极简数据分析方法

Ⅰ 2022-06-14

15分钟掌握12个极简统计学分析方法- 玩好一二三四五就能上山打老虎

程晓华

2022-6-12

我的新书《全面库存管理数学分析》上市后，很多读者反馈说“看不懂”。这件事一直搞得我很郁闷，但我也很理解，其实很多人，也包括我在内，上大学的时候的3门“高等数学”（高等数学、线性代数、概率与数理统计，一般工科生的必修课，在这里，包括在我的书里统称“高等数学”）可能都没有学好，光去应付考试了，考完了也就完了，根本谈不上应用的问题，尤其是工作时间一长，除了会算个平均值但也懒得算之外，其他的都还给老师了。

但是，从事供应链管理工作，尤其是做最核心的供应链计划管理，必须要跟数据打交道，要不断地分析数据，挖掘并提炼其背后可能存在的有价值的信号，必要的时候，还可能还需要我们自己用Excel、R语言等工具做一些简单的统计预测之类的工作，这就不可避免地就要用到一些所谓的“高等数学”的知识，尽管很简单，但是，你必须要熟练掌握，达到熟能生巧的程度。

如果说《全面库存管理数学分析》让你感到头疼的话，我建议你先耐着性子，结合Excel，花个十几分钟的时间，把我这篇文章看完，如果你能产生一些兴趣，你就可以继续去读我那本书，学到更多的实用数据分析工具和方法论，但如果你连这个都没有兴趣，甚至是连这个东西也搞不懂，那书不读也罢。

我们小时候都知道的一首儿歌，叫“一二三四五，上山打老虎”，我们这里就用y=（1,2,3,4,5）这组数来举例子，我相信，你如果真正能够搞懂了这个一二三四五，你就真的敢上山打老虎（玩供应链数据分析工作）了！

我们假设这个y=（1,2,3,4,5）是某个公司过去1~5月份（即x =(1,2,3,4,5)）的出货量，这里的x代表时间、期间，y代表期间出货量。

我在这里一共列了12个小问题，代表12个数学公式及数据分析方法论：

1. 过去5个月的出货（算术）平均值（average / mean）

这个问题很简单，估计99.999%的人都会算，答案是（1+2+3+4+5）/5=3，对应的Excel函数公式是average( )。

但大家不要小看这个简单的算术平均值（简称均值）计算，这是你对客户需求做到心中有“数”的第一步，这也是我的书第一章反复强调的内容 – 平均值很重要。

按照我个人在供应链管理领域管人、管事的经验来看，如果你能不看电脑、手机，随口就能说出你所负责的某个产品、SKU或者型号的每周的大概的平均需求，你就基本上是做到了心中有“数”。

你可以马上用这个“均值”测测你周围的人，结果可能会让你会很失望！

2. 截尾（0.2）平均值（trimmed mean）

知道这个所谓的截尾平均值的人会有多少呢？我心里没太有个数，因为，如果不是学习R语言，我以前也不知道有这么个东西，所以，我就相信很多人也不知道（我这是在做“极大似然估计（Maximum Likelihood Estimation， MLE）”，《全面库存管理数学分析》第四章的内容），尽管很多人都听说过它的应用，类似“去掉一个最高分，去掉一个最低分，大S的得分是 ……”。

这个定义在供应链管理中也是很有用的，譬如在评估客户历史需求的时候，我们可能人为地去掉那些看似不正常的极大值、极小值，至于比例，你自己决定，Excel公式是 trimmean( )，其中trim本身有修剪的意思，mean其实跟average一样，都是平均值的意思，至于为什么在Excel里面它不是用trimaverage( )来做这个表达式，我们就不得而知了。

我们这个例子y=（1,2,3,4,5），数据量很小，数据本身也很整齐，无论是trim=0.2还是0.1, 0.3, 0.4，结果都是3，但如果你把那个5换成6，再试一下这四个比例，它们的结果就不一样了。如果你感兴趣的话，可以模拟更多的数据看看这个公式到底是表达了什么意思。

