
| 模型类型 | 侧重点 | 应用领域 |
|---|---|---|
| 数据分析模型 | 提取数据价值 | 商业分析等 |
| 统计分析模型 | 用统计学方法分析 | 经济学等 |
| 数据挖掘模型 | 从大数据取业务价值 | 市场营销等 |
| 算法模型 | 描述问题解法 | 计算机科学等 |
| 数据模型 | 数据的抽象与操作框架 | 数据库设计等 |
基础数据模型:关系模型(以E-R图呈现),描述业务实体(如客户、合同)及关系,通过主外键关联数据





核心:按分析阶段与方法层级分类,适配企业不同决策层级的需求,明确数据分析的落地路径与价值定位。

要点:

核心:整合数据分析方法的落地框架,分模块支撑企业业务场景中的数据应用,实现从探索到落地的闭环。 要点:

比如领导想知道广告投放效果如何,就需要我们对营销效果进行评估。
可以对比广告投放之前与之后销售量的变化来评价广告的效果,通过简单的描述统计即可做到。
但是领导又会追问:“销售量的提升真的与这次广告的投放有关系,而不是受到外面的经济环境影响?”
为了回答这个问题,我们需要从业务宏观层面分析,从而明确广告投放是否为销售增长的原因。
这时,简单的描述分析就不足以回答这个问题了,还要用到统计分析中的实验设计、假设检验等工具。
通过控制其他影响销售量的因素,并结合假设检验方法可以发现,广告费用投入之后确实导致了销售收入的显著提升,因此可以说广告投入是本次销售量增长的原因。
但是,如果我们想弄清楚广告到底是在哪个渠道、哪些产品或者哪些人群中才会发挥出更佳效果,就需要进行微观层面分析。
首先要结合客户的性别、年龄、地域、喜好等标签进行用户画像的动态变化分析。
然后通过对微观层面的模型归因分析,制定出业务归因分析与优化策略报告,这也是面向运营层面的应用。最后根据分析结果,制定精准营销策略。
针对不同的用户实现不同的广告投放策略,需要借助算法模型。这里需要用到的是数据挖掘相关算法,深度分析每个用户的喜好,建立模型进行预测。
而最终形成的数据挖掘报告是面向操作层的,即一线运营协同进行业务分析和判断,保证报告符合业务人员认知。
之后就要实现具体的模型落地,也就是面向 IT 层面由技术人员实施。
电商运营负责人发现 “最近业绩不对劲”,需要全链路分析复购问题:
1. 描述性分析(商业智能:“事后诸葛亮”)
“发生了什么事?”:先通过常规报表看到 “近 30 天平台整体复购率从 25% 降至 18%”,核心指标出现明显下滑;
“数量、频率如何?”:通过即席查询补充细节 —— 复购用户数减少 2.3 万,其中 “月复购≥3 次” 的高频用户占比从 12% 跌到 8%;
“问题究竟出在哪里?”:再做多维分析(按品类、用户层级拆分)—— 发现美妆品类复购率下滑最严重(从 30%→15%),且 “注册<30 天的新用户” 复购率几乎腰斩(从 20%→9%)。
2. 诊断性分析(洞察力)
指标异常触发报警后,进入诊断环节:
“为什么会发生?”:用统计分析对比同期数据 —— 美妆品类最近上新的 3 款新品差评率达 22%(远高于品类均值 5%),且新用户首单赠品的发放延迟率超 40%(原标准<10%);
“采取什么行动?”:先落地紧急措施 —— 临时下架差评新品,加急补发新用户的延迟赠品,初步遏制复购率进一步下滑。
3. 预测性分析(远见)
“不采取行动的话,这种趋势会怎样?”:用时间序列模型预测群体趋势—— 若维持现状,下月整体复购率会跌到 12%,美妆品类月营收将减少 150 万;
“每个个体会发生什么?”:用分类模型预测个体行为—— 识别出 2.8 万 “高流失风险的美妆复购用户”(其中 80% 是差评新品的购买者),以及 1.2 万 “可召回的新用户”(因赠品延迟未复购);
基于这些结论完成预测性建模:输出 “用户召回优先级清单”,标记出不同用户的敏感权益类型。
4. 规范性分析(分析能力)
“能否找到可能最好的方案?”:通过多目标优化(兼顾成本与复购率),制定分层策略:
对美妆高价值复购用户:推送 “专属新品体验券 + 差评品补偿礼包”;
对延迟赠品的新用户:补发赠品 + 额外加赠 “首单满减券”;
优化美妆上新流程:增加 “预售小样测评” 环节,避免差评品大规模上架。
最终通过 A/B 测试验证:该策略能让复购率回升至 26%,且成本仅为 “全量补贴” 的 30%,实现了效果与成本的最优平衡。
数据分析思维以 “归纳+演绎”为核心逻辑,适配VUCA时代复杂环境,覆盖企业流程化运营、数字化转型及各决策层级需求,结合数据基础概念与EDIT应用框架,形成“思维+方法+落地”的完整支撑体系,精准赋能业务决策。
推荐学习书籍 《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~ !
免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师 出品 作者:李诗怡 多表进阶与 DDL/DML 连接 · 子查询 · 合并 · 建表与书写规范 ” 三、DQL 多表进阶:连 ...
2026-11-20 前面讲了怎么搭指标体系,但很多团队卡在最后一步:高层定了一个漂亮的目标,往下一层层写进周报,最后却落不到任何人的具体 ...
2026-11-20 很多团队做数据分析的现状是:老板要一个数就拉一个数,周报里堆满了 GMV、DAU、转化率,却没人说得清这些数之间是什么关系 ...
2026-11-20这周你大概又经历过一次:报表自己跑了,SQL 让 AI 写了,连周报初稿都不用自己动手。你一边松口气,一边心里发慌——那我还剩什 ...
2026-11-20 做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12