数据分析

一、你是在完成一份数据分析报告吗？ 真正数据分析报告：既然是分析，一定是结果，也就是必须有结论，有观点 1）一定要把你的结论呈现，哪怕是错误的结论。“结论是基于当前的数据，基于你做出的逻辑推理而得到的。”没有结论的分析报告，不应该叫数据分析报告。 2）当你要下结论，意味着你必须要去深入的分析解读数据背后的业务意义，隐藏的规则。可能由于你的业务知识不具备，得到的结论不对或很“明显”（有时往往业务会说，你的报告给出是常识） 二、一定要知道你的报告受众是谁 高层关注方向，中层关注策略，员工关注执行 1）高层关注是方向，基于数据分析或者数据洞察中发现机会。因为他们要决定是方向，基于方向投入相关资源，它们是用来做决策 2）中层关注策略制定。基于数据可以制定什么样的策略。例如，如果用户流失下降，更关注流失用户特征是什么，从而制定对应策略 3）员工关注执行，例如，针对什么样的用户发送什么样的优惠券，根据数据结果来对应发券。 不管针对什么对象，有几点是共通的： 1）数据好理解。好的报告一定是有比较强的逻辑，报告中不会出现太多难以理解的概念，指标的定义也比较清晰，不会一个指标定义要人理解半天。所以现在报告最好的形式是以图为主。 2）直接告诉用户价值点，报告可以帮助你解决什么问题？转化为很具体的数字，例如，可以提供你销售100万，提升10%，获取多少新用户，挽回多少会员。 三、一定在关注数据质量

一、你是在完成一份数据分析报告吗？ 真正数据分析报告：既然是分析，一定是结果，也就是必须有结论，有观点 1）一定要把你的结论呈现，哪怕是错误的结论。“结论是基于当前的数据，基于你做出的逻辑推理而得到的。”没有结论的分析报告，不应该叫数据分析报告。 2）当你要下结论，意味着你必须要去深入的分析解读数据背后的业务意义，隐藏的规则。可能由于你的业务知识不具备，得到的结论不对或很“明显”（有时往往业务会说，你的报告给出是常识） 二、一定要知道你的报告受众是谁 高层关注方向，中层关注策略，员工关注执行 1）高层关注是方向，基于数据分析或者数据洞察中发现机会。因为他们要决定是方向，基于方向投入相关资源，它们是用来做决策 2）中层关注策略制定。基于数据可以制定什么样的策略。例如，如果用户流失下降，更关注流失用户特征是什么，从而制定对应策略 3）员工关注执行，例如，针对什么样的用户发送什么样的优惠券，根据数据结果来对应发券。 不管针对什么对象，有几点是共通的： 1）数据好理解。好的报告一定是有比较强的逻辑，报告中不会出现太多难以理解的概念，指标的定义也比较清晰，不会一个指标定义要人理解半天。所以现在报告最好的形式是以图为主。 2）直接告诉用户价值点，报告可以帮助你解决什么问题？转化为很具体的数字，例如，可以提供你销售100万，提升10%，获取多少新用户，挽回多少会员。 三、一定在关注数据质量

程序员之歌 在那山的那边海的那边有一群程序猿 他们老实又腼腆 他们聪明又有钱 他们一天到晚坐在那里认真地改bug 他们饿了就吃一口方便面 噢~ 可爱的程序员~ 可爱的程序员~ 只要一提需求他们就要重新改一遍 可是时间只剩下最后一天 当这首歌声响起的时候 兄弟姐们们 发福利 发福利 发福利 发福利 发福利 当当网计算机图书 每满100减50！ 每满200减100！ 每满400减200！ 满600减300！ 机械工业出版社 联合当当网特意为【 】用户申请了一批 可与满减叠加使用的“满200减30”的图书优惠码，优惠码使用后相当于： 400减230 ！ ！ ！ 用170块就可以买到原价400元（大约四五本）的硬核技术书，相当于4折。 小编掐指一算：170元 = 5本书，定价近百元的技术书，平均每本不到35元？ 猿媛们！！！此等优惠不可错过，程序员节快来充电囤书吧！ 优惠码： 【 NBC8A9 】 （注意区分大小写） 使用时间： 本活动满减与礼券均不支持团购，同一账号、同一地址、同一手机号、同一IP反复购买本活动商品，当当有权取消订单，终结交易。 使用方法 ：原有的满减核算后，得出的总价如果超过200元可以用优惠码再减30。 操作方法 1、长按识别下方小程序码 2、在结算付款界面，点击优惠券/码，输入优惠码（如下图所示）。 这个环节，总共分三步 这么大的场面 不知道从哪下手？