3. 中位值（Median）

顾名思义，所谓的中位值就是处于序列中间位置的那个值，在我们这个例子中，一共有5个数，3就是那个中位值，因为它前面两个哥哥，后面有两个妹妹，它是老三嘛！

中位值的Excel公式是median（）。

我的理解，这个中位值还有保持“中立”的意思，它不管哥哥妹妹们怎么胡闹，它还是它，永远保持不变。它不像那个算术平均值average，属于墙头草性质，哥哥妹妹们一闹腾，它也跟着折腾，所以它才有个外号叫“被平均”。譬如说，你把这个12345改成12346，中位值还是3，但平均值就从3变成了3.2了。所以，很多时候，我们宁肯相信那个中位值，因为这个平均值不太靠谱，据说还害死过人呢！ 我也是听说的：一个大个子的统计学家在一条平均水深不到1米的河里被淹死了 。

比较理想的情况是这个中位值和平均值是一样的，或者差不多大小，这样的数据结构分布一般是比较好，甚至可能就是传说中的正态分布。

4. 四分位差（Interquartile Range, IQR）

在分析一组数据、一个时间序列的时候，我们通常可以把数据平均分成4段，这样每段数据占总数据个数的25%，估计这个“四分”就是这个意思，而“四分”之后，自然就是“五裂”，也就是4段5个点，而这5个点我们可以分别命名为Q 0 , Q 1 , Q 2 , Q 3 , Q 4 ，Q 0 最小（min），Q 4 最大（max），其它几个分别处于25%，50%，75%的位置，如此以来，那个Q 2 就是老三，但奇怪的是，这里的Q 2 是指平均值（average），不是指那个中位值，我猜可能是统计学家们搞错了：其他几个兄弟姐妹谈的都是“位置”上的数嘛！干嘛这个Q 2 就非得是个平均值呢？

所谓四分位差（Interquartile Range，IQR）就是IQR=Q 3 – Q 1 ，在我们这个12345的例子里，IQR= Q 3 - Q 1 = 4 -2 = 2。

在Excel里面有一种图形叫箱型图（boxplot），其原理就是这个IQR。只是这个箱子的中间是中位值，而不是那个Q 2 （平均值），这跟我理解的是一个意思，Q 2 就应该该是个中位值嘛！但很讨厌的是，这个箱子的两边并不严格等于Q 1 ，Q 4 ，箱子上下还有两条边界线，本来它们就应该是我们下面提到的最小、最大异常值，但它实际上却是Q 0 ，Q 4 ，这也是我非常不理解的地方 – 这样的话，这个箱式图还有多大的意义呢？我理想中的箱式图应该是这样的：箱体中间是Q 2 或中位值，上下盖则是Q 1 ，Q 3 ，以此来显示数据的集中范围，或者是表示数据“应该的分布”范围；上下盖之外伸出的两条天线则应该分别是最大、最小异常值，以此圈定来“正常值范围”，天线之外的则是异常值。我之所以这么认为是因为从供应链管理角度，最大值（max）、最小值（min）是没所谓的，它们本身并不能代表是正常还是异常，我们更关心的是所谓的异常，因为供应链管理有所谓“非正常需求（Abnormal Demand）”这一说。

下面我们就来谈谈这个问题。

5. 异常值（Outlier, 最小异常值、最大异常值）

所谓异常就是不正常，而正常与不正常是相对而言的，既然是相对而言，那就得有个相对的尺度，这个尺度就是最大异常值及最小异常值，范围内的叫“正常值”，范围之外的则是异常值。

这个范围定义为： Q2±1.5IQR。

针对我们的例子y =（1,2,3,4,5），最大异常值就是Q2+1.5IQR=3+1.5×2=6，最小异常值就是Q2 - 1.5IQR=3 - 1.5×2=0，也就是说y里面没有异常值。但如果把那个5换成6，则6必是“异常”，感兴趣的读者可以用Excel套一下那个公式试试看。

需要搞清楚的是，这个所谓的异常值跟第2个问题提到的截尾均值里面的那个“截尾”部分不是一个概念 – 被“截尾”掉的数值不一定是“异常值”，而异常值则应该是被截尾的对象。关于这个结论，我自己并没有进行过严格的数学证明，但大家不妨多弄一些奇奇怪怪的数字，然后用Excel模拟验证一下看看。

