數據分析思維分析方法和業務知識pdf

『壹』 數據分析需要掌握些什麼知識

我們先從整體上了解數據分析師要掌握的技能有哪些，然後再從具體職位類別來看，不同的職位具體要掌握的技能有哪些。

這樣你就能根據自己的實際情況，有針對性的准備和學習。

一、數據分析的勝任力模型是什麼？

從整體上來看，數據分析師需要掌握的能力有很多，從總體上可以分為以下幾類，這些能力構成了數據分析師的能力模型。

1）理論基礎，包括統計學

2）數據分析工具，常用的分析工具有 Excel，SQL，Python 等

3）可視化工具，常用的有 Excel，商業智能(Business Intelligence,BI)

4）業務知識，包括常用的指標、某行業的業務流程

5）數據分析思維，包括常用的分析方法

6）通用能力，包括 PPT、溝通能力

下面我們來詳細看下每一種能力的要求。

1. 理論基礎：統計學

2. 數據分析背後的理論基礎是統計學。所以，掌握了統計學以後我們才能去看懂數據表達的意義是什麼。舉個例子，給你一家公司員工的工資，是平均值能代表這家公司的工資水平，還是中位數能代表？

3. 如果沒學過統計學，那麼可能只認識這里的平均值，而不知道中位數這個知識。但是，如果你學過了統計學就會知道，中位數比平均值更能反映出數據的集中表現。

4. 統計學的內容比較多，詳細又可以分為兩類內容：描述統計分析、推論統計分析。

5. 什麼是描述統計分析？

6. 對大量信息進行歸納是處理數據時最基本的任務。中國約有 14 億人，一張記錄每位中國人的姓名和收入的電子表格包含了我們衡量這個國家經濟健康狀況所需的所有信息，通常我們也將多個數據集合在一起的東東叫「簡稱數據集」。但這張信息過量的表格其實相當於什麼都沒有告訴我們。這就是讓人覺得諷刺的地方：經常是數據越多，事實越模糊。

7. 因此，我們需要簡化，將一系列復雜的數據減少為幾個能夠起到描述作用的數字，正如奧運會體操比賽中，我們將一套多難度組合的復雜動作濃縮為一個得分：9.8 分。

8. 描述統計分析就是將一系列復雜的數據減少為幾個能夠起到描述作用的數字，用這些有代表性的數字來代表所有的數據。這樣在面對一大堆數據時，你可在不知道所有數據的情況下就能知道數據的整體情況。

9. 這就好比，我們通常一說起美女，能想到的是這樣幾個指標：長腿，大眼睛，臉蛋好看。雖然全國有那麼多美女，你也沒有見過全部的美女，但是你卻能通過這樣幾個代表美女的指標就可以大概知道什麼是美女。

同樣的，描述統計學的關鍵點在於，找到幾個關鍵的數字來描述數據的整體情況。那麼，問題就來了，能擔當起這樣重要責任的數字有哪些呢？描述數據的整體情況，我們可以用 4 個指標來做，分別是：平均值、四分位數、標准差和標准分。例如，前面我們在拿到工資數據，就可以用「中位數」這樣的數字來描述工資的整體情況。

所以，描述統計分析就是掌握 4 個指標：平均值，四分位數，標准差和標准分。

什麼是推論統計分析？

推論統計分析就是通過樣本來推斷出總體。需要掌握的知識包括概率分布、中心極限定、如何用樣本估計總體、置信區間、假設檢驗。例如，互聯網常用的 AB 測試背後的原理就是假設檢驗，如果不掌握推論統計分析，那麼連 AB 測試的結果也看不懂，更不用說完成一個 AB 測試實驗。

2.數據分析工具

很多人看到現在 Python 很火，就不管自己的能力水平如何，就一頭扎進學習 Python 的大潮，最後發現其實自己學不會，或者學完用不上。

這其實是不對的，真正工作里最常用的數據分析工具其實是 Excel，SQL。所以，如果你的零基礎，不建議一上來就學 Python，而是先學會 Excel 分析數據，然後學會 SQL。

這樣你學會了常用的分析工具，然後再學 Python 才是加分項。同時，這樣學習的順序還有一個好處，如果你是零基礎沒學過編程，一上來學 Python，大概率是學不會的。但是如果你學過用 Excel、SQL 處理數據，那麼就具備了一定的基礎，再學 Python，很多概念就會理解起來比較容易。

這就好比，一個嬰兒不是一上來就學習跑步（Python），而是先把走路學會，具備了走路（Excel、SQL）的基礎，再跑步就容易多了。

需要注意的是，除非是工作必須要求的，其他少部分公司用的工具其實不需要學習。比如有些公司要求其他編程語言，例如 R、SPSS、SAS 這些工具。

現在 Pyhon 已經是人工智慧排名第一的編程語言了，大部分公司要求 Python，很少部分的公司要求其他的編程語言，所以學習市場要求最多的那個技能才能找到更多機會。如果你學習了少部分公司才要求的工具，那麼意味著你找工作或者跳槽只能選擇這些公司，而會錯失其他大部分公司的求職機會，對你整個職業生涯不利。

TIOBE 編程語言排行榜是全球編程語言流行趨勢的一個指標，每月更新，官網地址（https://www.tiobe.com/tiobe-index）。下圖是 2021 年 2 月份排名前 10 的編程語言的變化圖，其中橙色曲線是 Python，我們會發現 Python 的流行趨勢越來越高。

3.可視化工具

常用的可視化工具包括 Excel、商業智能（BI）。

一般的可視化圖表用 Excel 里的圖表功能就可以實現，而且使用起來也方便。如果是要經常做報表，並且要求實現報表自動化，那麼就需要用到商業智能（BI）工具。

那什麼是商業智能(BI)呢？

微軟官方給的定義是「使用用於自助服務和企業商業智能 (BI) 的統一、可擴展平台（該平台易於使用，可幫助獲取更深入的數據見解），連接到任何數據並對數據進行可視化。 」

毫無懸念，看這種官方定義就是看不懂。簡單來說就是把數據導入商業智能(BI)工具中，就可以快速對數據可視化。例如下圖就是把數據導入用商業智能(BI)工具中，通過可視化數據來分析。

