如何建立数据分析的思维框架
曾经有人问过我，什么是数据分析思维？如果分析思维是一种结构化的体现，那么数据分析思维在它的基础上再加一个准则：
不是我觉得，而是数据证明
这是一道分水岭，“我觉得”是一种直觉化经验化的思维，工作不可能处处依赖自己的直觉，公司发展更不可能依赖于此。数据证明则是数据分析的最直接体现，它依托于数据导向型的思维，而不是技巧，前者是指导，后者只是应用。
作为个人，应该如何建立数据分析思维呢？
建立你的指标体系
在我们谈论指标之前，先将时间倒推几十年，现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
所谓衡量，就是需要统一标准来定义和评价业务。这个标准就是指标。假设隔壁老王开了一家水果铺子，你问他每天生意怎么样，他可以回答卖的不错，很好，最近不景气。这些都是很虚的词，因为他认为卖的不错也许是卖了50个，而你认为的卖的不错，是卖了100。
这就是“我觉得”造成的认知陷阱。将案例放到公司时，会遇到更多的问题：若有一位运营和你说，产品表现不错，因为每天都有很多人评价和称赞，还给你看了几个截图。而另外一位运营说，产品有些问题，推的活动商品卖的不好，你应该相信谁呢？
其实谁都很难相信，这些众口异词的判断都是因为缺乏数据分析思维造成的。
老王想要描述生意，他应该使用销量，这就是他的指标，互联网想要描述产品，也应该使用活跃率、使用率、转化率等指标。
如果你不能用指标描述业务，那么你就不能有效增长它。
了解和使用指标是数据分析思维的第一步，接下来你需要建立指标体系，孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。
我们看一下互联网的产品，一个用户从开始使用到离开，都会经历这些环节步骤。电商APP还是内容平台，都是雷同的。想一想，你会需要用到哪些指标？
而下面这张图，解释了什么是指标化，这就是有无数据分析思维的差异，也是典型的数据化运营，有空可以再深入讲这块。
指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标；互联网金融，必须要风控指标；电子商务，卖家和买家的指标各不一样。
这些需要不同行业经验和业务知识去学习掌握，那有没有通用的技巧和注意事项呢？好指标与坏指标
不是所有的指标都是好的。这是初出茅庐者常犯的错误。我们继续回到老王的水果铺子，来思考一下，销量这个指标究竟是不是好的？
最近物价上涨，老王顺应调高了水果价格，又不敢涨的提高，虽然水果销量没有大变化，但老王发现一个月下来没赚多少，私房钱都不够存。
老王这个月的各类水果销量有2000，但最后还是亏本了，仔细研究后发现，虽然销量高，但是水果库存也高，每个月都有几百单位的水果滞销最后过期亏本。
这两个例子都能说明只看销量是一件多不靠谱的事情。销量是一个衡量指标，但不是好指标。老王这种个体经营户，应该以水果铺子的利润为核心要素。
好指标应该是核心驱动指标。虽然指标很重要，但是有些指标需要更重要。就像销量和利润，用户数和活跃用户数，后者都比前者重要。
核心指标不只是写在周报的数字，而是整个运营团队、产品团队乃至研发团队都统一努力的目标。
核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。
互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打
磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。
核心驱动指标一般是公司整体的目标，若从个人的岗位职责看，也可以找到自己的核心指标。比如内容运营可以关注阅读数和阅读时长。
核心驱动指标一定能给公司和个人带来最大优势和利益，记得二八法则么？20%的指标一定能带来80%的效果，这20%的指标就是核心。
另外一方面，好的指标还有一个特性，它应该是比率或者比例。
拿活跃用户数说明就懂了，我们活跃用户有10万，这能说明什么呢？这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。
正因为单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。
坏指标有哪些呢？
其一是虚荣指标，它没有任何的实际意义。
产品在应用商店有几十万的曝光量，有意义吗？没有，我需要的是实际下载。下载了意义大吗？也不大，我希望用户注册成功。曝光量和下载量都是虚荣指标，只是虚荣程度不一样。
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。可惜很多老板还是孜孜不倦的追求10W+，哪怕刷量。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
第二个坏指标是后验性指标，它往往只能反应已经发生的事情。
比如我有一个流失用户的定义：三个月没有打开APP就算做流失。那么运营每天统计的流失用户数，都是很久没有打开过的，以时效性看，已经发生很久了，也很难通过措施挽回。我知道曾经因为某个不好的运营手段伤害了用户，可是还有用吗？
活动运营的ROI（投资回报率）也是后验性指标，一个活动付出成本后才能知道其收益。可是成本已经支出，活动的好与坏也注定了。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，但不能驱动业务。
第三个坏指标是复杂性指标，它将数据分析陷于一堆指标造成的陷阱中。
指标能细分和拆解，比如活跃率可以细分成日活跃率、周活跃率、月活跃率、老用户活跃率等。数据分析应该根据具体的情况选择指标，如果是天气类工具，可以选择日活跃率，如果是社交APP，可以选择周活跃率，更低频的产品则是月活跃率。
每个产品都有适合它的几个指标，不要一股脑的装一堆指标上去，当你准备了二三十个指标用于分析，会发现无从下手。
指标结构
既然指标太多太复杂不好，那么应该如何正确的选择指标呢？
和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。
假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢？
我们把金字塔思维转换一下，就成了数据分析方法了。
