
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
SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10