Ŀ¼ SKU SPU 构建电商数据分析的基础指标体系，主要分为8类指标。 总体运营指标：从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有大致了解，到底运营的怎么样？是亏了？还是赚了？ 流量类指标 独立访客数（UV） 页面访客数（PV） 人均页面访问数 订单产生效率指标 总订单数量 访问到 下单转化率 ―― 漏斗模型 总体销售业绩指标 成交金额（GMV） 销售金额 客单价 整体指标 销售毛利 毛利率 网站流量指标：即对访问网站的访客进行分析，基于这些数据可以对网页进行修改优化，以及对访客的行为进行分析等。 流量规模类指标 独立访客数（UV） 页面访客数（PV） 流量成本类指标 访客获取成本 ―― 获客成本 流量质量类指标 跳出率 页面访问时长 人均页面访问数 会员类指标 注册会员数 活跃会员数 活跃会员率 会员复购率 会员平均购买次数 会员回购率 会员留存率 销售转化指标：分析从下单到支付的整个过程数据，帮助提升商品转化率，也可以对一些频繁异常的数据展开分析。 购物车类指标 购入购物车次数 加入购物车买家次数 加入购物车商品数 购物支付转化率 下单类指标 下单笔数 下单金额 下单买家数 浏览下单转化率 支付类指标 支付金额 支付买家数 支付商品数 浏览-支付买家转化率 下单-支付金额转化率 下单-支付买家数转化率 下单-支付时长 交易类指标 交易成功订单数

转载请标明出处: 数据分析思维导图 来源：51CTO 作者： qq5d663fbfc5762 链接：https://blog.51cto.com/14521579/2433397

1、用户模型 “不仅要知道用户当下在想什么，更要知道用户背后在想什么，以及用户正在经历着什么。” 传统用户模型构建方式 用户模型：基于对用户的访谈和观察等研究结果建立，严谨可靠但费时； 临时用户模型：基于行业专家或市场调查数据对用户的理解建立，快速但容易有偏颇。（缺乏时间，资源的情况下） 为了节省时间，降低风险，产品团队往往尽快将产品推向用户，快速试错，在这种场景下如何构造用户模型？ 1，首先，整理和收集已经获得的任何可认知用户的经验和数据，将这些信息映射成为用户的描述信息（属性）或用户的行为信息，并存储起来形成用户档案, 2，实时关注自身数据的波动，及时采取行动 3，记录用户的行为数据而不是单纯地为用户打标签 4，360°覆盖用户全生命周期的用户档案 用户的每一步成长都通过行为记录下来，基于用户所在生命周期的不同阶段，针对新用户、流失用户、活跃用户、沉默用户分别采取有针对性的拉新、转化、留存等运营策略。 2、事件模型 1.事件是什么 就是用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行采集，通俗讲就是：将一段代码放入对应的页面/按钮，用户进入页面/点击按钮的本质是在加载背后的代码，同时再加载事件采集代码，这样就被SDK所记录下来了。 （利用百度统计加入代码采集用户下载成功和失败事件） 2.事件的采集 事件

《Spark高级数据分析第2版》由业内知名数据科学家执笔，通过丰富的示例展示了如何结合Spark、统计方法和真实世界数据集来解决数据分析问题，既涉及模型的构建和评价，也涵盖数据清洗、数据预处理和数据探索，并描述了如何将结果变为生产应用，是运用Apache Spark进行大数据分析和处理的实战宝典。 《Spark高级数据分析(第2版)》中文PDF+英文PDF+源代码 《Spark高级数据分析(第2版)》中文PDF，452页，带目录，文字可复制；英文PDF，455页，带目录，文字可复制；配套源代码。 下载: https://pan.baidu.com/s/1AljbMRZcv5_vJ5GxStfrpg 提取码: iaar 根据新版Spark最佳实践，对样例代码和所用资料做了大量更新。涵盖模式如下： ● 音乐推荐和Audioscrobbler数据集● 用决策树算法预测森林植被● 基于K均值聚类进行网络流量异常检测 ● 基于潜在语义算法分析维基百科● 用GraphX分析伴生网络● 对纽约出租车轨迹进行空间和时间数据分析 ● 通过蒙特卡罗模拟来评估金融风险● 基因数据分析和BDG项目● 用PySpark和Thunder分析神经图像数据 学习参考：《Hadoop权威指南第四版》中文PDF+英文PDF+代码 《Hadoop权威指南（第四版）》中文PDF，734页，带书签目录；英文PDF，805页