IDC《2019 年下半年中國商業智能軟體市場數據跟蹤報告》顯示，在中國商業智能軟體子市場中，報表分析仍是目前市場最主要的需求，2019 年全年年市場份額佔比為 79.0%。高級分析和預測分析市場份額佔比 21.0%（下圖）。

常用的商業智能（BI）工具有哪些呢？

目前使用最多的商業智能（BI）工具是 Power BI、Tableau、帆軟，選擇其中任意一種學習就可以了。

4.業務知識

因為數據分析是用來解決具體行業問題的，需要從業務的角度出發，了解各個指標，以及每個指標之間的關系，還需要聯系業務去理解數據。所以，工作中數據分析脫離不了業務，在分析中要找到導致問題發生的根本原因，而不只是單純的統計數據。

因此需要具備某個行業的業務知識才能去理解這個行業里的術語、業務問題等。

業務知識包括某個行業的常用指標、業務流程。需要注意的是，不同行業的指標、業務流程是不一樣的，所以需要學習的時候針對你的目標行業去學習准備。例如，下圖分別是金融信貸行業、在線教育行業的業務流程。

金融信貸行業業務流程（來自書《數據分析思維》）

在線教育業務流程（來自書《數據分析思維》）

如果是剛入門，這塊內容做到了解即可，等進入工作以後，再慢慢深入業務，積累業務經驗。具體某個行業的常用指標、業務流程可以看書《數據分析思維》，這本書里涉及了 10 多個行業的指標、業務流程。

5.數據分析思維

在數據分析相關的職位里經常會寫這么一條招聘要求「具備數據分析思維」。在工作或者面試中，會經常聽到分析思維、分析思路、分析方法。這三個詞語有什麼關系呢？其實簡單來說，它們都是指分析方法。

數據分析思維需要你掌握 10 種常用的分析方法。

數據分析 10 種常用的分析方法

如果你的分析目的是想將復雜問題變得簡單，就可以使用邏輯樹分析方法，例如經典的費米問題就可以用這個分析方法。

如果你的分析目的是做行業分析，那麼就可以用 PEST 分析方法，例如你想要研究中國少兒編程行業。

如果你想從多個角度去思考問題，那麼就可以用多維度拆解分析方法，例如找相親對象，需要從多個角度去分析是否合適。

如果你想進行對比分析，就要用到對比分析方法，例如你朋友問自己胖嗎，就是在對比。

如果你想找到問題發生的原因，那麼就要用到假設檢驗分析方法，其實破案劇里警察就是用這個方法來破案的。

如果你想知道 A 和 B 有什麼關系，就要用到相關分析方法，例如豆瓣在我們喜歡的電影下面推薦和這部分電影相關的電影。

如果你想對用戶留存和流失分析，就要用到群組分析方法，例如微博用戶留存分析。

如果你想對用戶按價值分類，那麼就要用到 RFM 分析方法，例如信用卡的會員服務，就是對用戶按價值分類，對不同用戶使用不同的營銷策略，從而做到精細化運營。

如果你想分析用戶的行為或者做產品運營，就要用到 AARRR 模型分析方法，例如對拼多多的用戶進行分析。

如果你想分析用戶的轉化，就要用到漏斗分析方法，例如店鋪本周銷量下降，想知道是中間哪個業務環節出了問題。

6.通用能力

通用能力包括 PPT 製作分析報告、溝通能力。

在工作中，要經常做分析結果做成數據分析報告，然後展示給業務部門、上級領導、客戶等，而這種展示數據分析報告的場景常用的工具就是 PPT，所以就要求你會用 PPT 製作數據分析報告，有較好的的文字、書面總結能力。

職業社交網站領英發布的《2018 新興工作崗位報告》報告里說，最大的技能缺口是軟技能，比如口頭交流、領導力和時間管理等。這份報告中建議，職場人士需要在快速變化的工作環境中，學習並保持軟技能，因為擁有這些技能的人才具備更大的職場優勢。

其實，任何職位都需要溝通能力，但是，數據分析師對溝通能力的要求更高。因為，數據分析師解決的是實際的問題，需要跨部門溝通業務，做好的數據分析報告也要展示給各個部門、領導、客戶，只有好的溝通能力，才能讓你的分析結果得到用戶的認可。 那麼這些通用能力如何提升呢？最直接的方式，就是通過寫文章來提升。

通過寫作可以同時提升你下面 3 個能力：

1）邏輯能力

寫作的本質其實是把一件事情講清楚，而邏輯能力強的人寫出來的內容，讀起來更順暢。

2）文字表達能力

數據分析師要經常做數據分析報告，和通過郵件匯報分析結果。這體現的其實就是文字表達能力，提高這個能力的辦法就是不斷去寫作。

3）溝通能力

寫作其實就是把想說的話通過文字和你的用戶去溝通。另外，經常在社群里提問和解答他人的問題，也可以提高你的溝通能力。你會看到不同人提問的水平是不一樣的，有的人可以完整的把一個問題描述清楚，有的人說完，其他人也不明白他的問題是什麼。這其實就是體現了溝通能力。

二、不同職位的數據分析能力要求有什麼不一樣？

經過前面的分析，我們從整體上知道了數據分析師需要掌握的能力。但並不是說，這些能力全都掌握了你才能找到一份數據分析師的工作。因為不同的職位的要求不一樣的。在《職業發展前景：數據分析師的晉升通道》章節我們知道了數據分析相關職位的分類。

我把勝任力模型中的這些能力對應到不同的職位，就可以清楚的看到對應職位的能力要求（下圖）。

有一個誤區，很多人以為只要掌握了分析工具，就掌握了數據分析，其實不是的。從圖中，我們可以看出。各個數據分析職位都需要的能力是：業務知識、分析思維、PPT、溝通能力。這些能力才可以讓你從一個只會舞弄工具的普通職場人變成真正解決業務問題的職場高手。