从内容运营的流程开始，它是：内容收集—内容编辑发布—用户浏览—用户点击—用户阅读—用户评论或转发—继续下一篇浏览。
这是一个标准的流程，每个流程都有指标可以建立。内容收集可以建立热点指数，看哪一篇内容比较火。用户浏览用户点击则是标准的PV和UV统计，用户阅读是阅读时长。
从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。
这套框架列举的指标，依旧要遵循指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
维度分析法
当你有了指标，可以着手进行分析，数据分析大体可以分三类，第一类是利用维度分析数据，第二类是使用统计学知识如数据分布假设检验，最后一类是使用机器学习。我们先了解一下维度分析法。
维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，时间也是一种角度，所以它们都能算维度。
当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。
上图就是三个维度组成的数据模型／数据立方体。分别是产品类型、时间、地区。我们既能获得电子产品在上海地区的2010二季度的销量，也能知道书籍在江苏地区的2010一
季度销量。
数据模型将复杂的数据以结构化的形式有序的组织起来。我们之前谈到的指标，都可以作为维度使用。下面是范例：
将用户类型、活跃度、时间三个维度组合，观察不同用户群体在产品上的使用情况，是否A群体使用的时长更明显？
将商品类型、订单金额、地区三个维度组合，观察不同地区的不同商品是否存在销量差异？
数据模型可以从不同的角度和层面来观察数据，这样提高了分析的灵活性，满足不同的分析需求、这个过程叫做OLAP（联机分析处理）。当然它涉及到更复杂的数据建模和数据仓库等，我们不用详细知道。
数据模型还有几种常见的技巧、叫做钻取、上卷、切片。
选取就是将维度继续细分。比如浙江省细分成杭州市、温州市、宁波市等，2010年一季度变成1月、2月、3月。上卷则是钻取的相反概念，将维度聚合，比如浙江、上海、江苏聚合成浙江沪维度。切片是选中特定的维度，比如只选上海维度、或者只选2010年一季度维度。因为数据立方体是多维的，但我们观察和比较数据只能在二维、即表格中进行。
上图的树状结构代表钻取（source和time的细分），然后通过对Route的air切片获得具体数据。
聪明的你可能已经想到，我们常用的数据透视表就是一种维度分析，将需要分析的维度放到行列组合进行求和、计数、平均值等计算。放一张曾经用到的案例图片：用城市维度和工作年限维度，计算平均工资。
除了Excel、BI、R、Python都能用维度分析法。BI是相对最简便的。
谈到维度法，想要强调的是分析的核心思维之一：对比，不同维度的对比，这大概是对新人快速提高的最佳捷径之一。比如过去和现在的时间趋势对比，比如不同地区维度的对比，比如产品类型的区别对比，比如不同用户的群体对比。单一的数据没有分析意义，只有多个数据组合才能发挥出数据的最大价值。
我想要分析公司的利润，利润= 销售额- 成本。那么找出销售额涉及的指标／维度，比如产品类型、地区、用户群体等，通过不断的组合和拆解，找出有问题或者表现良好的原因。成本也是同理。
这就是正确的数据分析思维。总结一下吧：我们通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析。
很多人会问，指标和维度有什么区别？
维度是说明和观察事物的角度，指标是衡量数据的标准。维度是一个更大的范围，不只是数据，比如时间维度和城市维度，我们就无法用指标表示，而指标（留存率、跳出率、浏
览时间等）却可以成为维度。通俗理解：维度>指标。
到这里，大家已经有一个数据分析的思维框架了。之所以是框架，因为还缺少具体的技巧，比如如何验证某一个维度是影响数据的关键，比如如何用机器学习提高业务，这些涉及到数据和统计学知识，以后再讲解。
这里我想强调，数据分析并不是一个结果，只是过程。还记得“如果你不能衡量它，那么你就不能有效增长它”这句话吗？数据分析的最终目的就是增长业务。如果数据分析需要绩效指标，一定不会是分析的对错，而是最终数据提升的结果。
数据分析是需要反馈的，当我分析出某项要素左右业务结果，那么就去验证它。告诉运营和产品人员，看看改进后的数据怎么样，一切以结果为准。如果结果并没有改善，那么就应该反思分析过程了。
这也是数据分析的要素，结果作导向。分析若只是当一份报告呈现上去，后续没有任何跟进、改进的措施，那么数据分析等与零。
业务指导数据，数据驱动业务。这才是不二法门。
文章作者：秦璐来源：公众号：秦璐
添加微信公众号（cn99click），获取免费试用产品及精华干货文章。
数据分析的思维技巧 在我对数据分析有限的认识上（因为无知到没有认知），往往会看到一些秀技性的数据分析图表，以及好看的词云等等。年少无知的我，只想啪啪啪鼓掌伴随一声“卧槽，真牛逼”，然后在被秀了一脸后，并没有明白对方想说什么，空有一副好皮囊而没有灵魂。分析是为了给出偏好的，也是洗脑的一种重要手段，洗不洗的成功就要靠本事了。于是问题产生了，你的分析是为了干啥，通过哪几个角度达到哪几方面的目的。以下为我对几个技巧的认识想法： 一、象限法 就是划定几个坐标轴，让每一个数据在象限中找到自己的角色，比如打工这个事吧，就是要让你忙，就是要给你一堆事，于是重点出来了，这么多事孰重孰轻，孰急孰缓，跟打工皇帝学时间管理，事情要按照紧急程度和重要程度进行划分，以此给自己做事排序。 二、多维法 从个人理解来看，多维法和象限法联系紧密，无非就是象限法之间的界限清晰明显，多维法之间的维度不是严格意义的隔开，比如高度、富有、颜值，这到底算象限分类还是维度分类，或者说当象限多了，采用多维来理解效果更好，比如富有的家庭一般孩纸整体相对更高一些，维度与维度之间是有相对联系的，虽然不是那么绝对，但是也不是完全不相关。