6****．方差（Variance）

顾名思义，方差就是“差的平方”，统计学上的方差指一组数的中的每个数减掉其平均值之后的差的平方的平均值。

回到我们的例子y=（1，2，3，4，5），其平均值是3，y-3之后的差为：（-2，-1, 0, 1, 2），差的平方为（4,1,0,1,4），其和为10，其平均值为10/5=2或10/（5-1）=2.5，都可以，表现在Excel公式中，一个是var.p( )，var.s( )，其中的p、s分别代表总体（population）、样本（sample）的意思。在实际应用中，哪个都可以，因为它们是反映数据的相对离散程度，不同的数组之间只要是用同一个公式进行计算并对比衡量即可。

7. 标准差（Standard Deviation）

直接对方差开根号就得到标准差。针对我们的例子，我们可以得到的标准差就是根(2)=1.414或根（2.5）=1.581，或者用Excel公式 stdev.p( )、stdev.s( )计算标准差，两个结果都可以。

这个所谓的标准差其实就是传说中的那个西格玛（σ），一个σ 就是一个标准差。如果你认为需求分布符合正态分布，均值±1σ 就能覆盖68%左右的数据分布，均值±2σ 覆盖95%左右的数据分布，均值±3σ 覆盖99%左右的数据分布；如果你不认为需求分布符合正态分布，那就是随机分布，但没有关系，即使这样，均值±2σ 也能覆盖87%左右的数据分布，均值±3σ 也能覆盖95%左右的数据分布，这是根据马尔可夫不等式（《全面库存管理数学分析》第三章的内容）得出的结论。

8. 需求波动率

标准差除以算术平均值就是所谓的波动率，统计学上叫CV（Coefficient of Variation, 变异系数）。这个CV对于我们分析客户或市场需求非常重要，是需求分类的重要指标之一。

针对我们的12345，其需求波动率为1.414/3= 0.471或 1.581/3=0.527。

同样，这个需求波动率是相对而言的，不同产品或者同一产品来自不同的客户、不同的分销中心，其需求波动率可能是不一样的，在我的书《制造业全面库存管理》里面，这个波动率被用来做XYZ分类。

波动率也是衡量需求聚集效应的一个非常直观的指标 – 被合并了的需求的波动率小于合并前单个需求的波动率之和。

9. 一阶差分值（difference）

所谓的一阶差分就是一组数内部相减，老二减老大，老三减老二，减到最后即可。很简单，我们的例子得到的一阶差分结果就是（1,1,1,1）。

一阶差分的意义是什么呢？

还是针对我们的例子，y=（1,2,3,4,5）是一条斜线，而差分后的序列（1,1,1,1）则是一条水平的直线。从供应链管理角度，你是喜欢你的客户给你的需求是斜线呢还是近似水平的直线好一些？

从统计预测角度，不言而喻，水平的直线更好预测一些，因为需求相对平稳。只是需要大家注意的是，统计学上讲的“平稳”可能跟大家脑子里面想象的不太一致。这个平稳的英文单词是stationary，它是指需求的移动平均值相对稳定，尽管一定期间内的需求可能是起起伏伏的，但这个需求并没有明显的上升或下降的趋势，这就是“需求平稳”，它跟 stable 不是一个意思，stable是指稳定的意思，即每期需求大致相同。

10. 需求的趋势函数（trend function）

针对时间轴x=（1,2,3,4,5），出货量y=（1,2,3,4,5）的函数表达式是什么？

我们可以用两种方法得到结果，一种是用Excel作折线图，添加趋势线，选择“线性”，显示公式，我们得到 y=x；另外一种方法也是在Ecxcel里面用 index(linest( ) )求出y=ax+b中的a的值为1，b=0。

函数与方程思想是数学思想宝库的重要组成部分，供应链管理也需要一些函数与方程思维（有关这部分，包括后面两个知识点的详细内容，大家可以参考《全面库存管理数学分析》第六章）。