很多人以為數據分析師需要掌握很高大的工具，其實不是的。例如騰訊里有一個崗位叫「商業數據分析師」，這聽起來很高大上。其實這個職位對應的就是上圖初級數據分析師的能力要求，也就是理論基礎（描述統計分析），分析工具（Excel），可視化工具（Excel）。

上圖中黃色標出的是相對於前一職位多出來的能力。中級數據分析師在初級數據分析師要求的能力上增加了分析工具（SQL），可視化工具（商業智能 BI）。高級數據分析師在中級數據分析師要求的能力上增加了理論基礎（推論統計分析），分析工具（Python）。

Excel、SQL、Python 要掌握到什麼程度？

我們知道了數據分析師最常用的分析工具是 Excel、SQL、Python。那麼問題就來了，這些分析工具具體掌握哪些內容呢？

『貳』 數據分析方法

常見的分析方法有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

『叄』 教你如何建立數據分析思維

在數據分析中，建立一個數據分析思維是一個至關重要的事情，但是建立一個數據分析思維不是一個簡單的事情，需要不斷的學習，不斷的實踐才能夠驗證這種思維是不是一個合適的數據分析思維，下面就給大家介紹一種經過實踐過了的數據分析思維，希望能夠給大家帶來幫助。
如何建立數據分析思維呢？首先需要建立一個好的指標體系。了解和使用指標是數據分析思維的第一步，大家在建立數據分析的指標體系的時候應該能夠意識到孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。上面提到的知識都是需要不同行業經驗和業務知識去學習掌握，同時還要總結通用的技巧和注意事項。
建立一個好的指標體系之後，還需要明確指標的好壞，那麼什麼是好指標呢？什麼是壞指標呢？行業人士說好指標應該是核心驅動指標。核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。當然核心驅動指標和公司發展存在某種聯系，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。
上述說的是好指標，那麼壞指標有哪些呢？壞指標就是虛榮指標，它沒有任何的實際意義。虛榮指標是沒有意義的指標，往往看起來不錯，其實並沒有實際的意義。壞指標也是後驗性指標，它往往只能反應已經發生的事情。壞指標同樣也是復雜性指標，它能夠將數據分析拖進一堆指標的陷阱中。
其次就是建立正確的指標結構。建立正確的指標結構和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。從流程的角度搭建指標框架，可以全面的收集用戶相關數據，這樣可以毫無遺漏的保留出相關的數據。
以上的內容就是教給大家如何去建立自己的數據分析思維的方式了，大家在進行建立數據分析思維的時候一定要參考上面提到的步驟，首先就是建立一個好的指標體系，其次就是明確指標的好壞，最後就是建立正確的指標結構，希望這篇文章能夠給大家帶來幫助。