但是多维法呢，正是由于维度与维度之间的关系，会导致整体维度情况和细分维度情况来看起来会有失真，最典型的例子是田忌赛马，上中下三个维度的马均是齐王更厉害，那么跑马结果田忌胜了。性别歧视在工作学习中经常会碰到，但是通过男女入取率判断性别歧视合适么，每个学院的女生录取率都高，但是整体入取率女生低的情况也不是不能出现，那么这到底是哪种性别歧视呢，数字不会骗人，但是分析洗脑会骗人，分析思维不对容易骗自己。为了解决辛普森悖论，可以通过切方块的方式，不断缩小分析的维度，不断深入挖掘，可以有效了解真实情况。 三、假设法 数据分析对下是有一系列材料做支撑，对上是为决策或了解情况提供支撑，只有下面有素材，才能为上面提供科学合理研判。那么问题出来了，如果没有材料做支撑，那怎么办。简单，没有条件那就为它创建条件嘛，我先假设一个基础，然后根据这个基础大肆分析，水平体现出来了，偏好结论也体现出来了，其实很多现实问题是没有那么多切实完整的基础资料的，有的就是一个感觉，有的就是一个偏好。这也是咨询圈常见的套路，虽然不是严格意义的1+1=2，但是可以严谨告诉别人1+1>1，而且面对那么多的未知，不将几个未知进行假设，如何区解决更多的未知。 四、指数法 一直觉得，指数法是一个装逼指数最高的方法，首先指数就已经狠专业了，在专业的基础上进行专业的分析，还有什么更专业的事情么。但是
第十一章 统计与概率 第一节 统 计 统计 知识梳理 学法指导 总结升华 统计的相关概念 数据的收集与整理 分析数据 平均数 中位数 学习误区 1.认真理解各个基本概念的实质，找出区别与联系. 知能提升 理解各个统计量的作用，使分析数据更具有方向性. 样本估计总体的方法 画统计图 即通过从总体中抽取一个样本，根据样本的情况去估计总体的相应情况，常用于设计实际应用题. 画频率分布直方图的步骤 画频数分布折线图的方法 取直方图中每个矩形上边的中点，把这些点用线段依次连接起来即可. 平均数、众数和中位数的区别 极差、方差与标准差 利用统计量解决实际问题 数形结合法 总体 个体 样本 样本容量 统计图表 调查的方式 众数 极差 方差 标准差 总体、样本的概念混乱. 分不清集中趋势和离散趋势. 弄不清三种统计图的表达意义的侧重点. 3.注意题目的侧重点来选取合适的知识解题. 1.收集数据；（放到统计图内） 7.写出统计图的名称和数据来源. 常见的命题形式 （1）观察分析各类统计图表，解决相关问题. （2）根据已知条件，绘制或补全各类统计图. 1.比赛成绩的评估. 2.植物长势的判断. 3.对事件提出合理化的建议. 他们都是衡量一组数据波动大小的量.这三个量越小，这组数据的波动越小，也越稳定；反之亦然. 平均数的大小与每一个数据有关，任一数据的变动都会引起平均数的变动. 众数的大小只与数据中的部分数据有关. 中位数只与数据的排列位置有关，某些数据的变动对它没有影响. 2.计算数据中的最大值与最小值的极差； 3.确定组距与组数； 4.确定分点； 5.列频率分布表； 6.画直方图； 在统计中，所有考察对象的全体. 在统计中，组成总体的每一个考察对象. 在统计中，实际观测或调查的那部分个体. 在统计中，所提取的样本个数. 扇形统计图. 条形统计图. 折线统计图. 频率分布图 直方图 普查 抽样调查 为了一定的目的，对考察对象进行全面的调查. 从总体中，抽取部分个体进行调查的方式. 算数平均数 加权平均数 n 个数据按大小顺序排列，处于中间位置的一个数据（或中间两个数据的平均数）. 一组数据中，出现次数最多的那个数（注：有时会有多个）. 一组数据中，最大与最小数据的差.
数据分析能力的8个等级 并非所有的分析方法作用都相同。和大多数软件解决方案一样，你会发现分析方法的能力也存在差异，从简单明了的到高级复杂。下面我们按照不同分析方法所能给人带来的智能程度，把分析能力划分为8个等级。 1. 固定报表 回答: 发生了什么？什么时候发生的？ 示例：月度或季度财务报表 我们都见过报表，它们一般是定期生成，用来回答在某个特定的领域发生了什么。从某种程度上来说它们是有用的，但无法用于制定长期决策。 2. 即席查询 回答：有多少数量？发生了多少次？在哪里？ 示例：一周内各天各种门诊的病人数量报告。 即席查询的最大好处是，让你不断提出问题并寻找答案。 3. 多维分析 回答：问题到底出在哪里？我该如何寻找答案？ 示例：对各种手机类型的用户进行排序，探查他们的呼叫行为。 通过多维分析(OLAP)的钻取功能，可以让您有初步的发现。钻取功能如同层层剥笋，发现问题所在。 4. 警报 回答：我什么时候该有所反应？现在该做什么？ 示例：当销售额落后于目标时，销售总监将收到警报。 警报可以让您知道什么时候出了问题，并当问题再次出现时及时告知您。警报可以通过电子邮件、RSS 订阅、评分卡或仪表盘上的红色信号灯来展示。
5. 统计分析 回答：为什么会出现这种情况？我错失了什么机会？ 示例：银行可以弄清楚为什么重新申请房贷的客户在增多。 这时您已经可以进行一些复杂的分析，比如频次分析模型或回归分析等等。统计分析是在历史数据中进行统计并总结规律。 6. 预报 回答：如果持续这种发展趋势，未来会怎么样？还需要多少？什么时候需要？ 示例：零售商可以预计特定商品未来一段时间在各个门店的需求量。 预报可以说是最热门的分析应用之一，各行各业都用得到。特别对于供应商来说，能够准确预报需求，就可以让他们合理安排库存，既不会缺货，也不会积压。 7. 预测型建模 回答：接下来会发生什么？它对业务的影响程度如何？ 示例：酒店和娱乐行业可以预测哪些VIP 客户会对特定度假产品有兴趣。 如果您拥有上千万的客户，并希望展开一次市场营销活动，那么哪些人会是最可能响应的客户呢？如何划分出这些客户？哪些客户会流失？预测型建模能够给出解答。 8. 优化 回答：如何把事情做得更好？对于一个复杂问题来说，那种决策是最优的？ 示例：在给定了业务上的优先级、资源调配的约束条件以及可用技术的情况下，请您来给出IT 平台优化的最佳方案，以满足每个用户的需求。 优化带来创新，它同时考虑到资源与需求，帮助您找到实现目标的最佳方式。
剖析大数据分析方法论的几种理论模型 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 作者：佚名来源：博易股份|2016-12-01 19:10 收藏 分享 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。 以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。 管理方面的理论模型： ?PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等?PEST：主要用于行业分析 ?PEST：政治(Political)、经济(Economic)、社会(Social)和技术(Technological) ?P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。?E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。?S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