11. 需求函数的一阶导数（derivation）

需求函数是 y=x，其一阶导数就是 y’=1，如果你跟第9个问题联系起来看，你就会发现，这个一阶导数跟一阶差分值是相等的，都是1，这是为什么呢？

道理很简单，不是很严谨的理解，无限差分就是微分，微分之后即可求导数。无论是一阶差分还是这个一阶导数，都是表示需求的增长速度。

12. 预测第6期的需求值。

有了前面的工作，这个第6期，即6月份的需求预测就很简单了。我们可以用三种方法来完成这个统计预测：

一是差分预测法：根据第9个问题点，我们得到的差分序列是（1,1,1,1），是一条水平的直线，那么，很自然地，我们就“趋势外推”，运用差分的方程 y 6 -y 5 =y 6 -5=1 求得 y 6 =5+1=6。

第二种方法是利用趋势函数：y=x，当x=6的时候，y=x=6

第三种方法则是利用一阶导数：我们知道该函数的一阶导数就是代表着需求增速，而这个值是1，那么，同样很自然地，我们用 y 5 + 1 =y 6 = 5+1 = 6。

当然，简单省事的统计预测方法还有平均值法，即y 6 = 3或者干脆取上一期的值作为下一期的预测，即y 6 =y 5 =5。

除此之外，你也可以考虑用移动平均法，包括我在一篇文章里提到的“自然加权平均法”来预测这个6月份的需求。

但是，无论哪个预测结果，还是那句话，对于统计预测，你信则有之，不信则无。

【写在结尾处】

我相信，绝大多数的读者都是可以搞得懂这12个知识点的，但是，从搞得懂，到用得上，再到用得熟，甚至是用出彩儿来，这可能需要一个过程，你不下点功夫是不行的。所以，不要小瞧这个12345，弄好了，你一样可以用它去打老虎！你甚至可以认为，这就是《全面库存管理数学分析》的极简版本。

另外，我在问卷星上把这12个知识点做成了考试题，链接如下，有时间可以邀请你周边的同事、朋友，尤其是你的老板们做做看，也好顺便测测他们的智商。

https://ks.wjx.top/vm/YDIAWDg.aspx

作者程晓华（John Cheng），全面库存管理（TIM）咨询独立顾问，《制造业库存控制技术与策略》课程创始人、讲师，《制造业库存控制技巧》、《首席物料官（网络）》、《决战库存》、《制造业全面库存管理》、《全面库存管理数学分析（2022年1月已经上市，京东、当当网等皆有售）》着作者，邮箱： [email protected] TIM订阅号：ITOOTD

Ⅱ 21天Excel极简思维训练营一认识Excel突破理论。

越是碎片化时代，越要系统的学习。

认识Excel，从理论基础开始。首先。我们把Excel不能简简单单的当成一种电子表格软件，而是把它理解成一种超越，简单是极致的复杂。

1 Excel高手思维。 Excel其实非常的简单，它简单的只有三张表，一是明细表，2是参数表，3是汇总表。在做表格之前，首先我们要做的是思路先行，有了思路才有出路，最后转化为输出。

2在数据分析的过程中碰到一下子解决不了问题解决不了的问题。不要表现于表格本身，要跳出表格看问题。多掌握知识点，采取不同的路径去达到目的。

3表格完成要检查存储。做到有备无患。而且在解决经常会重复的工作时。学会批量的自动化。去减轻你的劳动负担。

4进一步的认识Excel的知识体系。有三个层次，一是基础基本操作，二是高级运用，3是系统应用。

5在使用Excel的时，请掌握基本的规范。那就是忌将不同的信息放在一个表格中，忌合并单元格和空行。忌错误的日期格式。规范化后的表格会让你的工作事半功倍，在运用函数和公式时非常的流畅。

6重新去认识一下。Excel界面的基础在这里名称框的应用，我们平时不太在意，其实它有很好的三个用法，一是定位法，第二是定义某个区域，第三是实现名称框和公式联动。

7最后习惯决定成败，我们要养成良好的保存习惯，而且常用快捷键常备份，多检查采用多个的办法。养成良好的工作习惯，提升工作效率。

Ⅲ 运营增长实战：达成业务目标的5个极简案例

2014年，我买了一个MAC本，装范用。我妈不太高兴。老人节约惯了，认为我正在用的联想本长的瓷实，又便宜，我就拿数据说话，做了个正相关。我说：老太太哎，你看，我用联想本，速度慢，我基本上每天都得凌晨2点睡觉，自从有了MAC本，速度超快，我9点就休息了。老太太高兴了，直接说：要不买两个吧，那岂不是吃完饭就能休息了。