『肆』 全面教你如何建立數據分析的思維框架

全面教你如何建立數據分析的思維框架
目前，還有一些人不會建立數據分析的思維框架，那麼今天課課家，就一步一步的教大家怎麼建立，大神路過還請繞道，當然還可以交流一下。有需要的小夥伴，可以參考一下。
曾經有人問過我，什麼是數據分析思維?如果分析思維是一種結構化的體現，那麼數據分析思維在它的基礎上再加一個准則：
不是我覺得，而是數據證明。
這是一道分水嶺，「我覺得」是一種直覺化經驗化的思維，工作不可能處處依賴自己的直覺，公司發展更不可能依賴於此。數據證明則是數據分析的最直接體現，它依託於數據導向型的思維，而不是技巧，前者是指導，後者只是應用。
作為個人，應該如何建立數據分析思維呢?
一、建立你的指標體系
在我們談論指標之前，先將時間倒推幾十年，現代管理學之父彼得·德魯克說過一句很經典的話：
如果你不能衡量它，那麼你就不能有效增長它。
所謂衡量，就是需要統一標准來定義和評價業務。這個標准就是指標。假設隔壁老王開了一家水果鋪子，你問他每天生意怎麼樣，他可以回答賣的不錯，很好，最近不景氣。這些都是很虛的詞，因為他認為賣的不錯也許是賣了50個，而你認為的賣的不錯，是賣了100。
這就是「我覺得」造成的認知陷阱。將案例放到公司時，會遇到更多的問題：若有一位運營和你說，產品表現不錯，因為每天都有很多人評價和稱贊，還給你看了幾個截圖。而另外一位運營說，產品有些問題，推的活動商品賣的不好，你應該相信誰呢?
其實誰都很難相信，這些眾口異詞的判斷都是因為缺乏數據分析思維造成的。
老王想要描述生意，他應該使用銷量，這就是他的指標，互聯網想要描述產品，也應該使用活躍率、使用率、轉化率等指標。
如果你不能用指標描述業務，那麼你就不能有效增長它。
了解和使用指標是數據分析思維的第一步，接下來你需要建立指標體系，孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。
我們看一下互聯網的產品，一個用戶從開始使用到離開，都會經歷這些環節步驟。電商app還是內容平台，都是雷同的。想一想，你會需要用到哪些指標?
而下面這張圖，解釋了什麼是指標化，這就是有無數據分析思維的差異，也是典型的數據化運營，有空可以再深入講這塊。
標體系沒有放之四海而皆準的模板，不同業務形態有不同的指標體系。移動APP和網站不一樣，SaaS和電子商務不一樣，低頻消費和高頻消費不一樣。好比一款婚慶相關的APP，不需要考慮復購率指標;互聯網金融，必須要風控指標;電子商務，賣家和買家的指標各不一樣。
這些需要不同行業經驗和業務知識去學習掌握，那有沒有通用的技巧和注意事項呢?
二、明確好指標與壞指標
不是所有的指標都是好的。這是初出茅廬者常犯的錯誤。我們繼續回到老王的水果鋪子，來思考一下，銷量這個指標究竟是不是好的?
最近物價上漲，老王順應調高了水果價格，又不敢漲的提高，雖然水果銷量沒有大變化，但老王發現一個月下來沒賺多少，私房錢都不夠存。
老王這個月的各類水果銷量有2000，但最後還是虧本了，仔細研究後發現，雖然銷量高，但是水果庫存也高，每個月都有幾百單位的水果滯銷最後過期虧本。
這兩個例子都能說明只看銷量是一件多不靠譜的事情。銷量是一個衡量指標，但不是好指標。老王這種個體經營戶，應該以水果鋪子的利潤為核心要素。
好指標應該是核心驅動指標。雖然指標很重要，但是有些指標需要更重要。就像銷量和利潤，用戶數和活躍用戶數，後者都比前者重要。
核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。
核心驅動指標和公司發展關聯，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。
互聯網公司常見的核心指標是用戶數和活躍率，用戶數代表市場的體量和佔有，活躍率代表產品的健康度，但這是發展階段的核心指標。在產品1.0期間，我們應把注意力放到打磨產品上，在大推廣前提高產品質量，這時留存率是一個核心指標。而在有一定用戶基數的產品後期，商業化比活躍重要，我們會關注錢相關的指標，比如廣告點擊率、利潤率等。
核心驅動指標一般是公司整體的目標，若從個人的崗位職責看，也可以找到自己的核心指標。比如內容運營可以關注閱讀數和閱讀時長。
核心驅動指標一定能給公司和個人帶來最大優勢和利益，記得二八法則么?20%的指標一定能帶來80%的效果，這20%的指標就是核心。
另外一方面，好的指標還有一個特性，它應該是比率或者比例。
拿活躍用戶數說明就懂了，我們活躍用戶有10萬，這能說明什麼呢?這說明不了什麼。如果產品本身有千萬級別的注冊用戶，那麼10萬用戶說明非常不健康，產品在衰退期。如果產品只擁有四五十萬用戶，那麼說明產品的粘性很高。
正因為單純的活躍用戶數沒有多大意義，所以運營和產品會更關注活躍率。這個指標就是一個比率，將活躍用戶數除以總用戶數所得。所以在設立指標時，我們都盡量想它能不能是比率。
認識和看待事物
這類常見的提問方式包括了一個知名人物或歷史事件如何評價？如何看待一個產品？你對某個事物是如何理解的？如何看待或分析一種行為或熱點等？
對於看待或分析事物類的思維，則是我們前面一篇思維的邏輯裡面講到的很多內容，即事物本身應該結合外部環境+時間線+事物核心維度進行全面的分析，事物的外在交互關系，事物的內部結構和銜接，事物本身動態展現的行為特徵等。這些首先分析清楚，即對事物本身有一個全面和客觀的認識。
這類思維的一個核心即辯證思維，在這里我不太喜歡用批評性思維這個詞，辯證思i維更加體現了這類思維的重點是全面，客觀，以數據說話同時減少主觀偏頗看法。對於這類問題你不一定要去表面自己的主觀感受，而更加重要的是把事實和道理講清楚，有理有據。
在真正分析清楚後，後續才過渡到這類問題的演進，即如何評估或評價一個事物，其前提仍然是分析清楚客觀數據，但是數據本身不是評價或評估指標，因此一談到評估自然會想到需要建立或參考一個評估體系。一個歷史帝王有政治，經濟，外交，軍事和民生各種評價體系。對一輛車可能有動力，舒適性，油耗，操控等各種評價體系。一個產品本身有功能滿足度，易用性，性能，價格等各種評價體系等。對於任何評估，則首先是找到現成可用的科學評價體系，然後將對事物分析後的數據映射到具體的評價體繫上，即任何評估指標值的得出一定有事物本身內在數據和運作機制進行支撐的。
這些都想清楚後，即這類思維的重點是事物的分解和集成分析，事物的行為或活動分析，事物相關的內外環境因素分析，事物本身的關鍵屬性維度分析和評估體系確定，事物各關鍵指標特性間的相互制約和促進力分析（類似系統思維中的正負循環）等。
壞指標有哪些呢?
其一是虛榮指標，它沒有任何的實際意義。
產品在應用商店有幾十萬的曝光量，有意義嗎?沒有，我需要的是實際下載。下載了意義大嗎?也不大，我希望用戶注冊成功。曝光量和下載量都是虛榮指標，只是虛榮程度不一樣。
新媒體都追求微信公眾號閱讀數，如果靠閱讀數做廣告，那麼閱讀數有意義，如果靠圖文賣商品，那麼更應該關注轉化率和商品銷量，畢竟一個誇張的標題就能帶來很高的閱讀量，此時的閱讀量是虛榮指標。可惜很多老闆還是孜孜不倦的追求10W+，哪怕刷量。
虛榮指標是沒有意義的指標，往往它會很好看，能夠粉飾運營和產品的工作績效，但我們要避免使用。
第二個壞指標是後驗性指標，它往往只能反應已經發生的事情。
比如我有一個流失用戶的定義：三個月沒有打開APP就算做流失。那麼運營每天統計的流失用戶數，都是很久沒有打開過的，以時效性看，已經發生很久了，也很難通過措施挽回。我知道曾經因為某個不好的運營手段傷害了用戶，可是還有用嗎?
活動運營的ROI(投資回報率)也是後驗性指標，一個活動付出成本後才能知道其收益。可是成本已經支出，活動的好與壞也註定了。活動周期長，還能有調整餘地。活動短期的話，這指標只能用作復盤，但不能驅動業務。
第三個壞指標是復雜性指標，它將數據分析陷於一堆指標造成的陷阱中。
指標能細分和拆解，比如活躍率可以細分成日活躍率、周活躍率、月活躍率、老用戶活躍率等。數據分析應該根據具體的情況選擇指標，如果是天氣類工具，可以選擇日活躍率，如果是社交APP，可以選擇周活躍率，更低頻的產品則是月活躍率。
每個產品都有適合它的幾個指標，不要一股腦的裝一堆指標上去，當你准備了二三十個指標用於分析，會發現無從下手。
三、建立正確的指標結構
既然指標太多太復雜不好，那麼應該如何正確的選擇指標呢?
和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。
假設你是內容運營，需要對現有的業務做一個分析，提高內容相關數據，你會怎麼做呢?
我們把金字塔思維轉換一下，就成了數據分析方法了。
從內容運營的流程開始，它是：內容收集—內容編輯發布—用戶瀏覽—用戶點擊—用戶閱讀—用戶評論或轉發—繼續下一篇瀏覽。
這是一個標準的流程，每個流程都有指標可以建立。內容收集可以建立熱點指數，看哪一篇內容比較火。用戶瀏覽用戶點擊則是標準的PV和UV統計，用戶閱讀是閱讀時長。
從流程的角度搭建指標框架，可以全面的囊括用戶相關數據，無有遺漏。
這套框架列舉的指標，依舊要遵循指標原則：需要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要為添加指標而添加指標。
四、了解維度分析法
當你有了指標，可以著手進行分析，數據分析大體可以分三類：
利用維度分析數據
使用統計學知識如數據分布假設檢驗
使用機器學習
我們先了解一下維度分析法。
維度是描述對象的參數，在具體分析中，我們可以把它認為是分析事物的角度。銷量是一種角度、活躍率是一種角度，時間也是一種角度，所以它們都能算維度。
當我們有了維度後，就能夠通過不同的維度組合，形成數據模型。數據模型不是一個高深的概念，它就是一個數據立方體。
上圖就是三個維度組成的數據模型/數據立方體。分別是產品類型、時間、地區。我們既能獲得電子產品在上海地區的2010二季度的銷量，也能知道書籍在江蘇地區的2010一季度銷量。
數據模型將復雜的數據以結構化的形式有序的組織起來。我們之前談到的指標，都可以作為維度使用。下面是範例：
將用戶類型、活躍度、時間三個維度組合，觀察不同用戶群體在產品上的使用情況，是否A群體使用的時長更明顯?
將商品類型、訂單金額、地區三個維度組合，觀察不同地區的不同商品是否存在銷量差異?
數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP(聯機分析處理)。當然它涉及到更復雜的數據建模和數據倉庫等，我們不用詳細知道。
數據模型還有幾種常見的技巧、叫做鑽取、上卷、切片。
選取就是將維度繼續細分。比如浙江省細分成杭州市、溫州市、寧波市等，2010年一季度變成1月、2月、3月。上卷則是鑽取的相反概念，將維度聚合，比如浙江、上海、江蘇聚合成浙江滬維度。切片是選中特定的維度，比如只選上海維度、或者只選2010年一季度維度。因為數據立方體是多維的，但我們觀察和比較數據只能在二維、即表格中進行。
上圖的樹狀結構代表鑽取(source和time的細分)，然後通過對Route的air切片獲得具體數據。
聰明的你可能已經想到，我們常用的數據透視表就是一種維度分析，將需要分析的維度放到行列組合進行求和、計數、平均值等計算。放一張曾經用到的案例圖片：用城市維度和工作年限維度，計算平均工資。
除了Excel、BI、R、Python都能用維度分析法。BI是相對最簡便的。
談到維度法，想要強調的是分析的核心思維之一：對比，不同維度的對比，這大概是對新人快速提高的最佳捷徑之一。比如過去和現在的時間趨勢對比，比如不同地區維度的對比，比如產品類型的區別對比，比如不同用戶的群體對比。單一的數據沒有分析意義，只有多個數據組合才能發揮出數據的最大價值。
我想要分析公司的利潤，利潤 = 銷售額 – 成本。那麼找出銷售額涉及的指標/維度，比如產品類型、地區、用戶群體等，通過不斷的組合和拆解，找出有問題或者表現良好的原因。成本也是同理。
這就是正確的數據分析思維。總結一下吧：我們通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析。
很多人會問，指標和維度有什麼區別?
維度是說明和觀察事物的角度，指標是衡量數據的標准。維度是一個更大的范圍，不只是數據，比如時間維度和城市維度，我們就無法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻可以成為維度。通俗理解：維度>指標。
到這里，大家已經有一個數據分析的思維框架了。之所以是框架，因為還缺少具體的技巧，比如如何驗證某一個維度是影響數據的關鍵，比如如何用機器學習提高業務，這些涉及到數據和統計學知識，以後再講解。
這里我想強調，數據分析並不是一個結果，只是過程。還記得「如果你不能衡量它，那麼你就不能有效增長它」這句話嗎?數據分析的最終目的就是增長業務。如果數據分析需要績效指標，一定不會是分析的對錯，而是最終數據提升的結果。
數據分析是需要反饋的，當我分析出某項要素左右業務結果，那麼就去驗證它。告訴運營和產品人員，看看改進後的數據怎麼樣，一切以結果為准。如果結果並沒有改善，那麼就應該反思分析過程了。
這也是數據分析的要素，結果作導向。分析若只是當一份報告呈現上去，後續沒有任何跟進、改進的措施，那麼數據分析等與零。
業務指導數據，數據驅動業務。這才是不二法門。