?T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。 大数据分析的应用案例：吉利收购沃尔沃 大数据分析应用案例 5W2H分析法 何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much) 网游用户的购买行为： 逻辑树：可用于业务问题专题分析
史上最全｜分析问题的7种思维方法（职场人必备）2018-07-25 21:00 不管是在职场中还是生活里，我们都会遇到很多问题，如果没有清 晰全面的思维方式，问题面前，势必难上加难。今天，给大家带来 一些经典好用的思维方式，其中如思维导图、金字塔原理等都是小 培个人力荐的哦～也希望朋友们学起来，用起来，遇到问题时候快 速分析，解决掉它们！ 以下信息均整合于网络各处，小培仅做汇编分享。来源：@培训人 社区转载请予以说明 6顶思考帽法 白色思考帽、绿色思考帽、黄色思考帽、黑色思考帽、红色思考帽、蓝色思考帽。英国学者爱德华·德·博诺（Edward de Bono）博士开发。 “6顶思考帽”提供了“平行思维”的工具，避免将时间浪费在互相争执上。强调的是“能够成为什么”，而非“本身是什么”，是寻求一条向前发展的路，而不是争论谁对谁错。 在工作中运用6顶思考帽，将会使混乱的思考变得更清晰，使团体中无意义的争论变成集思广益的创造，使每个人变得富有创造性。但人不能同时戴2顶帽子，所以采用这种方法可以让你好几种情绪中进行平行思考。
人的思维是通过提问来引导的，一个人是积极还是消极，取决于他给自己提的问题。同样的下雨天，消极的人在统计因为下雨，给自己带来的损失，积极的人在问自己下雨我可以做哪些有意义的事情。 SWOT分析法 四个英文单词的缩写，Strengths Weaknesses Opportunities Threats。 最早由美国旧金山大学管理学教授提出，由哈佛大学商学院的安德鲁斯教授1971年在《公司战略概念》中最终确立。
用来确定企业自身的竞争优势、竞争劣势、机会和威胁，从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法。对于优势和弱势是内部环境的分析，机会和威胁是对于外部环境的分析。 这个模型可以用于多种方面，任何和商品，贸易，竞争有关系的都适用，而人也是一种商品。在工作中，这个模型同样可以帮助你理清现状，分析问题。 麦肯锡7步分析法 来源：麦肯锡公司 善于解决问题的能力通常是缜密而系统化思维的产物，任何一个有才之士都能获得这种能力。有序的思维工作方式并不会扼杀灵感及创造力，反而会助长灵感及创造力的产生。咨询公司解决问题的方法，不仅对于解决企业问题非常有效，对于解决任何需要深入思考的复杂问题都值得借鉴。
读书笔记｜《数据分析思维：分析方法和业务知识》 ● 笔记 ●第1篇方法 ●第1章业务指标 ●如何理解数据 ●弄清楚每一列的含义 ●对数据进行分类 ●用户数据：我是谁 ●性别 ●年龄 ●地区 ●行为数据：我做了什么 ●点击某个菜单的次数 ●分享量 ●收藏数 ●产品数据：卖什么 ●文章标题 ●日期 ●阅读量 ●常用的指标 ●用户数据指标 ●日新增用户数 ●一个产品如果没有用户增长，，用户就会慢慢减少 ●活跃率 ●= 活跃用户数/总用户数 ●日活跃用户数 ●周活跃用户数 ●月活跃用户数 ●注意：统计人数要去掉重复的数据，同一个人在一个区间里面只计算一次 ●留存率
●= 第1天新增用户中，在第N天使用过产品的用户数/第1天使用过产品的用 户数 ●次日留存率（N=2) ●第7日留存率（N=7） ●第30天留存率（N=30） ●为什么关注留存 ●留存可以评估产品功能对用户的粘性 ●留存低 - 粘性小 - 就要找到用户流失的原因 ●行为数据指标 ●PV - Page View 访问次数 ●UV - Unique View 访问人数 ●转发率 ●= 转发某功能的用户数/看到该功能的用户数 ●转化率 ●店铺转化率= 购买产品的人数/到店铺的人数 ●广告转化率= 点击广告的人数/看到广告的人数 ●K因子 - K factor ●平均每个用户向多少人发出邀请*接收到邀请到人转化为新用户的转化率 ●当K>1时 - 新增用户数就会像雪球一样增大 ●当K<1时 - 新增用户数到某个规模时就会停止通过自传播增长 ●产品数据指标 ●总量 ●成交总量 ●成交数量 ●成交总额GMV - Gross merchandise volume - 流水 ●= 销售额+取消订单金额+拒收订单金额+退货订单金额 ●访问时长 ●人均 ●人均付费（ARPU 或客单价）= 总收入/总用户数 ●ARPU - Average revenue per user ●付费用户人均付费（ARPPU) = 总收入/付费人数
数据分析经典语录汇总 【数据分析三字经】①学习：先了解，后深入；先记录，后记忆；先理论，后实践；先模仿，后创新；②方法：先思路，后方法；先框架，后细化；先方法，后工具；先思考，后动手； ③分析：先业务，后数据；先假设，后验证；先总体，后局部；先总结，后建议； 做数据分析首先是熟悉业务及行业知识，其次是分析思路清晰，再次才是方法与工具，切勿为了方法而方法，为工具而工具。 【数据分析的3点要求】第一，熟悉业务，不熟业务，分析的结果将脱离实际，业无从指导；第二，多思考，只有经常发问为什么是这样的？为什么不是那样的？只有这样才有突破点；第三，多动手，不动手，靠脑袋想是不够的，不要怕错，大不了错了重来。 数据分析不仅是个工具，而且是门艺术，优秀的数据分析师不光要懂业务、懂管理，懂分析、还要懂创意、懂设计、懂生活，所以数据分析师也是个艺术家。 【数据分析流程】首先明确分析目的，然后搭建分析体系，确定各个分析内容，进行数据搜集、数据处理、数据分析、数据展现逐步完成，最后检验是否达到分析目的！ 【数据挖掘流程】①业务理解：清晰定义业务问题；②数据理解：有什么数据，数据质量心中有数；③数据准备：数据抽样、转换、缺失值处理等；③建模：选择和应用不同的模型技术，调整模型参数；④评估：对前面步骤进行评估；⑤部署：把数据挖掘成果送到相应人手中，并进行日常监测和维护、更新。 【以终为始的分析原则】我做这个数据分析的目的是什么？然后，再根据这个目标倒推应该从哪几个角度、指标进行分析。
