[[402488]]

本文轉載自微信公眾號「曉陽的數據小站」，作者曉陽的數據小站。轉載本文請聯系曉陽的數據小站公眾號。

 |0x00 數據分析做什么

數據分析的定義，在百度百科上是這樣介紹的：“用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解并消化，以求最大化地開發數據的功能，發揮數據的作用。”這句話的理解比較費勁，那么簡單一點講，數據分析就是發現有用的信息，提供結論并支持決策。

有道是“數據在手，天下我有”，但如何尋找出數據中潛在的價值，就是分析師的重要工作了。

數據分析大概有兩種不同的發展方向，一種是偏向業務分析，需要對業務有比較深的理解，在此基礎上，通過數據來尋找業務增長的套路，例如用戶增長、網站分析、經營分析等;另一種是偏向數據挖掘，更加注重技術、尤其是算法能力的應用，需要對常見算法的應用熟練掌握。實際工作中，由于數據挖掘需要非常好的技術功底，因此絕大多數人都是偏向業務進行分析。

|0x01 數據分析的工作內容

那么數據分析的童鞋，日常主要在做什么呢?簡而言之，在做三件事：業務的現狀是什么、為什么會發生、未來將要如何(或如何改進)。

現狀分析，就是告訴業務決策者，過去發生了什么事情，并且通常以報表的形式呈現出來。所以分析師不光要能夠做日報、周報，還需要自己來搭建報表平臺，通過分析關鍵的指標，來掌握業務的運營情況。

原因分析，是在業務現狀的基礎上，分析為什么會發生這些事情。比如指標上升或者下降了，是因為什么原因造成的;或者是分析不同渠道對于最終轉化的貢獻情況。分析的過程，通常會通過專題的形式展示出來。

預測分析，則是告訴業務，未來會發生什么。預測其實是一件很重要的工作，不論是企業經營目標的制定，或者是相關策略的落實，都需要預測未來可能的情況，來保證業務的健康可持續發展。例如電商大促的到來，銷量會得到很大的提升，那么對應的預算、物流、商家要做怎樣的應對，都依賴于數據來提供預測。

|0x02 相關概念的解釋

還是有人會產生疑問：“數據分析”、“數據科學”、“數據驅動”、“商業智能”，這些概念都有怎樣的不同呢?

首先說一下“商業智能”，英文是Business intelligence，這是我們常說的BI，其主要價值，在于通過一系列的數據技術，從數據中挖掘隱藏的客觀規律，總結這些規律背后的原因，并用于指導公司業務的發展。大多數情況下，BI分析師的工作，就是通過SQL、Python等語言，將已經統計好的數據，結合數據模型或者是分析框架，來對業務進行各種分析，并做成有價值的報表或者報告的形式，供業務方進行分析。

再講講“數據科學”，這個概念就要寬泛的多，通常指在跨學科的領域中，通過數據來尋找到解決問題的方法。數據科學的概念其實比較模糊，屬于寬口徑的概念，在不同的行業里所做的事情，可能是截然不同的。在互聯網行業中，數據科學大約代表：先通過探索分析發現問題，然后再用數據建模去解決問題。

那么“數據驅動”又如何理解?數據驅動的字面意思是將數據來作為生產資料，通過科學的方法，來推動業務的優化提高。在互聯網行業里，數據驅動又可以分為數據驅動產品、數據驅動業務兩個方向，比如通過A/B測試來尋找最優的推薦算法，或者是設計實驗來指導產品迭代更新的方向，等等。

因此，在一家公司中，不同數據崗位的分工大體如下：數據工程師負責數據平臺的搭建、數據倉庫的建設，以確保數據被正確的計算和方便的獲取;數據分析師根據數據來描述或者是分析相應的問題，這其中包括了“商業智能”來做報表，或者是“數據科學”來尋找數據模型，最終都是“數據驅動”業務增長或產品迭代。

|0x03 如何來做數據分析

數據分析雖然需要的基礎知識非常多，屬于入門門檻比較高的那一種，但實際的工作卻大體遵循如下的步驟，細節可以有不同：

明確分析目的 - 確定思路框架 - 準備數據 - 分析數據 - 展示數據 - 報告撰寫。

一，明確分析目的，非常重要，目的不明確會導致分析的過程十分盲目。這里會有一個假設，即分析師需要懂業務，并且有自己對于業務的理解，如果沒有相應的專業知識，通常分析的結果就沒有特別大的價值。那么什么是懂業務?大體上就是需要明白企業的商業模式是怎樣的，通過什么樣的關系能夠產生商業價值。如果是2B方向，還需要懂一些管理學的內容，了解數據如何輔助公司的經營管理。

二，確定思路框架，是通過怎樣的指標、哪些角度來進行分析。其實業界有一些非常通過的方法，可以讓我們快速開展業務的同時，能夠保證“MECE原則”，即對于一個重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成為有效解決問題的方法。

常見的思路框架包括：決策樹管理分析法、PEST行業分析法、5W2H問題分析法、4P營銷理論、SWOT競爭力分析模型…… 這里的方法論非常多，一些細分方向也有自己的成套理論，比如“用戶增長”常用的AARRR漏斗模型、RFM理論等。這里就不一一展開了，網上能夠搜到大把的資源，但有一點需要注意，就是掌握模型切記只掌握個大概，因為每個模型是相應知識體系的總結，只能交給你思路，而無法交給你哪些坑應該避免、什么情況下不起作用，等等。

