快速上手数据分析，你需要解决的这些认知
众所周知，数据分析的发展历史并不长，1880年，在使用计算机之前，美国人口普查局花了7年的时间来处理收集到的信息并完成最终报告。
之后随着计算机与计算技术的发展加速了数据分析的过程。比如1970-1980年诞生的关系数据库、数据仓库等技术，提供了按需分析数据的优势；而数据仓库经过优化，可快速响应查询，至今仍在广泛使用。
如今随着大数据时代到来，海量的数据以及新的技术发展更是让商业智能BI、数据挖掘技术实现了崛起，同时数据科学家成为了21世纪最性感的工作。
而对于迈入数字化时代的普通职场工作者，数据分析已然成为了基础的必备工作技能之一。那到底什么是数据分析？数据分析有什么作用？以及我们该如何进行数据分析？今天小亿就来为大家分享下。
一、什么是数据分析？
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
数据是基于客观事实，对于客观事物发生、发展的数字化记录。随着科学技术的发展，数据的概念内涵越来越广泛，包括数值，文本、声音、图像，视频。
数据可以分为定性数据和定量数据。定性数据是用来描述事物的属性，名称等，它是一种标志，没有序次关系。例如“性别”，“男”编码为1，“女”编码为2；定量数据描述量化属性，或用于编码。如交易金额、额度、商品数量、积分数、客户评分等都属于量化属性。
二、数据分析的本质让业务更清晰，让决策更高效
在市场经济的条件下，企业处于激烈的竞争、差异化的市场、多变的环境之中，常常会面临各种难题。数据分析可以用来解决企业的难题，帮助企业识别机会和规避风险，并进行相关问题的诊断。主要体现下以下3个方面：
1.现状分析
简单来说就是告诉你过去发生了什么。
第一，告诉你企业现阶段的整体运营情况。通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是好了还是坏了，好的程度如何，坏的程度又到哪里。
第二，告诉你企业各项业务的构成。让你了解企业各项业务的发展及变动情况，对企业运营状态有更深入的了解。
现状分析一般通过日常通报来完成，如日报、周报、月报等形式。
2.原因分析
简单来说就是告诉你某一现状为什么发生。
经过第一阶段的现状分析，我们对企业的运营情况有了基本了解，但不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时就需要开展原因分析，以进一步确定业务变动的具体原因。
假设2012年2月运营收入环比下降5%，这是什么原因导致的呢？是各项业务收入都出现下降，还是个别业务收入下降引起的？是个地区业务收入都出现下降，还是个别地区业务收入下降引起的？这就需要我们开展原因分析，进一步确定收入下降的具体原因，对运营策略做出调整与优化。
原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。
3.预测分析
简单来说就是告诉你将来会发生什么。
在了解企业运营现状后，有时还需要对企业未来发展趋势作出预测，为制定企业运营目标及策略提供有效的参与决策依据，以保证企业的可持续健康发展。
预测分析一般通过专题分析来完成，通过在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。
三、数据分析的具体步骤
1.明确分析的目的和思路
（1）理解业务
从事数据分析工作的前提就是懂业务，即熟悉行业制度、公司业务与及流程，有自己的业务见解。
比如，首先理解业务的商业模式是怎么样的？通过什么样的方式发生关系并最终产生什么样的商业价值；其次要了解商业模式的核心组成要素，例如客户细分、收入来源、关键业务、核心的资源、成本的结构等；最后要对外界的环境因素有所了解，例如宏观经济、市场影响、行业趋势等。
（2）明确目的和思路
做任何事都要有目标，数据分析也不例外。在开展数据分析之前，要想想为什么要开展数据分析？通过这次数据分析要解决什么问题？当分析目标明确后，我们就要梳理分析思路，并搭建分析框架，即从哪些角度进行分析，采用哪些分析指标。
一些常见的思维模型应用与分析，能够帮我们更加清晰的理解背后的逻辑线索，做到”不重不漏“（MECE）。常见的思维模型有：结构化思维模型、时间模型、逻辑演绎模型、重要性思维模型。
最后还要确保分析框架的体系化，使结果具有说服力。体系化也就是逻辑化，简单来说就是先分析什么，后分析什么，使得各个分析点之间具有逻辑联系。
2.数据收集
数据收集是按照确定的数据分析框架，收集相关数据的过程，它为数据分析提供了素材和依据。这里所说的数据包括第一手数据与第二手数据，第一手数据主要指可直接获取的数据，第二手数据主要指经过加工整理后得到的数据。
3.数据处理