天下父母都是后厨，谁不对自己孩子健康着想呢 ？就这样，我又趁机买了个ipad。

这是数据在现实生活中的说服作用，呈堂证供。

运营岗位也一样，要靠产品、技术、消息引擎、市场等后厨吃饭，如果没有数据说话，就很难撬动他们。

但我们做运营的，数据本身天然弱项，像我，念书时没好好学数学，又不懂统计学，去菜市场买个菜都算不来账，感性意识浓，怎么办？无解，只能日常历练，所以自从2010年起，就尝试着靠数据说话，练逻辑能力，我平时很懒，唯独数据，特勤快，有时间就看就记。

这些年下来，和数据产品经理、数据分析师、统计大拿都打过交道，每次听他们说了一个新概念，都要网络查阅，但现在依然不知道什么是置信区间、什么是概率分布，脑子笨，所以自我说服，提出了一个极简数据、优化源表的概念，试图靠一张Excel表、浅显的数据去做决策，数据小白也能上手，快速提升自己的业务增长。本文就总结一下我那些年靠极简数据提升业务目标增长的一些案例。

先说一下极简数据的4大特征：

1、数据极易获取，比如微信的后台数据、GA数据、公司数据部做的标准报表数据等等。

2、分析起来极简，只需用Excel就能得到真知灼见。我原来喜欢用GA，因为里面功能强大还免费，各种维度去看数据，显得高端有档次。但是自从GA被封之后，公司不用了，我就开始琢磨着自己做一套本地的数据，把所有的运营项目都梳理出来一个日常表，我起名叫优化源表。这样我就可以借助Excel强大的数据分析功能，比如透视表来指导我运营了。

3、数据运营的思路极简，运营就是发现问题，然后搞定问题的过程，高深的数据模型一般是供商业决策的，运营显性，基本用不上。

4、极简数据有一定误差，会有个人主观经验在里面。我一般只要对数据有信心，就会做决策，世上没有精确的数据，只有相对准确的数据。曾经看过一句话：一次能让人有所收获的犯错，远好于什么都没干，很适合运营。

此外，本文的所有案例，数据部分都做了极简处理，绕过埋点、监控策略制定、实施、数据清洗等环节，只讲核心方法，让大家能一目了然，里面提到了我经常挂在嘴边的两个核心词，试错和优化。试错是方法，优化是灵魂。

好，我们来看本文的分享大纲：

我经常做优化源表，把每天的数据记录下来，有时候如果数据部门有标准报表，会更省事一些。

优化源表短期内不会给你带来太大价值,但是当数据积累到一定量级后，你就会从这张表中得到很多真知灼见。比如,你可以靠业务目标日常表现表十分合理地推演分解出月目标，周目标、日目标,真正做到每日的运营行为都‘心中有数’。因为日常目标表现表展示的是你的业务规律,尤其是当你负责整个产品项目的运营,给手下定KPI的时候,手下 再也不会说你拍脑袋了。

我举个例子，这是我从《数据化管理》一书中学到的。自从2014年我看了这本书后，这个技巧就被我拿来应用在互联网产品运营上了。遵循极简原则，我只讲如何分解到月，因为分解到周和日的思路大同小异。我简单的提供一个思路。

首先，需要找到历史数据。我从公司数据平台上找到PC端用户全年的日UV数据。这里我拿UV来举例，您也可以拿LV、Visit、PV来做。

通过日期数据计算出第N周和星期字段的值。把异常日期排除在外，主要是节假日，因为节假日一般网站的流量都不太正常，还有，把特殊推广期的日期也排除在外，这要靠平时的运营日记，把每天的运营行为做一个记录。然后得到这张图：

