扫码加入数据分析学习群

作为数据分析师，我们每天都要跟数据打交道。而数据就像女神，今天，那么我们如何走进“女神”心呢？

今天，老师传授了我们一套方法论。

首先，我们得明确我们的日常工作是什么

一：处理各种零碎的需求--用数据使得业务问题明朗化（使用工具提升销量；注意日常取数；业务问题的发现）

1：工具辅助--（使用自己所掌握的工具提升自己的工作销量，最简单的如项目排期表）

2：日常取数：可按三步走（脸皮厚，胆大，心细）

a：确认数据范围：大胆的与需求方明确数据范围，最好以有保存的邮件形式来传递信息，不可出现模糊字眼，如时间维度下“两个月”就很模糊，2020年5月1日至2020年6月11日就很清晰

b：确认分析维度：得满足需求方指定的维度；其次得分析需求方的真实需求是什么，再结合自身对业务的理解或者厚着脸皮去咨询相应的专业人士，来确认所要分析的维度。

c：输出数据指标：细节决定成败，细心的根据维度拆解指标，收集数据，确认数据里有没有隐藏的坑。比如总营业额包不包含退货额，退货额是忽略，还是与营业额冲正。

3：业务问题发现--帕累托法则（也叫二八法则） 发现问题的方法有无数种，这里列举常用的一种

即20%的原因造成了80%的问题，所以我们可以集中精力解决那20%的问题，在项目管理中常用这种方法。

值得一提的是帕累托法则在很多场景下也适用，比如80%的营业额来自于20%的商品

通过EX可视化后的形式和主要特点是：

二：业务建模--数据拓维

业务建模的核心是：数据分类

根据用户的历史行为数据，结合业务理解来实现分类，以便采用不同的营销策略，而在数据量足够大的时候，就可以实现千店千面，甚至千人千面。

常用的有RFM模型：衡量客户价值与客户创利能力的重要工具和手段

R（Recency)指最近一次消费

F（Frequency)指消费频次

M（Money）指消费金额

维度分类为

具体实现步骤为

总结RFM模型需要注意的5点：

以上为我今天跟老师学到的内容，当然，还有从RFM模型衍生出来的用户忠诚度，还有大名鼎鼎的波士顿矩阵。