【数据分析5步走】1、锁定分析目标，梳理思路，叫纸上谈兵；2、把杂乱的数据整理出图表报表，用数据探业务，叫自问数答；3、锁定核心抓重点，设定最终算法，叫挟天子以令诸侯；4、梳理重点发现，准备剧本开拍，接受PK，叫才辨无双；5、效果梳理，总结经验，叫内视反听。 【数据分析框架的重要性】问题的高效解决开始于将待解决问题的结构化，然后进行系统的假设和验证。分析框架可以帮助我们：1、以完整的逻辑形式结构化问题；2、把问题分解成相关联的部分并显示它们之间的关系；3、理顺思路、系统描述情形/业务；4、然后洞察什么是造成我们正在解决的问题的原因。 数据分析如果一开始数据分析方向就错了，所有努力都是徒劳，后果不堪设想。亲们，数据分析前先明确目的，再根据分析目的确定分析框架与内容，以及所采用的数据分析方法。【常用数据分析方法】：趋势分析：查看一段时间某一数据或者某一组的变动趋势，得出某一个业务上升、下降、平稳、波动等趋势信息；对比分析：自己和自己比，找趋势、规律；自己和别人比，找差异、问题。结构分析：拆字诀，子类目、属性值、新老会员、各个运营节点，都可拆。 【数据分析注意点】1、要注意每种统计分析方法的适用范围；2、使用不同的数据分析方法对同一问题进行解释，来互相验证结论的真伪，多次尝试；3、结果要使用通俗易懂的语言或图表进行描述；4、需要耐心和细致，不能出现任何疏漏，别一个老鼠害一锅汤；5、高级数据分析不一定是最好的，简单有效才是最好的。 【如何用数据看透问题】1、确定指标，看数值；2、问题还不够明确？将指标层层分解；3、只看数值还不能确定问题？多周期看趋势；4、问题初步明确了，找不到原因或者发力点？将统计对象分类，拆解为不同角度来观察；5、参考行业对比数据，如果有的话...而每一步具体怎么走，全靠业务理解！
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；
C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。
统计思维导图应用 在统计学的教学工作中我们发现，学生普遍对统计方法的应用及创新存在困惑，究其根本的原因主要是对于知识的不理解，只是单纯地去记忆公式，违背了统计学的特点及规律。为了解决这个问题，在课堂中引入统计学思维导图，经实践证明，有利于学生掌握统计知识，提高学习效率，增强应用能力及创新能力。 统计学是一门收集、分析、表述和解释数据的学科，在市场营销中有着十分广泛的应用。首先，变异是社会中普遍存在的现象，采用统计方法，可以发现不确定现象背后隐藏的规律，从而对营销过程中提出的理论假设加以科学的验证。其次，结合统计学的知识，可以针对企业的特点，开展企业的市场营销管理工作，制定合理的营销策略，对产品的质量进行分析，对客户的需求进行定量化的描述，明确销售工作的重点和关键。因此，在我国目前的医药市场营销的相关专业中，普遍开设了统计类的课程，但是在教学过程中我们发现，学生在学习统计学时经常不知从何入手，教学内容主要以记忆为主，违背了统计学科应用性的特点，不利于学生对知识的掌握和对方法的创新。为了让学生更好的理解统计学，应用统计学，我们将思维导图应用于日常的教学工作中，取得了一定的经验效果。 1 统计思维导图 统计学思维导图是表达发散性思维的有效的图形工具，是一种革命性的思维工具。思维导图采用图文并重的方法，将各级各层的主题关系用相互隶属的
层级图形表现出来，把关键词和图形、图像、颜色等建立记忆链接。 思维导图充分利用人脑的机能，利用记忆、思维等规律，协助人们对问题进行学习和理解，可以将其广泛地应用于统计学的教学工作中。 2 统计学思维导图在教学中的应用 随着多媒体技术的普及，很多高等医学院校都采用了PPT 进行教学，这种教学方法比较直观，能通过生动的图像、声音等方法，调动学生的情绪，提高学习效率。但是，由于其同样具有大信息量、大容量性的特点，使得学生在学习时感觉吃力，跟不上授课的进度。而且，多数幻灯片对于学习内容的排列方式是线式的，不符合人脑的发散性思维模式，不利于学生对知识的掌握和理解。 统计学与一般的理科学科有所不同，它的知识自成体系，有逻辑，有层 次，在授课过程中，可以通过统计思维导图来帮助学生加深理解，并在此基础上进行应用及创新。 2.1 思维导图在统计描述中的应用统计描述是统计学中最基本的内容，也是统计分析中重要的一部分。在统计学中，经常用统计指标和统计图表来揭示和反映原始资料的数量特征和信息。在药学营销问题中，如果需要对理论问题加以验证，最常用的方法是通过实验数据来说明。经过严谨的统计设计，将实验中收集的数据进行筛查或转换，然后就可以通过统计描述的方法来总结这组数据的一些重要的特征，使得实验得到的数据表达清晰，便于做进一步的分析。 在统计学中，对数据的描述可以是直观的图表，也可以是客观定量的计 算，无论是何种方式，都需要根据数据的类型及分布的类型等因素进行适当的选
数据分析必备的三大能力体系 这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。 数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出： 1.大家对于数据分析的认知和理解支离破碎，缺乏一个整体 的、系统的思维框架； 2.大家的视野更多局限在数据报表、BI 系统、广告监测等领 域，对于数据以及数据分析其实是缺乏深层次洞察的。 这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。 一、数据分析价值观 如何让数据分析真正发挥价值？我认为必须在价值认同、工作定位和商业模式三点上取得突破。
做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。 如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。