『伍』 數據分析思維之對比分析法(一)

數據分析中有很多數據分析的方法，通過這些方法我們能夠直接分析出數據中隱藏的有價值的信息，從而得到一個准確的結果。而數據分析方法中，對比分析法是一個十分常用的方法，在這篇文章中我們就詳細的為大家介紹一下對比分析法的相關知識。

對比分析法是指將兩個或兩個以上的數據進行比較，分析它們的差異，從而揭示這些數據所代表的事物發展變化情況和規律性。特點是簡單、直觀、量化。

既然要使用對比法，我們一定要明白使用對比分析方法的原則.

對象相似,比如說北京的GDP和美國的GDP相比較就是不符合的

兩個對象做對比的時候,一定要滿足指標邏輯一致,比如說男性的身高和女性的年齡來當作對比,這樣反而沒有意義的.

對比分析法在生活和工作的各種場景中廣泛應用，如個人發展的進步與否，業務能力是否提高，企業的銷售目標能否完成，企業與主要競爭對手的差距等等，具體的分析標准有以下三個維度。

即選擇不同時間的指標作為對比標准。與上一年的同期進行對比稱為同比，主要考慮季節周期和淡旺季的影響。與前一時期的對比稱為環比。了解相鄰時間周期是進步了或是退步了，以便及時分析原因。

即在同一個時間周期內選擇不同空間指標數據進行比較。
a.與相似空間比較 ，如與同級單位、部門、地區對比，找出自身與同級別部門的差距或優勢，分析自身的發展方向。
b與優勢空間比較 ，如與優秀企業、標桿部門、行業領袖進行對比，了解自身的發展在行業內所處的位置，有哪些不足，確立發展目標。

通過上面不同地區的對比,很明顯的看出2018年雙11銷售額主要分布廣東、江蘇、浙江三個省份;2018年中旬快遞業務量也是主要分布在廣東、江蘇、浙江三個省份.

