
深入浅出之数据分析四步曲
数据分析四步骤
确定
开始分析之前需要拿到足够的背景信息,更重要的是要和对方一起明确你们共同想要解决的问题/想要验证的假设,更更重要的是确定交付的内容、形式、期限以及可用资源。
未明确确定自己的问题或目标就进行数据分析就如同为定下目的地就上路旅行一样。
当然你可能会碰到一些有意思的现象,有时还可能盼着能兜来兜去地撞上点好东西,但是,谁会说你将有所发现。
分析师常常不够注重自己要解决的问题,他们抛给别人一些信息,借此推卸自己解决问题和建议决策的义务。
客户将根据你的分析作决策,你需要尽量多从他那里了解一些信息,才能确定问题。
你需要摸清对方的心思,才能拟定一个能够解决问题的分析方案。
对客户的了解越深,你的分析越有可能派上用场。
1. 将大问题划分为小问题
你需要将问题划分为可管理、可解决的组块。你无法直接回答大问题,但是通过回答从大问题分解出来的小问题,你就能找到大问题的答案。
2. 将数据分解为更小的组块
图表不会按照你的意愿去设定,你必须自己提炼出所需要精确答案的相关因子及量化值。
首先,将原始数据转化为汇总数据。
然后,找到感兴趣的比较对象分解汇总数据。
进行有效的比较是数据分析的核心。
定性的数据,比如那些背景信息,你也需要进行分解和提取,然后得到一些基础假设,用以分析定量数据。
认真审视之前分解出来的组块。
审视过程最关键的是,比较。
价格的比较,群体的比较,销量的比较,竞争者的比较,营销方案的比较。
然后,你需要堵上自己的信誉,基于比较做出一些假设,然后逐步检验自己的假设。
这个过程,你的心智模型就参与到了这些数据中,通过你的解读赋予数据意义。
比如,你基于一些数据得出的结论,图表,你可以注明是你的判断。
客户将根据你的分析作决策。
你提交给客户的报告要以得到客户理解、鼓励客户以数据位基础作出明智的决策为重点。
你的报告应当【简练】【专业】【直接了当】
报告应该说清楚对方的需求,你依据哪些信息得到哪些结论,给出建议。
数据要能体现市场的情况。
心智模型
你对外界的假设和你确信的观点就是你的心智模型。
心智模型决定你的观察结果,是你观察现实的棱镜。
你无法看到一切,因此你的大脑必须做出选择,以便集中注意力。
如果你了解自己的心智模型,那么你发现重点、开发最相关最有用的统计模型的可能性越大。
你的统计模型取决于你的心智模型,如果用了错误的心智模型,分析就会胎死腹中。
心智模型应当包括你不了解的因素
只要能明确不确定因素,你就会小心防范并想办法填补知识空白,继而提出更好的建议。
考虑不确定因素及盲点会让人感觉不爽,但回报显著。
原始数据
要保存原始数据,并习惯拿处理后的数据和原始数据进行比较
在密集的数据中兜圈子很容易让人“迷路”,要是你迷失了目标,忘记了假设,只要集中注意力完成该完成的数据处理就能扭转局势,优秀的数据分析的根本在于密切关注需要了解的数据。
为一个化妆品公司分析数据,发现广告投入减少,社交网络营销投入增加,但是销量却没有达到预期,即时降价也没能影响销量。给出的建议是重新提高广告投入,看看是否有效果。 后来看到一则新闻,得知该品牌的该产品在少女消费者群体中已接近饱和,增加广告投入没有太大价值。收集更多数据,重新分析后发现新的消费群体,老年男子用该产品做剃须后保养。给出的建议是推出针对老年男子须后保养的产品并推广。
中间经历了【心智模型转变】->【查看不确定范围】->【重新收集信息再分析】
EX: 您希望销量提高多少?您觉得我们怎样才能办到呢?您觉得销量提高多少是可行的?目标销量合理么?竞争对手销量如何?广告和社交网络投入是怎么考虑的?【知道什么】
EX:您对我们的目标客户了解么?目标客户唯一么?销售渠道如何?【不知道什么】
在分析过程中得到了一些错误的、不完整的信息,导致你给出的建议不符合实际。
数据分析是为了更好地决策:开始你需要明确你要解决的问题,最后要给出你的专业建议
所有的数据分析师最终都会被打造成能做出更好决策的人才,你要学的就是在浩如烟海的数据中洞察先机,作出更好决策。
总结
1. 分析之前要明确问题和范围,要找你的客户参与进来
2. 分析最重要的是分解,分解问题也分解数据,
3. 评估最重要的是比较,找到最有价值的比较
4. 评估的过程,你开始把自己已有的知识加入到其中,堵上自己的信誉
5. 分析之后一定要给决策,不要只是呈现一些结论
6. 觉察你的心智模型,因为它会对你的分析过程形成深刻影响
7. 时刻反思有哪些你默认的前提假设其实是未知或不确定的
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11