我们开始透视这张表做分解。

透视的时候把假日信息和特殊推广日标识出来，在透视的时候过滤掉，不计入总表中。

发现了吗？你看折线图，很明显，业务有淡旺季之分。所以我们完成全年目标的时候，也要合理的分出淡季完成多少，旺季完成多少。而不是平均每月完成多少。

权重是供我们计算用户的一个人为附值。一般先把最低值附值为1，比如图中的5月，然后其他月份的平均UV值除以5月的UV值，就能得出各个月份的权重了。

比如2015年的总UV是8.8ww，老板给你翻了个倍。那么你通过权重就能平摊到每个月要完成多少。比如图中的1月份，我算出一月份的权重占总权重的比值，然后再用KPI乘以这个比值，就得到了1月份要完成的KPI了。

那么，我们分解KPI的目的是什么？

1、尽早做年度运营规划，第一个月如果完不成目标，和老板及时反馈，早早申请资源；

2、管理老板的期望值，控制kpi完成的节奏，别第一个月没控制住，早早就完成了，那时候老板就给你定更高kpi了，有时候运营的坑都是自己挖的。

这是我们集体团队策划的活动，共5人，我主要担当文案和数据统计工作。

当时老板放话了，对新产品团队成员说，你们可以在现有4000万用户中随意选择20万用户当种子用户，然后给新产品引入10万初始用户，平均单用户成本不要超过5元，撂下这句话就走了。

我们有了资源，有了成本限额。先抛出去成本不谈。20万种子用户的筛选至关重要。这是细分用户的能力了。我们思来想去，马上就要秋招了，应届生求职欲望比较强烈。于是我们精挑细选了20万高活跃应届生用户做种子，开启燎原之路。

我们针对这部分用户策划了一个促分享拉新的活动。恰好，那年应届生秋招提前，有不少500强客户提前进入校招。所以我们的活动噱头就从这些大客户入手。主题就是部分名企提前校招，邀请同学加入能拿红包，给个多变的酬赏，红包不设上限。

接下来，我们按这个主题策划了一个可传播的活动。我们是怎么做的？我复盘的时候梳理了一下流程，大家看这张Excel表。

这张表就是全程的优化页面和效果的数据，我挑一些关键点去讲。

比如渠道策略，从哪个渠道拉新，哪部分用户用来做测试，哪部分正式大规模推广等，因为微信平台的特殊性，短信、app push、页面广告或拦截、EDM等渠道都不太方便用户，我们也想通过我们自己的微信大号来做，但我们的微信号粉丝的用户什么身份都有，不仅仅是应届生。比较来比较去，根据经验，择优选择了某一渠道来做。

还有，策划初稿的时候，活动流程及关键节点数据一定要提前规划埋点，监控好。这点需要说一下，既然是活动规划，所以一定要考虑周全，否则你上线后技术很有可能看不到日志数据，比如渠道转化率，通过渠道带来的分享数，注册成功数，这时候你就算白忙乎了，我在这个活动中就犯了极大的错误。

不要活动一上线就全量去推广。要不断优化关键页面或关键流程节点，把页面和流程的转化都优化到一定程度后，觉得再优化不上去了，或者通过节点转化数据去反推，根据得到的转化率我们算出来能完成目标了，再去全量推广。

因为这个案例主要是页面的转化率，所以我把渠道的转化、分享与邀请的比例关系在第一次测试的时候就固定了。比如本次活动渠道转化达到了32%左右，分享与邀请的比例为1：5，即1个分享能带来5个注册用户。

还有一些转化数据我们不太可控，比如注册流程的转化，注册流程是标准化的功能模块，优化改动比较大，所以这块优化略去，不做重点关注。当然了，我们在这个活动中，注册流程其实折损了不少用户。

固定一些次要变量后，我们把优化的目标放在了两个关键页面上，一个页面就是引入种子用户的页面，我叫促分享页。还有一个页面是，当用户分享给好友或朋友圈的时候，好友点击进入的页面，我叫转注册页。这两个页面，我们不断测试，总计测试了三版，直到将分享率和注册成功率优化至最佳水平。才去大规模推广。

这个环节最关键、也最纠结。我们折腾了足足有一个月的时间。最终结果是，通过这三个大的优化回合，我们成功完成了目标。1个月的时间，优化了3版活动，我们认为是值得的，因为这样的活动流程和模式被我们验证为可行，能长期做的，扩展性特别强。比如我们可以做活动后台，专门针对不同用户群去复制我们的活动模式。所以，前期的慢是为了后期的快。有了后台工具，我们基本上一周就能做一个类似的活动了。这是优化的价值，优化是修炼内功，目的是增强核心运营能力。