與計劃標准對比即與計劃數、定額數、目標數對比。如與全年計劃目標、活動計劃目標對比,通過對比了解自身的發展進度和完成率，分析目標完成的預期和策略是否需要調整。

我們拿"我國歷年城鄉恩格爾系數"圖來舉例,能夠直觀的看到兩條線,一個是59%的絕對貧困線,一個是39%的富裕線;通過城鄉恩格爾系數和上面兩條線對比,很清楚的能夠反應出2013年以後,城鄉綜合已經進入富裕標准中.

通過對分析指標的量化比較，清晰直觀地反映事物發展的變化和差距，認識自身所處的水平，為進一步決策提供依據，

參考資料

如何做對比分析（比較分析）？

『陸』 數據分析(一)——數據分析思維

  上篇文章我們初步介紹了 數據分析的概要 ，大概 從數據分析現在的應用現狀 、 數據分析的概念 、 數據分析的分析方法 、 為什麼要學習數據分析 以及 數據分析的結構層次 等幾方面給大家介紹了數據分析，讓大家初步對數據分析有一個大概的了解。這篇文章具體的給大家介紹數據分析中最為核心的技術之一—— 數據分析思維 的相關內容。

  作為新手數據分析師或數據運營，在面對數據異常的時候，好多小夥伴都會出現：「好像是A引起的」 ，「好像也和B渠道有關」，「也可能是競爭對手C做了競爭動作」等主觀臆測。面對數據報表，也不知道應該從產品維度、時間維度、地域維度還是渠道維度去拆分。很顯然，這樣的思維是亂的，所以做數據分析很重要的一點是： 要具備結構化的分析思維 。接下來給大家介紹數據分析的三種核心思維——結構化、公式化、業務化。

  在日常的生活中，當我們針對一個問題進行分析時，分析的思路總是一團亂麻？分析到一半就進行不下去了，或者分析完了也得不出一個結論，效率是極其低下的。具體的如圖所示：

  但是對於一個專業的數據分析師來說，他會針對一個問題進行系統的剖析，很快就會形成一種由點到線、由線到面、由面到體的一種思維過程，很快就會得出一個很好的結論，效率及其高的。具體思維過程如圖所示：

  針對這個案例，如果我們在沒有介紹結構化之前，大部分工作人員的分析過程如下所示：

  通過應用以上的結構化的過程，以上案例的原因分析過程的思維導圖如圖所示：

  結構化很方便，並且很容易應用在實際的數據分析中，然而，結構化分析也會存在一定的問題。接下來，給大家介紹另外一種數據分析思維的方法——公式法。

  正如以上所說結構化有一些弊端，包括：改宏不夠數據，而且難免有發散的缺點。針對這個缺陷，數據分析思維的另外一種方式——公式法應用而生。公式法可以 上下互為計算 、且 左右呈關聯 ，另外公式法最為核心的就是： 一切結構皆可優化 直到最小不可分割。具體的公式法包括：

  具體的思維導圖如圖所示：

  我們之前提到過，公式法在分析過程中主要包括+、-、x、÷，那麼我們在實際分析問題中，分別在情況下應用這四種符號呢？各種符號的具體應用如下：

  我們通過應用上面介紹的公式法來分析上面提到的案例，過程如下：

  這就是我們常用畢昌的公式法，通過我們之前介紹的結構化、公式法可以解決一些我們經常用到的一些問題，但是還有一些問題通過這兩種分析方法解決不了。因此，需要還需要另外的一種數據分析方法——業務化。接下來，給大家詳細介紹業務化。

  我們首先引入以下一個案例：

  拿到這個問題，我們的思維大概是從這手殲扒幾個點進行分析的：

  如果，我們這樣分析、考慮一個問題，可能會存在一定的問題：我們沒有將 單車的損耗因素 考慮進去，這或許會對我們後期投放的決策有很大的影響。如果我們有了業務化的思維，我們就不會有這個錯誤。業務的思維對於數據分析師來說是至關重要的，這里大概做一介紹，下篇文章我們會詳細介紹數據分析的業務相關的內容。
  從上面的介紹可以看出：如果我們分析問題僅僅是通過結構化+公式化，那麼我們就會感覺道理懂了很多，但離分析水平大成，總還差了那麼一些。不知道原因在哪裡？因此對於缺乏業務話的數據分析師來說，他們僅僅是為分析而分析，卻沒有深入理解業務，這也就是我們經常說的不接地氣，好的數據分析思維，本身應該也是具備業務思維。
  每當你分析一個問題時候，你應該反思你的分析貼不貼合業務，即：

  我們再看一個案例

  正常來說，我們一般分析的原因如下：

  如果我們用用結構化思考+公式化將其問題拆解，獲得的最終分析論點。很多時候，這個分析論點是 現象 。數據是某個結果的體現，但 不代表原因 。如果我們是數據分析師，我會設立哪些指標。另外，就是換位思考，假如我是參不其中的人，我會怎麼考慮或者會有哪些行為？其實，我們用業務化的方式分析數據就是將結構化思維通過公式法將其轉變為結構化數據，最後通過業務化的方法將其轉變為結構化業務數據。具體過程如下：

  這是個人通過學習做的一張思維導圖，僅供參考，大家還可以完善：

  通過上面介紹的三種核心思維方法，這只是框架型的指引。實際應用中也應該借劣思維的技巧工具，達到四兩撥千金的效果。並且，它們應該足夠簡單和有效。接下來，給大家介紹幾種常用的分析方法： 象限法 、 假設法 、 對比法 、 二八法 、 指數法 、 多維法 、 漏鬥法 。