三，準備數據，這個工作通常由數倉團隊完成，一些流量場景，需要采集數據的，也可以通過數據埋點平臺來自動完成。當然，成熟的團隊會通過建立自己的指標體系，來靈活的支持業務的發展。

四，分析數據，以上文提到的現狀、原因與預測分析為例，可以衍生出很多相應的分析方法。我們日常聽到比較多的假設檢驗、回歸分析、聚類分析等，都是在分析數據階段需要用到的專業知識。

常見的分析方法有：A/B測試、描述分析、假設檢驗、信度分析、推斷分析、相關分析、回歸分析、聚類分析、時間序列分析…… 在使用分析方法時，需要注意的一點是口徑要一致，例如指標的口徑范圍、計算方法、計量單位等進行檢查。

五，展示數據，一般情況下是通過圖表和表格來展示數據，通常是能用圖說明的，就不要用表格，除非表格能夠提供更多的信息。

詳情見下圖。

所以有句話說道：數據分析無非四種方法：“比較”、“分布”、“構成”、“聯系”。

六，報告撰寫，根據分析框架，圖文并茂的寫一個好故事吧，記得要有清晰的結論。

|0x04 A/B測試

俗話說，“增長團隊有三寶：埋點、漏斗、AB測”，埋點是數據平臺的功能，漏斗是分析問題的思路，但為什么要單獨提一下A/B測試?是因為有了數據分析的方法之后，我們還需要數據分析的平臺，來對分析的成果快速的進行實驗?？梢哉f，A/B測試是支持數據決策最有力的工具。

A/B測試針對2種以上的方案，不論是一整套產品方案，還是一個小元素的改動，只要變量是唯一的，那么我們就可以對同一組人群，進行隨機的分組，在同等的時間維度內，將實驗組和對照組的結果進行對比，來衡量那種方案更好。

其實很多開發與測試的同學不太理解A/B測試的重要性，因為從開發的視角出發，這些內容確實會增加很多的動作量。但如果從業務的角度出發，那作用可就大了，不論是爭議方案的對比、還是產品轉化率的提升、亦或是多個數據策略的貢獻分配、再或者是產品功能保持簡潔的方法，都需要大量的實驗來驗證我們的想法。在互聯網公司中，我們并不缺少想法，但我們需要驗證想法的工具，讓數據來消除我們的收益淹沒、認知偏差、僥幸心理和收益分配矛盾。

在實際的工作中，A/B測試并不簡單的代表分成兩個實驗組，就完事了，因為我們需要考慮“辛普森悖論”的存在。辛普森悖論是指在某個條件下的兩組數據，分別討論時都會滿足某種性質，可是一旦合并考慮，卻可能導致相反的結論。如果不了解辛普森悖論，盲目的解讀試驗結論，很容易得出錯誤的結論。因此，我們通常會設計更多的參照，以驗證我們想法的正確性，比如AA測試，或者AAB測試，這都需要一些經驗的累積。

36Kr曾在一篇報道中寫道，“頭條發布一個新APP，其名字都必須打N個包放到各大應用市場進行多次A/B測試而決定，張一鳴告訴同事：哪怕你有99.9%的把握那是最好的一個名字，測一下又有神馬關系呢?”

|0x05 數據化運營

數據分析如果持續的做下去，那么它的目標就不僅僅是運營看板或者是分析報告了，而是走向“數據化運營”的發展路線中。

“數據化運營”的概念很火，但其實很多人對它有誤解，認為這就是將“運營”的工作線上化了而已，但其實不然。在百度百科中，對“數據化運營”的定義是：“數據化運營是指通過數據化的工具、技術和方法，對運營過程中的各個環節進行科學的分析，為數據使用者提供專業、準確的行業數據解決方案，從而達到優化運營效果和效率、降低運營成本、提高效益的目的。”

但在互聯網行業中，“數據化運營”的核心思路在于，基于“用戶”的行為和屬性，對“用戶”進行運營。因為互聯網產品的生命周期，就是一個閉環的模型：用戶獲取、用戶活躍、用戶留存、口碑傳播、付費轉化。這其中的每一個環節，都是一個漏斗，通過對數據進行分析，來運營指標的增長，或者是指導產品成長。例如最經典的啤酒與尿布的故事，就是一個典型的場景，通過發現用戶行為的關聯，來設置合理的運營策略，提升最終的產品銷量。

就像精益創業中提到的“MVP”理論一樣，不論是數據分析制定的各種策略，或者是企業的不同戰術打法，其實都不一定是奏效的，而在執行策略的同時，通過數據的沉淀，來不斷驗證策略打法的有效性，最終發現那個最合適的“MVP”功能，是數據化運營的核心導向。

現在的數據化運營體系已經變得更加復雜，不僅是因為業務場景的設計越來越復雜，也因為機器學習、因果推斷等新技術的應用，使得一些感性的數據能夠被利用起來，讓我們的運營能夠更加清楚的看到業務與目標的差距在哪里、應該通過哪些手段來彌補GAP，調整方法會產生怎樣的影響，最終形成我們口中的“數據智能”。

|0xFF 尾記

KPMG(畢馬威)的Swami Chandrasekaran分享過一個數據科學家的學習路線圖，包括了數據的基本原理、統計學、機器學習、數據可視化、大數據處理等方面的推薦知識，感興趣的可以學習一下。原本是2013年寫的，部分內容可能需要更新，但個人覺得這種類似地鐵線路圖的方式，很適合作為自己學習的思維導圖。

圖片