做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的“取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案。 当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到助力（Empower）、优化（Optimize）、创新（Innovate）的三大作用。
修订日：2010.12.8实证论文数据分析方法详解 （周健敏整理） 名称变量类型在SPSS软件中的简称（自己设定的代号） 变革型领导自变量1 zbl1 交易型领导自变量2 zbl2 回避型领导自变量3 zbl3 认同和内部化调节变量 TJ 领导成员交换中介变量 ZJ 工作绩效因变量 YB 调节变量：如果自变量与因变量的关系是变量M的函数，称变量M为调节变量。也就是, 领 导风格（自变量）与工作绩效（因变量）的关系受到组织认同（调节变量）的影 响，或组织认同（调节变量）在领导风格（自变量）对工作绩效（因变量）影响 关系中起到调节作用。具体来说，对于组织认同高的员工，变革型领导对工作绩 效的影响力，要高于组织认同低的员工。 中介变量：如果自变量通过影响变量N 来实现对因变量的影响，则称N 为中介变量。也就 是，领导风格（自变量）对工作绩效（因变量）影响作用是通过领导成员交换（中 介变量）的中介而产生的。 研究思路及三个主要部分组成： （1）领导风格对于员工工作绩效的主效应（Main Effects）研究。 （2）组织认同对于不同领导风格与员工工作绩效之间关系的调节效应（Moderating Effects）研究。 （3）领导成员交换对于不同领导风格与员工工作绩效之间关系的中介效应（Mediator Effects）研究。
目录 1.《调查问卷表》中数据预先处理～～～～～～～～～～～～～～ 3 1.1 剔除无效问卷～～～～～～～～～～～～～～～～～～～～ 3 1.2 重新定义控制变量～～～～～～～～～～～～～～～～～～ 3 2. 把Excel数据导入到SPSS软件中的方法～～～～～～～～～～ 4 3. 确认所有的变量中有无“反向计分”项～～～～～～～～～～～4 3.1 无“反向计分”题～～～～～～～～～～～～～～～～～～ 5 3.2 有“反向计分”题～～～～～～～～～～～～～～～～～～ 5 4. 效度分析～～～～～～～～～～～～～～～～～～～～～～～～6 5. 信度分析～～～～～～～～～～～～～～～～～～～～～～～～8 6. 描述统计～～～～～～～～～～～～～～～～～～～～～～～～9 7. 各变量相关系数～～～～～～～～～～～～～～～～～～～～ 12 7.1 求均值～～～～～～～～～～～～～～～～～～～～～～～12 7.2 相关性～～～～～～～～～～～～～～～～～～～～～～～12 8. 回归分析～～～～～～～～～～～～～～～～～～～～～～～13 8.1 使用各均值来分别求Z值～～～～～～～～～～～～～～～13 8.2 自变量Z值与调节变量Z值的乘积～～～～～～～～～～～13 8.3 进行回归运算～～～～～～～～～～～～～～～～～～～～14 8.3.1 调节作用分析～～～～～～～～～～～～～～～～～～14 8.3.2 中介作用分析～～～～～～～～～～～～～～～～～～18 8.4 调节作用作图～～～～～～～～～～～～～～～～～～～～22
五种简要分析数据的方法无论是负责管理的同事还是销售一线的小伙伴，都会发现数据分析的重要性， 但是在工作中，我发现很多小伙伴们都不太会处理数据，更不会明白数据取经团小伙伴们做的大量“数据清洗”工作，当然中间可能涉及到编程，数据取经团小伙伴们的能力可是杠杠的，我作为外行，是不敢班门弄斧的，如下从管理和销售方面简要讲讲我的数据分析方法。（感谢统计学老师） 首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。 然而，我们还要搞清楚数据分析的目的是什么? 目的是解决我们现实中的某个问题或者满足现实中的某个需求。 那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面一一给你一一介绍。(本文用到的指标和维度是同一个意思) 一、【对照】 【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。 图a毫无感觉
图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。 这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选产品丶监控增量等，这些过程就是在做【对照】，决策BOSS们拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。呜呜，虽然法律增量少，好歹还是在涨啊 二、【拆分】 分析这个词从字面上来理解，就是拆分和解析拆分不等于分析，呃，分析包含拆分，拆分能帮助我们找出原因（这简直是终极意义啊）。因此可见，拆分在数据分析中的重要性。很多小伙伴都会用这样的口吻：经过数据拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的？
大数据时代大数据时代的思维变革不是样本而是全部小数据时代的随机取样全数据模式，样本=总体谷歌流感趋势预测分析美国整个互联网检索记录，可以推测到某个城市的流感状况L y tro 相机 记录整个光场里的所有光，具体生成的照片可以根据需要决定乔布斯癌症治疗对乔布斯DNA 、肿瘤DNA 全测序，根据其特定基因组成按需用药不是精确性而是混杂性谷歌翻译虽然搜集的有错误翻译，但巨大的语料库优势完全压倒了缺点，使其好于布朗、微软的班科和布里尔、IBM 的C a ndide F a c e bo o k 等社交网站 由用户随意贴标签分类照片象棋残局1 w o rd 语法检查 1 更混杂的数据量而不是更精确的算法大数据不只是优于少量数据那么简单，而是能创造更好的结果不是因果关系而是相关关系亚马逊推荐系统根据产品间的联系推荐，增加100倍销售量沃尔玛飓风来临前，将蛋挞与飓风用品摆在一起可增加销量基于相关关系的预测是大数据的核心塔吉特与怀孕预测美国折扣零售商通过对女性消费记录分析，可以发现她是否怀孕，从而在相应阶段寄送相应的折扣券U PS 与汽车修理预测U PS 国际快递公司通过监测车辆的各个部位，提早更换需 