数据分析篇001
目录
一、数据是什么？
二、数据能做什么？
三、数据应用四步骤
第一步---搭建数据体系
第二步---积累数据资产
第三步---完成数据分析
第四步---实现数据应用
四、数据的三种性质
变异性
规律性（以正态分布为例）
客观性
五、优秀数据分析师的三特点
特点一---业务理解
特点二---工具使用
特点三---沟通表达
六、数据分析的九大步骤
步骤一：数据抓取---埋点
步骤二：数据抓取---爬虫
步骤三：数据抓取---API编辑
步骤四：数据抓取---数据清洗
步骤五：数据分析---描述性统计（可视化）
步骤六：数据分析---诊断性分析
步骤七：数据分析---预测性分析
步骤八：数据分析---仿真模拟
步骤九：业务决策
常见的业务决策方向
七、Excel简介及优劣势分析
Excel优势：
Excel劣势：
八、Python简介及优劣势分析
Python优势：
潜在受众和建立数据标签
仿真应用---舒徐额仿真法
书籍介绍：
一、数据是什么？
数据：指未经过处理的原始记录。例如：商品数据（SKU，库存，ASIN，价格等）、用户数据（行为数据、属性数据等）......
SKU，简单理解为一个独特的商品
二、数据能做什么？
以一家线下服装店的经营者为例，通过多年的经营已经在微信上积累了诸多用户，这时如何通过数据分析与数字化经营的思维来管理顾客资产，提升经营效率？
三、数据应用四步骤
第一步---搭建数据体系
常见数据体系维度：
性别、年龄、地理位置、行业、购买力、互动频率、最近互动时间
第二步---积累数据资产
数据资产的积累方向：
1、数据维度数量的增加
2、数据维度复杂性的增加
3、单维度数据数量的增加
4、单维度数据判断精准性的增加
当数据资产积累到一定程度时，就需要用单独的数据库存储数据。
第三步---完成数据分析
描述性分析、用户价值分析、用户分类分析
第四步---实现数据应用
常见数据应用方向：
1、个性化推荐
2、价格歧视
3、A/B test
4、用户生命周期管理
5、产品生命周期管理
app”杀熟“
四、数据的三种性质
变异性
规律性（以正态分布为例）
客观性
从多角度分析；
五、优秀数据分析师的三特点
特点一---业务理解
电商业务：GMV、复购率、客单价、流量、转化率、折扣率
广告业务：单次点击竞价、点击率、有效访问率、广告预算
产品业务：PV、UV、日活/月活、用户留存、ARPU
供应链业务：缺货率、安全库存、滞销率、备货量
营销业务：市场占有率、ROI(投资回报率)、头部市场/腰部市场/长尾市场
点击XXX：推荐给用户的要真正有用
访问<点击
日活和月活：app使用活跃度
特点二---工具使用
简单业务，数据处理的价值点很低，可复制性强
复杂业务，精准度和单一创造价值越大
预测：结果单一，易受影响
仿真分析：给出一系列结果，不易被影响
特点三---沟通表达
二八分布：20%的市场可能拥有80%的市场占有率和80%的利润来源
成交>咨询
六、数据分析的九大步骤
步骤一：数据抓取---埋点
埋点：在应用中特定的流程收集一些信息，用来跟踪应用使用的状况，后续用来进一步优化产品或是提供运营的数据支撑。
步骤二：数据抓取---爬虫
爬虫：指的是按照一定规则，自动抓取万维网信息的程序或者脚本。
步骤三：数据抓取---API
api，指的是应用程序接口，他是一些预先定义的函数，可以在无需访问源码的前提下，使应用程序的开发人员基于某软件或者硬件访问的一组例程。
步骤四：数据抓取---数据清洗
数据质量分析
1、缺失值分析（空置/遗漏值）
2、异常值分析（离群点分析）
3、一致性分析（矛盾/多数据源数据）
步骤五：数据分析---描述性统计（可视化）
气泡图，可以同时显示三个维度的数据信息
步骤六：数据分析---诊断性分析
周权重指数=1.09+1.26+1.14+1.27+1.20+1.13+1.00=8.11
边界效应
步骤七：数据分析---预测性分析
步骤八：数据分析---仿真模拟
步骤九：业务决策
常见的业务决策方向
1、描述性统计---用户画像---针对性运营
2、诊断性分析---ROI评估---企业资源配置优化
3、预测性分析---未来业绩评估---活动策划/人员工作排期
4、仿真模拟---不同情况风险评估---供应链资源规划
七、Excel简介及优劣势分析
Excel优势：
1、对单数据源（单表格）数据分析非常灵活，方便
2、操作简单，分析方法可复制性强，对业务放指导性强
Excel劣势：
1、对多数据源（多表格）数据分析时较为麻烦，低效
2、对大数据量数据源分析时容易发生卡顿、报错
八、Python简介及优劣势分析
Python优势：
1、可读性文字编写的语言之一，学习难度较小
2、数据可视化、数据分析的工具包丰富，分析效率高
潜在受众和建立数据标签
仿真应用---舒徐额仿真法
书籍介绍：