最近看到PowerBI圈子在讨论最大连续区间段的问题，即某人最大的全勤时间，某人的最长的连续打卡时间等问题的计算，佐罗老师给出了10万倍性能的答案。这个问题也引发了笔者一些兴趣，隐约记得以前看过Sqlserver的窗口函数的应用场景中有这方面的知识，这周末也花了一天时间重新温故了一翻，非常有味道，在此打算和大家一同分享一下。时间有限，首篇只能抛出问题，下一篇再贴出答案。 在此强烈推荐一下此书，老外Sqlserver的MVP写的，非常精彩。正因为看过这相关的书籍，才不断地向身边人推荐，做数据分析的，最好的选择是Sqlserver做数据库，无论是存储和查询都比ACCESS/Sqlite/MySQL等数据库要优秀得多。 Sqlserver同样有免费版Sqlserver Express，支持全系列的T-SQL查询，足以替代MySQL这些所谓的免费数据库。 正因为Sqlserver数据库不止于只是存储功能，其窗口函数的扩展，天生是为数据分析服务的。 在数据库环境里，轻松处理百万级别的数据，所以以上佐罗老师测试的6万条数据3秒完成，很凶残，换作Sqlserver的窗口函数来处理，600万条数据，也就一瞬间时间完成（下篇测试时再看具体时间），只能用上 极度凶残 来形容。 最关键的是无需天书式的公式完成，这样的天书，没有推广价值，也不符合微软爸爸的赋能普通人可掌握的思想。 所以在此也引申出一个话题

数据决策系统是什么？它的作用又是什么？它应用于哪些场景？在这个 数据支持决策 的热潮下，这是许多经营决策者需要知道的。 数据决策系统是什么？它其实有多层含义。 狭义上讲，它是供用户使用的一个平台，常出现在B/S架构（即浏览器加服务器的结构）的数据分析工具中。在数据分析工具的服务器安装完成后，客户端就需要在浏览器中打开“数据决策系统”，就可以开始使用产品。 以FineBI为例，这是一款纯B/S架构的产品。 数据决策系统是指在用户注册购买决策平台功能之后，使用FineBI自主开发的平台作为自己的系统的一个独立系统，在该平台中可以进行目录管理、用户管理、权限管理、外观配置、系统管理、定时调度、移动平台、注册管理、智能运维、数据连接、插件管理和安全管理。用户输入用户名和密码即可进入数据决策系统。系统平台中已集成一套组织机构，可以建立部门、人员。也可以与现有系统的组织机构集成，将组织机构导入到平台中。 系统界面包含首页仪表板、目录、仪表板、数据准备、管理系统、创建和右上角的消息提醒、当前账号设置、首页模板可选操作。对界面各节点的使用说明，可以在FineBI官网的帮助文档中找到，这是帆软公司强大的产品生态的体现。 这样，用户就可以快速上手一款功能强大复杂商业智能BI软件，为企业经营助力。 广义上讲，数据决策系统是企业的信息系统，用来支持各部门的数据分析需求，对数据进行深度挖掘

作者：易观高级数字营销经理 赵岩 指标是量化衡量标准、衡量目标的单位或方法，例如对电商数据分析来说，最常见的指标就是UV和PV，而针对APP来说，最常见的就是DAU，MAU。 有了指标也就知道应该从哪些角度入手开始数据分析，数据驱动已经是我们在做用户增长和产品优化的核心指导方向，我们会把数据驱动从定制数据到使用数据分成三步： 1、根据核心目标制定数据分析指标 2、指标还原到埋点方案 3、围绕核心目标开始数据分析 最关键的步骤就是如何制定指标，指标是与业务关联最近的，也是最灵活的一个步骤，因为不同的业务指标完全不同，在电商数据分析中，业务的指标跟交易有关，软件业务的指标会跟注册有关，虽然都会归结于范交易，但是在指标体系搭建上还是略有不同，我们总结了一些可快速上手的行业通用指标，给你在开始进行网站或APP分析前一些指标体系的建议。 在指标搭建前，先说说，你想看到什么数据？ 电商网站（APP）应该关注的数据看板什么样？ 从实际业务出发，举例CXO，市场，运营三个核心角色，每个角色需要看的内容不同 **CXO：**想了解业务数据，只能被动的等待下属的分析报告，需要更直观的方式，掌握真实数据，及时获得洞察。 **运营：**做了大量的运营活动，无法分析效果如何，现有渠道提供的分析能力不足以支撑精细化运营，缺少体系化的数据支持。 **市场：**花出去的预算，就像泼出去的水，如何衡量效果