要更换的零件早产儿病情诊断实时监测病人信息，提早预测感染知道是什么就够了，没必要知道为什么 大数据时代的管理变革风险--让数据主宰一切的隐忧无处不在的第三只眼亚马逊监视着我们的购物习惯谷歌监视着我们的网页浏览习惯微博窃听到了我们心中的TA f a c e bo o k 似乎什么都知道，包括我们的社交关系网 隐私被二次利用大数据时代，不管是告知与许可、模糊化还是匿名化的隐私保护策略都失效预测与惩罚预测犯罪并提前制止；老年人需要交更多保险费；这否定了人的自由权利、公平，无法独立选择和自由意识数据独裁过于信任、依赖数据掌控--责任与自由并举的信息管理个人隐私保护让使用者承担责任公司负有特定时间之后删除个人数据的义务保护个人动因反数据垄断大亨程序员监控大数据并保持透明度大数据时代的商业变革一切皆可量化坐姿转化成数据孕育出一些服务和一个产业汽车防盗系统能识别是否是车主，不是需要输入密码，错误则自动熄火识别盗贼通过收集到的数据识别盗贼提醒疲劳驾驶坐姿与行驶安全关系通过分析事故发生前的坐姿变化情况地板数据化适时的开灯、开门根据体重、站姿、走路方式确认他的身份监控商店人流量文字变为数据谷歌数据图书馆谷歌翻译沟通变成数据微博情绪数据化来自世界不同文化的人每天、每周的心情都遵循着相似的模式-2011.s c ie nc e 监听新微博发布频率预测电影成败分析微博数据文本，作为股市投资信号位置数据化G PS 通过手机预测交通情况处理来自手机的数据预测人类行为流感时期：通过分析每个人去了哪里见了谁，知道应该隔离谁，怎么找到他数据创新数据的价值不只是漂浮着... 数据再利用网页流量测量揭示用户喜好-Hitw is e 公司数据重组整合手机用户信息与癌症患者信息揭示手机是否增加致癌率-无关扩展数据利用零售店监控摄像头零售店监控摄像头除了安全保卫，还可以跟踪客流及客户停留的位置从而设计店面最佳布局、判断营销的有效性；最终变纯粹的成本为可增收的投资数据折旧及时剔除失去基本用途的数据，如亚马逊推荐系统一般不用用10年前客户买的书来进行推荐数据废气利用谷歌根据用户点击的搜索结果所在的位置来更正排名，将更相关的提前谷歌拼写检查反馈系统通过用户自行更正的搜索词、或点击显示正确拼写的页面来完善相比微软创建维护词典库更先进，变碎屑为金粉开放数据开 放政府数据的倡议响彻全球；私营部门社会对数据的利用更具创新性；数据的价值不只是浮在水面的冰山一角；数据、技术、思维三足鼎立数据拥有者数据拥有者可以选择将数据授权给其他公司，如ITA S o ftw a re ；可以自行开发分析，如M a s te rCa rd ； 大数据技术公司微软Am a lga 系统，减少病人再度入院、大数据思维公司与个人20岁的克罗斯与四个朋友创办了F lightCa s te r 预测航班晚 点数据中间商 结语大数据给我们提供的不是最终答案，而是参考答案，人类的作用依然无法完全被替代。世界不是贫乏规整的惨象，而是纷繁复杂的，天地间存在的事物也远远多于系统想象 大数据时代思维导图
常用数据分析方法详解 目录 1、历史分析法 2、全店框架分析法 3、价格带分析法 4、三维分析法 5、增长率分析法 6、销售预测方法 1、历史分析法的概念及分类 历史分析法指将与分析期间相对应的历史同期或上期数据进行收集并对比，目的是通过数据的共性查找目前问题并确定将来变化的趋势。 *同期比较法：月度比较、季度比较、年度比较 *上期比较法：时段比较、日别对比、周间比较、 月度比较、季度比较、年度比较 历史分析法的指标 *指标名称： 销售数量、销售额、销售毛利、毛利率、贡献度、交叉比率、销售占比、客单价、客流量、经营品数动销率、无销售单品数、库存数量、库存金额、人效、坪效 *指标分类： 时间分类 ——时段、单日、周间、月度、季度、年度、任意 多个时段期间 性质分类 ——大类、中类、小类、单品 图例 2框架分析法 又叫全店诊断分析法 销量排序后，如出现50/50、40/60等情况，就是什么都能卖一点但什么都不 好卖的状况，这个时候就要对品类设置进行增加或删减，因为你的门店缺少 重点，缺少吸引顾客的东西。 如果达到10/90，也是品类出了问题。 如果是20/80或30/70、30/80，则需要改变的是商品的单品。 *单品ABC分析（PSI值的概念） 销售额权重（0.4）×单品销售额占类别比＋销售数量权重（0.3） × 单品销售数量占类别比＋毛利额权重（0.3）单品毛利额占类别比 *类别占比分析（大类、中类、小类） 类别销售额占比、类别毛利额占比、 类别库存数量占比、类别库存金额占比、
类别来客数占比、类别货架列占比 表格例 3价格带及销售二维分析法 首先对分析的商品按价格由低到高进行排序，然后 *指标类型：单品价格、销售额、销售数量、毛利额 *价格带曲线分布图 *价格带与销售对数图 价格带及销售数据表格 价格带分析法 4商品结构三维分析法 *一种分析商品结构是否健康、平衡的方法叫做三维分析图。在三维空间坐标上以X、Y、Z 三个坐标轴分别表示品类销售占有率、销售成长率及利润率，每个坐标又分为高、低两段，这样就得到了8种可能的位置。 *如果卖场大多数商品处于1、2、3、4的位置上，就可以认为商品结构已经达到最佳状态。以为任何一个商品的品类销售占比率、销售成长率及利润率随着其商品生命周期的变化都会有一个由低到高又转低的过程，不可能要求所有的商品同时达到最好的状态，即使达到也不可能持久。因此卖场要求的商品结构必然包括：目前虽不能获利但具有发展潜力以后将成为销售主力的新商品、目前已经达到高占有率、高成长率及高利润率的商品、目前虽保持较高利润率但成长率、占有率趋于下降的维持性商品，以及已经决定淘汰、逐步收缩的衰退型商品。 *指标值高低的分界可以用平均值或者计划值。 图例 5商品周期增长率分析法 就是将一段时期的销售增长率与时间增长率的比值来判断商品所处生命周期阶段的方法。不同比值下商品所处的生命周期阶段(表示) 如何利用商品生命周期理论指导营运(图示) 6销售预测方法[/hide] 1.jpg (67.5 KB) 1、历史分析法