数据处理是指对收集到的数据进行加工整理，形成适合数据分析的样式，它是数据分析前必不可少的阶段。数据处理的基本目的是从大量的、杂乱无章、难以理解的数据中，抽取并推导出对解决问题与价值、有意义的数据。
数据处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法。一般拿到手的数据都需要进行一定的处理才能用于后续的数据分析工作，即使再“干净”的原始数据也需要先进行一定的处理才能使用。
4.数据分析
数据分析是指用适当的分析方法及工具，对处理过的数据进行分析，提取有价值信息，形成有效结论的过程。即我们需要通过特定手段、多种方法和行业技巧对数据进行探索，从中发现因果关系、内容联系和业务规律等，为商业目的提供参考。
在确定数据分析思路的阶段，数据分析师应当为需要分析的内容确定适合的数据分析方法，等到真正进入进行数据分析阶段时，就能够驾驭数据，从容地进行分析和研究。
同时由于数据分析多是通过软件来完成。这就要求数据分析师不仅要掌握各种数据分析方法，还要熟悉主流数据分析软件的操作。一般的数据分析我们可以通过Excel完成，而高级的数据分析就要采用专业的分析软件进行了，如数据分析工具SPSS Statistics、亿信ABI等。
△图表使用亿信ABI制作
5.数据展现
一般情况下，数据是通过表格和图形的方式来呈现的，我们常说用图表说话就是这个意思。常用的数据图表包括饼图、柱形图、条形图、折线图、散点图、雷达图等，当然可以对这些图表进一步整理加工，使之变为我们所需要的图形，例如金字塔图、矩阵图、漏斗图、帕累托图等。
△图表使用亿信ABI制作
大多数情况下，人们更愿意接受图形这种数据展现方式，因为它能更加有效、直观地传递出分析师所要表达的观点。记住，在一般情况下，能用图说明问题的就不用表格，能用表格说明问题就不用文字。
6.撰写报告
最后阶段，就是撰写数据分析报告，这是对整个数据分析成果的呈现。通过分析报告，把数据分析的目的、过程、结果及方案完整呈现出来，以供商业目的提供参考。
△图表使用亿信ABI制作
Tips: 一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。结构清晰、主次分明可以让阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。
另外，数据分析报告需要有明确的结论、建议和解决方案，不仅仅是找出问题，后者是更重要的，否则称不上好的分析，同时也失去了报告的意义，数据的初衷就是为解决一个商业目的才进行的分析，不能舍本求末。
四、常见的数据分析方法
1.基础分析方法
（1）指标分析法
在实际工作中，当拿到一些可视化数据图表或者是Excel表格时，我们可以直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等，它们各自代表着数据的某些含义，比如最大销量，平均阅读量等都可以辅助我们进行数据分析。
（2）对比分析法
对比分析法是指将两个或两个以上的数据进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。它可以非常直观地看出事物某方面的变化或差距，并且可以准确、量化地表示出这种变化或差距是多少？对比分析法可分为静态比较和动态比较两类。
①静态比较：在同一时间条件下对不同总体指标的比较，如不同部门、不同地区、不同国家的比较、也叫横向比较，简称横比；
②动态比较：在同一总体条件下对不同时期指标数值的比较，也叫纵向比较，简称纵比。
这两种方法既可单独使用，也可结合使用。进行对比分析时，可以单独使用总量指标、相对指标或平均指标，也可将它们结合起来进行对比。比较的结果可用相对数表示，如百分数、倍数等指标。
在使用对比分析法时，需要先注意以下几个方面：①指标的口径范围、计算方法、计量单位必须一致，即要用同一种单位或标准去衡量；②对比的对象要有可比性；③对比的指标类型必须一致。无论绝对数指标、相对数指标、平均数指标，还是其他不同类型的指标，在进行对比时，双方必须统一。
（3）结构分析法
结构分析法是指被分析总体内的各部分与总体之间进行对比的分析方法，即总体内各部分占总体的比例，属于相对指标。一般某部分的比例越大，说明其重要程度越高，对总体影响越大。
结构相对指标（比例）=（总体某部分的数值/总体总量）*100%
市场占有率=（某种商品销售量/该种商品销售总量）*100%
市场占有率是分析企业在行业中竞争状况的重要指标，也是衡量企业运营状况的综合经济指标。市场占有率高，表明企业运营状况好，竞争能力强，在市场上占据有利地位；反之，则表明企业运营状态差，竞争能力弱，在市场上处于不利地位。
2.流程分析法
（1）漏斗分析法
漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。
比如，对一些电商产品来说，最终目的是让用户下单并支付，但转化率取决于整个流程。这时，我们就可以通过漏斗模型一步一步地进行监测。如下图所示，我们可以监控用户在流程中各个层级上的行为路径，寻找每个层级的可优化点。对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间，最终提升整体转化率。
漏斗模型除了在电商中应用的比较多以外，在落地页、H5等也应用的比较多。我们可以反复优化落地页当中的图片、文案、布局，进一步的提高整体转化率。
（2）留存分析法
留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。
比如，我们可以通过观察不同时间段用户留存的情况，通过对比各个渠道、活动、关键行为的用户后续留存变化，发现提升用户留存率的影响因素，例如观察领取过优惠券的用户留存率是否比没有领取优惠券的用户留存率更高。
除此以外，还可以针对流失高/留存高的用户群组进行一对一的用户行为分析，统计留存/流失用户的行为特征，特别是针对流失用户，通过流失用户的行为分析总结流失原因，从而提升留存率。
3.分组分析法
分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。
分组的目的就是为了便于对比，把总体中具有不同性质的对象区分开，把性质相同的对象合并在一起，保持各组内对象属性的一致性、组与组之间属性的差异性，以便进一步运用各种数据分析方法来揭示内在的数量关系，因此分组法必须与对比法结合运用。
分组分析在日常工作中应用的比较多的是用户分层与分群，比如在发优惠券的时候，可以通过红包，满减，限时券还有积分券等方式。我们可以针对不同的用户发送不同的优惠券以达到精细化运营的效果。那么当我们在做数据分析时，也可以从结果将用户进行分层来进行判断，这时同样也可以得到优化和改进业务的建议。
4.矩阵关联分析法
（1）矩阵分析法
矩阵分析法是指根据事物（如产品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。
矩阵关联分析法在解决问题和资源分配时，可以为决策者提供重要参考依据——先解决主要矛盾，再解决次要矛盾，这样有利于提高工作效率，并将资源分配到最能产生绩效的部门、工作中，最终有利于决策者进行资源优化配置。
比如在电商行业，我们可以使用浏览量和加购数这两个维度来进行矩阵分析，例如，左上角的是浏览量低的，然后加购次数多的，这说明产品其实是有很大潜力的，这时需要将这部分产品放在更好的位置让给用户进行浏览；右下角的浏览量高，但加购数低的，说明这个时候他的资源位置是好的，但是用户对这部分的产品并不感兴趣的，我们就需要对其进行相应的位置调整。
（2）关联分析法
关联分析法是一种简单、实用的分析技术，是指从大量数据集中发现项集之间的关联性或相关性。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联等。
关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。
可从数据库中关联分析出形如"由于某些事件的发生而引起另外一些事件的发生"之类的规则。如“67%的顾客在购买啤酒的同时也会购买尿布”，因此通过合理的“啤酒和尿布”的货架摆放或捆绑销售可提高超市的服务质量和效益。
5.综合评价分析法
综合评价分析法是将多个指标转化为一个能够反映综合情况的指标来进行分析评价。主要有5个步骤：
（1）确定综合评价指标体系，即包含哪些指标，是综合评价的基础和依据
（2）收集数据，并对不同计量单位的指标数据进行标准化处理
（3）确定指标体系中各指标的权重，以保证评价的科学性
（4）对经处理后的指标再进行汇总计算出综合评价指数或综合评价分值
（5）根据评价指标或分值对参评单位进行排序，并由此得出结论
五、小结与建议
现代管理学之父彼得·德鲁克说过：“如果你不能衡量它，那么你就不能有效增长它。”
对企业来说，数据分析是当前管理过程中不容忽视的重要支撑点，企业需要有完整、真实、有效的数据进行支撑，才能够对未来行业的发展趋势进行有效的预测，从而采取积极的应对措施，制定良好的战略。对个人来说，数据分析并不是一个结果，只是一个过程。
我们做数据分析是为了能以量化的方式来分析业务问题，并得出结论。其中有两个重点词语：量化和业务。
量化是为了统一认知，并且确保路径可回溯、可复制。 统一认知后，才能保证不同层级、不同部门的人在平等话语权和同一个方向上进行讨论和协作，才能避免公司内的人以“我感觉”、“我猜测”来判断当前业务的情况。而最终只有解决业务问题分析才能真正创造价值。
