数据分析入门之随笔记

数据的一面是银弹(Silver Bullet)：无所不能，增长黑客(Growth Hacking)，决策分析(Decision Making)；数据的另外一面是镜子(Reflection)：可以看清楚很多苟且和远方的田野。如何发现利用数据的价值，就是数据分析的目标。

数据分析的重要性可以分为两点：

第一是帮助核心业务(Business)成长，找到和验证业务增长点
第二是有效的业务推动（Marketing），提高推广的效率(ROI)。

我把营销(Marketing)作为独立的数据分析角度，因为数字营销极度依赖于数据分析，并且有一些通用的分析模型，它同时也是一个非常大的产业，它是各个软件巨擘必争之地。

最近十几年，数据的收集和处理能力大大提升，越来越多的传感器和数据收集，许多大公司的数据正在从TB级别走向PB级别。互联网公司之间的模式竞争，也转战到对于数据价值的挖掘的能力上，很多时候也就是速度和效率的竞争。不要迷信数据，更不要忽视数据。很多时候，数据是你业务的指南针和护城河。

数据量快速增长，数据分析人才紧缺，数据分析工具依赖性，数据分析服务的强需求都反映了公司从粗放型到精细化的转型。

1.什么是数据分析（Data Analysis）？

为了理解数据分析，首先理解一下数据的概念。管理学家罗素·艾可夫在1989的《 “From Data to Wisdom”，Human SystemsManagement 》提出了DIKW体系体系，这是关于数据、信息、知识及智慧的一个模型，完美诠释了四者的关系。Data(数据)->Information(信息）->Knowledge（知识)->Wisdom(智慧)。

2. 数据分析的技术

技术上就是以发现有用信息，知识和洞察为目的，进行数据收集，处理，清晰，过滤，以支持决策制定。有好几概念有些混淆，花点时间解释一下：

a.   数据挖掘(Data Mining)：数据挖掘是以预测为目标的数据建模和知识探索的一个子学科，好多年前，它一直是一个热门的研究生专业，直到信息检索专业的出现。

b.   商务智能(Business Intelligence):BI是一个利用数据的聚合(Aggregation)和分片(Slice)的能力，进行业务监控和洞察发掘。

数据分析也是一种艺术(Art)，所谓艺术就是结合技术，想象力，经验和意愿的综合因素的平衡和融合。数据分析也是一个经验和想象力的融合：它涉及到数学算法，统计分析，工具和软件工程的一种结合，最后的目的是解决业务的问题，帮助人从数据中获得智慧。

下面列了几个常用的分析技术范式：

1.     统计模型：利用统计模型处理数据的方法

2.     探索式(exploratory):不设定假设目标，自由发掘和探索

3.     稳定性(Stability ofResults)：分析结果的稳定性评估，又是进行交叉验证。

4.     假定验证(HypothesisTesting):预先设定好结论，通过测试校验结论

下面是涉及到算法，工程，统计等的相关技术，每一种细分技术都是一个大学问，好的数据科学家，可以游曳穿行其中，找到数据中有价值的洞察。

3.数据从业者的职业名称

从事数据的工作者，历史上我见识过了不少名称，包括“数据分析师”，“数据经理”，“运营分析师”，“软件工程师”，“算法工程师”，“策略分析师”，“数据科学家” 等等。其中最酷的名字还是LinkedIn发明的“数据科学家(Data Scientist)”，这个名称也被Forbes评为本世纪最”性感“的工作了。我估计，这是全世界最多的科学家团体了，小时候总觉得科学家必须白发苍苍才行的，现在很多同学刚毕业就是”数据科学家“，很让人羡慕。

数据分析实际上是三个方面的融合，包括数据，工程和业务。数据是智慧的原矿石，工程是采矿机，业务是指北针，只有三个方面融合起来，才能最有效的发现数据的价值。我相信一个好的数据分析师必须有工程背景，必须对数据敏感，而且愿意主动解决业务问题。

4.数据分析公司的生态圈

数据分析的的公司非常多，大大小小，林林总总。有小而美的硅谷创业公司，有老牌大公司的老树新花。很多创业公司的市值一路飙升到无法接盘的状态。例如，Palantir估值已经到了200亿美元，但是最近可持续的收入却不断减少，引来不少麻烦。

我把数据分析公司分为三类:

第一类是基础服务提供者，主要提供一些软件工具，Hadoop和Spark的生态公司，帮助数据基础架构的建设，也包括一些数据可视化公司。

第二类是通用分析服务提供公司，包括Palantir，IBM的Watson Analytics，SAS, Google Analytics 等等，这类公司提供数据分析服务或者工具，利用专家背景，系统规模和数据资源，帮助解决客户的问题，特别是很多老牌公司通过收购传统数据分析公司，快速重新包装成新的高大上产品。

第三类是专注行业的数据分析公司，例如生物信息，市场营销分析等等。

5.三种常见的业务分析模型：

GrowthHacker，AARRR，LTV

看完了欣欣向荣的数据分析行业，是不是感到有些热血沸腾。不过我们还是要回到现实的的，落地的数据分析任务。大部分互联网公司，面临的业务增长的压力，都希望通过数据分析来提升竞争力。其中，有三种常见的业务运营增长模型。

1.   黑客文化的Growth Hacker

2.   经典的AARRR漏斗模型

3.   游戏中的LTV模型

1)   增长黑客（Growth Hacker）的数据和分析

GrowthHacking，它指的是一种用户增长的方式，简单说就是通过某些手段和策略帮帮助公司形成快速成长，通常是数据驱动的方法。对创业公司、特别是初创公司来说，在没有广告预算、市场营销活动以及市场推广专员的情况下，GrowthHacking 也可以获得良好的效果。

2)    AARRR模型

AARRR是Acquisition、Activation、Retention、Revenue、Refer，这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。每一个环节都有些关键指标，可以进行数据分析，找到提升的机会。

3)    生命周期价值（LTV）模型：

LTV是LifeTime Value，它是游戏行业用于衡量用户价值的一种方式和模型。LTV是指在一定时间内，某一客户可能为企业带来的利润额.顾客终身价值是指企业在获得新顾客后的一段时间内，每一位顾客的平均利润净现值。由于游戏有很强的时间相关性，因此LTV会累计一段时间的数据。

6.   几个有特点的数据分析工具

从公司类型上来说，数据分析公司简单可以分为两类：1传统大型IT公司  2互联网创新公司。很多传统大公司都涌入数据分析行业，大多都是希望利用自己的客户，硬件和软件优势，通过数据分析转型成SaaS服务提供商，例如IBM，Oracle等。另外一个就是互联网创新公司，大量数据科学家形成了大大小小数据分析创业公司，

小结

数据分析从来就是一个热门词，像人工智能一样，从来都吸引眼球；很多时候，数据被滥用成了一把上方宝剑，谁不服就用数据砸谁。实际上，数据告诉你的更多的眼前的苟且，而我们需要思考的更多的是诗和远方。数据分析可以给我提供很多的数字，但却无法代替的人的思考:如何简化问题?如何抽象和分解复杂？如何排除万难？数据分析只会让工作更加有意思和挑战！