大数据的大价值：大数据五大成功案例深度解析 ?作者：Cashcow ?星期四, 四月11, 2013 ?大数据, 航空, 零售 ?暂无评论 大数据的热潮并未有消褪迹象，相反，包括航空、金融、电商、政府、电信、电力甚至F1赛车等各个行业的企业都在纷纷掘金大数据。可以看出，在推动大数据企业应用方面，真正看到大数据潜在商业价值的企业比大数据技术厂商还要着急。例如IT经理网曾经报道过沃尔玛大数据实验室直接参与到大数据工具的开发和开源工作中。但是在国内，虽然管理学界和财经媒体对大数据推崇备至，认为大数据是信息技术改变商业世界的杀手应用，但是关于大数据中国企业的成功案例的报道却出奇地少。 最近《中国企业家》的“大数据专题”特别报道采访了农夫山泉、阿迪达斯中国和数家航班信息移动服务商（前两家为SAP客户），为我们带来了详实的大数据案例报道，非常有参考价值，原文转载如下：就在制作这期“大数据专题”时，编辑部发生热烈讨论：什么是大数据？编辑记者们旁征博引，试图将数据堆砌的商业案例剔除，真正的、实用性强的数据挖掘故事留下。
我们报道的是伪大数据公司？我们是否成为《驾驭大数据》一书的作者Bill Franks所称的“大数据骗局”中的一股力量？同样的质疑发生在阿里巴巴身上。有消息称，3月23日，阿里巴巴以7000万美元收购了一家移动开发者数据统计平台。这引发了专家们热烈讨论，它收购的真是一家大数据公司吗？ 这些质疑并非没有道理。 中国确实没有大数据的土壤。“差不多先生”、“大概齐”的文化标签一直存在。很多时候，各级政府不太需要“大数据”，形成决策的关键性数据只有一个数字比率（GDP）而已；其二，对于行业主管机构来说，它们拥有大量原始数据，但它们还在试探、摸索数据开放的尺度，比如说，是开放原始数据，还是开放经过各种加工的数据？是转让给拥有更高级计算和储存能力的大型数据公司，还是将数据开源，与各种各样的企业共享？其三，数据挖掘的工具价值并没有完全被认同。在这个领域，硬件和软件的发展并不十分成熟。即便如此，没有人否认数据革命的到来，尤其在互联网行业。阿里巴巴的马云将大数据作为战略方向，百度的李彦宏用“框计算”来谋划未来。即便是CBA（中国男子篮球职业联赛）也学起了NBA（美国男篮职业联赛）五花八门的数据统计、分析与挖掘。 在过去两年间，大量的资本投资一些新型数据工具公司，根据美国道琼斯风险资源（Dow Jones VentureSource）的数据，在过去的两年时间里，11.7亿美元流向了119家数据库软件公司。去年，SAP 市值已经超过西门子，成为德国市值最高的上市公司，而这样的业绩部分得益于其数据库软件HANA的商业化，去年一年时间里HANA带给SAP3.92亿欧元的收入，增长了142%。 但是，大数据还没法分析、挖掘出自己的直接变现能力。在截稿日时，我们再重新读维克托·迈尔-舍恩伯格（Viktor Mayer-Sch鰊berger）的《大数据时代：生活、工作与思维的大变革》一书，作者相信，未来，数据会成为有价值的资产。假以时日，它会大摇大摆地进入资产负债表里。 案例1：农夫山泉用大数据卖矿泉水
常用数据分析方法论 ——摘自《谁说菜鸟不会数据分析》 数据分析方法论主要用来指导数据分析师进行一次完整的数据分析，它更多的是指数据分析思路，比如主要从哪几方面开展数据分析？各方面包含什么内容和指标？ 数据分析方法论主要有以下几个作用： ●理顺分析思路，确保数据分析结构体系化 ●把问题分解成相关联的部分，并显示它们之间的关系 ●为后续数据分析的开展指引方向 ●确保分析结果的有效性及正确性 常用的数据分析理论模型 用户使用行为STP理论 SWOT …… 5W2H 时间管理生命周期 逻辑树 金字塔SMART原则 …… PEST分析法 PEST分析理论主要用于行业分析 PEST分析法用于对宏观环境的分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。 对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。
以下以中国互联网行业分析为例。此处仅为方法是用实力，并不代表互联网行业分析只需要作这几方面的分析，还可根据实际情况进一步调整和细化相关分析指标：
5W2H分析法 5W2H分析理论的用途广泛，可用于用户行为分析、业务问题专题分析等。 利用5W2H分析法列出对用户购买行为的分析：（这里的例子并不代表用户购买行为只有以下所示，要做到具体问题具体分析）
逻辑树分析法 逻辑树分析理论课用于业务问题专题分析 逻辑树又称问题树、演绎树或分解树等。逻辑树是分析问题最常使用的工具之一，它将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。 把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题有关。 （缺点：逻辑树分析法涉及的相关问题可能有遗漏。）
八年级下册数据分析思维导图 第一单元数据收集一、教材简析本单元是在学生已经学习了比较、分类等知识的基础上学习统计的基本知识的。 为了让学生能了解学习统计的必要性，教材选择了与学生生活有密切联系的生活场景，通过参与风趣的调查活动，使学生经历收集信息、处理信息的过程，了解调查的方法，学习收集、、描述和分析数据，认识统计的意义和作用。二、目标导向１、使学生体验数据的收集、、描述和分析的过程，了解统计的意义，会用简单的方法收集和数据。 ２、使学生初步认识统计图（一格代表五个单位）和简单的复式统计表，能根据统计图表中的数据提出并回答简单的问题，并能够进行简单的分析。 ３、通过对周围现实生活中有关事例的调查，激发学生的学习兴趣，培养学生的合作意识和创新精神。三、课时安排本单元建议用3课时进行教学。第1课时课时内容数据收集（一）课型新授课个性修改一课时目标1.知识目标:初步体验数据收集、、描述的过程，会用分类数数的方法将数据成简单的统计表；2.能力目标：初步认识统计表，能正确填写统计表，能从中获得简单统计的结果； 3.情感目标：通过对学生身边风趣事例的调查活动，激发学生学习的兴趣，培养学生的合作意识和能力。课时重难点重点：经历收集和数据的过程，初步认识统计表。难点：感受、经历数据的过程，能正确填写统计表。师生活动一、创设情境，导入新知、（1）你们喜爱运动吗？你们都喜欢哪些运动呢？（学生回答）（2）这么喜欢运动，现在的天气又这么好，来组织个比赛好吗？可是这么多运动项目，你想组织什么比赛呢？（学生解放发表意见，意见不一致）（3）意见不一致，这该这么办呢?(学生解放发表意见，老师适时导入）（4）收集一下数据，收集什么数据呢?（学生：最喜欢的运动）（5）引入新知：数据收集。 二、揭示目标本节课的学习目标是什么呢？请看：（出示投影，生齐读）。