  其實，我們日常生活中，象限法用的還是挺多的，我們首先看一張圖來對象限法有一個大概的印象。

  多維法在日常的分析中應用的還是挺多的。以下就是一個多維法的應用：

  我們在用多維法進行數據分析時，可以從以下角度進行分析：

  多維法一般包括 鑽取 、 上卷 、 切片 、 切塊 、 旋轉 等各種方法，具體如圖所示：

  在介紹假設法之前，首先引入一個案例：

  我相信的大家的回答會有很多，但是最恰當的回答是：雖然非洲這個地方我並不熟悉，但眾所周知非洲的情況，那麼現在我得考慮炎熱的情況…。其實很多時候，數據分析是沒有數據可明確參考的：比如新進入一個市場，公司開拓某樣產品。老闆讓你預測一年後的銷量，戒者產品的數據基礎非常糟糕，你根本拿不到數據。這就需要我們用假設法。
  假設有這么一個案例需要你分析其原因：

  其實，我們可以 假設活動是有效的 。然後進行以下的分析：

  我們對這個問題進一步深入：

  其實假設法核心： 是一種啟發思考驅勱的思維 ，另外其優點在於當沒有直觀數據或者線索能分析時，以假設先行的方式進行推斷，這是一個論證的過程。這種方法更多是一種思考方弅，假設—驗證—判斷。但是，在用假設法的時候我們必須要注意：不止可以假設前提，也能假設概率或者比例，一切都能假設，只要自圓其說即可。接下來給大家介紹指數法。

  指數法在日常生活中應用很廣泛的，比如：

  很多時候，我們有數據，但不知道怎麼應用。就是因為缺乏了一個有效性的方向。這個方向可以成為目標指數。通過將數據加工成指數，達到聚焦的目的。其中的指數法主要包括： 線性加權 、 反比例 、 log法 。很多時候，這幾種方法主要應用於Excel做數據分析的時候。
  其實，指數法的核心是： 一種目標驅動的思維 。其優點是：目標驅動力強，直觀、簡潔、有效。對業務有一定的指導作用。一旦設立指數，不易頻繁變動。另外其中的應用在於：與假設法不同的是：假設法是缺乏有效的數據，指數法是無法利用數據而將其加工成可利用的。當我們要用指數法的時候必須要注意的是：指數法沒統一的標准，很多指數更依賴經驗的加工。接下來，給大家介紹二八法。

  其實二八法是不常用的，讓我們看一下二八法：

  其實二八法的核心是： 一種只抓重點的思維 。其中的優點有：和業務緊密相關，和KPI更緊密相關。幾乎花費最少的精力就能達到不錯的效果，性價比很優。應用很廣，主要包括：二八法則存在於幾乎所有的領域，所以這種分析思維沒有局限。但是當我們在用二八法中必須要注意的是：在條件允許的情況下，數據分析依舊不能放棄全局，否則會讓思路變得狹隘。接下來，給大家介紹對比法。

  有一位數據分析師曾經說過：「好的數據指標，一定是比例戒者比率。好的數據分析，一定會用到對比。」，這也說明對比法在數據分析中的重要性。接下來，我們給出一個案例：

  我們在給出一個案例：

  對比法將以上的分析做一個思維導圖如下：

  漏鬥法是我們經常用的數據分析法，以下就是漏鬥法的分析結果：

  數據分析中的一個典型的案例： 啤酒與尿布 。那麼，為什麼啤和尿布放在一起呢？

  我們在日常生活中都有數據分析的案例。比如：

  總之，我們應該在實際生活中去練習數據分析的思維。

  從上篇 文章 開始，我們開始了介紹數據分析，本篇文章主要是為大家介紹了數據分析思維，主要給大家介紹了數據分析的三種核心思維方式：結構化、公式化以及業務化。另外還介紹了幾種核心的思維分析技巧，主要包括：象限法、多維法、對比法、假設法、指數法、二八法、對比法以及漏鬥法。最後還介紹了在業務中如何鍛煉自己的數據分析思維。下一篇文章會給大家介紹數據分析中的業務。生命不息，奮斗不止，我們每天努力，好好學習，不斷提高自己的能力，相信自己一定會學有所獲。加油！！！

『柒』 數據分析師常用的思維分析方式是什麼

1. 對比思維
對比這兩個字大家肯定都不陌生，比如買東西我們會貨比三家，其實生活中處處有對比。
比如說，小芳一直成績優異，但是末次考試發揮失常，數學只考了40分，班主任找到小芳談話，問她說：「你最近怎麼回事，上次你數學考了80分，全班前十，這次怎麼考的這么差？你看看你的同桌，這次都考了73分。」
從這個小故事中可以看出，對比一般有兩種方式，橫向對比和縱向對比。橫向對比也就是與同類對比，比如班主任拿小芳的成績跟她同桌的成績做對比。縱向對比是指同一類型不同時間的對比，比如班主任拿小芳這次的成績和上次的成績做對比。

2. 細分思維
細分思維很多人可能乍一聽不太明白，其實生活中很多小事都體現了細分思維。就比如我們人體是由九大系統構成的，系統又是由器官構成的，器官是由組織構成的、細胞又構成了組織，層層細分。
再拿剛剛的例子來說，還是我們的小芳同學，還是剛剛那場考試，班主任讓小芳對自己這考試的總成績做一個總結，小芳拿著成績單仔細研究，發現這次總成績不是很好，但是仔細一看，發現除了數學成績只考了40分以外，其他科目的成績都名列前茅，數學成績拉低了小芳的整體成績。
在這里我們就是把整體考試成績細分為具體的科目來總結歸因。在數據分析的工作中，細分的緯度主要包括時間、地區、渠道、產品、員工、客戶等。杜邦分析法、麥肯錫的 MECE 分析法本質上都屬於細分思維。

3. 溯源思維
前兩個思維能夠對應一部分數據分析工作要求，但是如果有一些數據不能用前兩種思維來處理怎麼辦呢？
那我們就可以用到另一種溯源思維。俗話說追根溯源，很多時候我們要想知道事物背後的邏輯原因，最好的方法可能是去探究事物發生的原因，來幫助我們分析。
繼續拿小芳舉例，她放學回家把成績單交給媽媽，媽媽通過對比、細分的思維方法知道了小芳這次考試的大概情況，也知道是數學失利了。但是小芳的數學一向是強項，媽媽還是無法理解為什麼會在這里出問題，於是媽媽找來小芳談心，詳細了解了考試時的情況，才發現是因為小芳考數學的那天中午吃壞了肚子，下午的數學考試剛好發作，疼痛難忍，以至於很多本來會做的題目都做錯了。媽媽也理解了小芳，並且向小芳表達了歉意，也會更注重小芳的飲食問題。
上面的例子里，小芳的媽媽無法從表面的數據上分析出事情發生的原因，於是採用了溯源思維，找到了真正的原因。如果數據分析師在工作中也能利用好溯源思維，那麼對數據的敏感和業務的理解也能逐步加深。

4. 相關思維
上面幾種思維是比較常用的思維方式，下面我們就來說說相關思維，這也是數據分析的核心思維能力。
很多人可能都知道著名的啤酒與尿布的故事，在業界是一個相關分析的經典案例。故事背景是20世紀90年代的美國沃爾瑪超市，當時沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。
沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：跟尿布一起購買最多的商品竟是啤酒。
經過大量實際調查和分析，揭示了一個隱藏在「尿布與啤酒」後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的妻子們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
如果數據分析師能夠熟練靈活的將相關分析運用到工作中，就能從僅僅知道數據分析的結果是什麼進階到知道呈現這個結果的原因是為什麼。

5. 假設思維
之前的思維模式都是建立在我們有大量的已知數據可以進行分析論證的時候，那麼如果我們還沒有足夠的數據量或者證據來驗證這件事，我們應該怎麼辦呢？這種時候就可以用到我們的假設思維。先對大膽進行假設，然後再小心求證，最後去想辦法驗證假設是否成立。
比如，小芳想吃荔枝，於是下樓去買，跟賣荔枝的阿姨之間有這樣一段對話：
小芳：「阿姨，你這荔枝甜不甜？」
阿姨：「甜啊，我這有切好的，你先嘗一嘗試試。」
小芳：「好，那我嘗一個。」
小芳拿來一個荔枝，嘗了一口：「嗯，不錯，確實挺甜的，給我稱兩斤吧。」
上面這個看似簡單的小故事，其實就隱藏了簡單的假設檢驗。首先，小芳提出假設：荔枝是甜的；其次，隨機抽取一個樣本；然後，檢驗是否是甜的；最後，作出判斷，確認荔枝真的是甜的，所以就購買了。
在數據分析中，假設思維的專業術語叫假設檢驗，一般包括四個步驟，即：提出假設、抽取樣本、檢驗假設、作出判斷。數據分析師可以充分利用這一思維模式。

6. 逆向思維
逆向思維這個詞大家一定都不陌生，很多著名企業家的演講中就常常提到這個詞，他們都提倡打破常規的思維模式，從相反的方向來思考問題。
下面我們邀請小芳同學再次登場。
有一次，小芳去買辣椒，跟阿姨之間又有一段對話。
小芳：「阿姨，你這辣椒多少錢一斤？」
阿姨：「一塊五。」
小芳挑了 3 個放到秤盤：「阿姨，幫我稱一下。」
阿姨：「一斤半，兩 塊 2 毛。」
小芳去掉其中最大的辣椒：「做湯不用那麼多。」
攤主：「一斤二兩，一塊6毛。」
小芳拿起剛剛去掉的那個最大的辣椒，付了 6毛錢，笑著跟阿姨說了再見。
你看，運用逆向思維，有時可能會起到意想不到的效果。

7. 演繹思維
演繹思維相對於前面的幾種思維方式可能不是那麼好理解。
演繹思維的方向是由一般到個別，大家要記住這一點，後面我們還會提到。也就是說，演繹的前提是一般性的抽象知識，而結論是個別性的具體知識。演繹的主要形式是由大前提、小前提、結論三部分組成的三段論。
以物理學上一個常識為例。
大前提：金屬能導電。
小前提：銀鐵是金屬。
結論：銀能導電。
從這個例子中可以看出，大前提是已知的一般原理（金屬能導電），小前提是研究的特殊場合（鐵是金屬），結論是將特殊場合歸到一般原理之下得出的新知識（銀能導電）。

8. 歸納思維
歸納思維的方向與演繹正好相反，歸納的過程是從個別到一般。
還是以金屬能導電為例。
前提：金能導電，銀能導電，銅能導電，鋁能導電。
結論：金屬能導電。
數據分析的過程，往往是先接觸到個別事物，而後進行歸納總結，推及一般，再進行演繹推理，從一般推及個別，如此循環往復，不斷積累經驗。

總結
本文總結了數據分析的 8 種思維，分別是對比、細分、溯源、相關、假設、逆向、演繹、歸納。作為一名數據分析師，如果在工作中能充分運用好這些思維，是對個人能力極大地提升，就能夠在工作中創造更多的個人價值。

『捌』 求《數據分析方法培訓》全文免費下載百度網盤資源,謝謝~

《數據分析方法培訓》網路網盤pdf最新全集下載:
鏈接: https://pan..com/s/1a25OgSpybxai2SPQYfMseA

?pwd=s6sp 提取碼: s6sp
簡介：數據分析方法培訓pdf電子書包含了對數據的分析，描述性統計分析的方法，推斷統計分析，數據挖掘的方法，數據質量的評估，常見的幾種分析模式等等。

『玖』 《人才數據分析指南:理念方法與實戰技巧》pdf下載在線閱讀全文，求百度網盤雲資源

《人才數氏拆據分析指南:理念方法與實戰技巧》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1lWxNI7YRXsa-L2obc8CxGw

?pwd=hn9y 提取殲首棗碼：hn9y
簡介：人才數據分析指南：理念、方法與實戰技巧內容涵蓋如何從企業戰略出發，獲取數據、收集和分析數據以及利用這些洞見來增加商業價值，它們對於芹顫人力資源從業者來說都是不可或缺的能力。