现在讲页面的优化思路，我们是怎么思考的，其实现在总结出来，只有3个关键点：

比如第一版的促分享页，我们把伯乐奖变成了红包，然后分享转化就提高了3个点，转注册页更明显，我们把按钮加入了邀请的元素，不再自话自说第一时间报名，快速拿Offer，我用分享人的邀请来做文章。这就好比是你的同事对你说，我们今晚去吃大餐吧，你可能还犹豫一下，因为你不确定是他请是AA还是他吃完饭之后忽然说一句，我忘带钱包了。而如果你同事说，走，我请你去吃大餐，要是我，我肯定去。所以我们转化了一个思路，转注册页的转化率就提升了10个点。

我们第一版和第二版的时候，忽略了这个元素，把名企做成了列表，后来思考，我们感觉用户可能觉得这个列表是可点击的，造成了误导，然后用户发现不能点击，会有点情绪，分享动力和注册动力就不足。所以第三版的时候，我们从视觉设计上排除了这个干扰。

关键点在第三版，我们转变了一个思路，第一版第二版的时候，我们是用户邀请好友加入注册成功后才得红包。如果我们让种子用户转发就能拿红包，强制去做转发，想象一下，用户会觉得这个活动可信度很高，分享率也会提高的，也许他不仅仅分享到朋友圈，会去各个群里分享也不一定。所以，我们在用户点击马上加入按钮的时候，弹出浮层，提醒用户分享后就能拿红包，引入同学加入还能拿。

就沿着这个思路，我们成功完成了目标，并获得了一个活动模式。在优化的过程中，聚焦数据，把每次活动的数据都记录下来，实时监控换算，让每一次试错都有数据展示。大家可以看刚才分享的那张图里，我把关键数据都列出来了。

最后，我们全量推的时候，引入的注册用户是57000多，为何最终引入注册量会达到近10万。而且这个最终引入注册用户只是推广当天的数据，第二天还在增长。是因为引入的注册用户成为了种子用户，他们也开始去滚雪球转发了。

我们的APP刚上线的时候，除了通过一些统计工具被动接收用户反馈外，无法直接触达用户，比如我们有重大活动的通知、拉回沉默用户、调研等等。所以我们的产品做了一个PUSH通知产品，我暂时称之为求职小助手，它类似于app内置的公号。我会隔三差五的推送一些信息。

因为我们的文案水平经过长期的锤炼，已经有了很好的经验。我就想，单靠文案的力量可能无法再拔高push的点击率了，我是不是还有其他拔高业绩的缺口没有找到，思来想去，忽然想到，如果我知道用户对push内容的喜好程度，然后去推送相关内容，是不是就能再提高一筹点击率？

我的需求出来了：我渴望得到用户对内容的偏好程度。

那么，我如何去洞察呢？我需要做一个试错策略，我在运营工作中最喜欢的一个工作方法。

试错是运营最靠谱的手段，是运营岗位之所以存在的核心。试错最怕不合理，所以试错策略很重要。

我的试错策略，大家看这张表：

简单讲解如下：

试错用户在不同时间点对内容的偏好程度。我把目标放在了总结月度规律上了。如果你的业务也有规律可循，可以放在季度、甚至于周上。

文案点击率。如果用户对内容的喜好有规律性，绝对是在某个时间点上有比较高的点击率的。

敲定试错变量是试错策略之所以合理的关键节点，上表中标了橘黄色的字段为变量。

要提前分类好。我试错的是内容类型，而非单篇文章。什么是内容类型？比如门户站的频道，科技、娱乐、军事、新闻等。我集中选出了7类内容。比如面试攻略、网申攻略、简历攻略等，提前规划好，并合理安排到每周。按部就班的发布。比如，我每周一都发信息汇总贴，周二推简历攻略，周三推面试等等。

时间点，就是每天的固定时间去发，比如，我都选择晚8点来发。至于这个时间点是怎么来的，我是调研得来的。我有一个测文案的微信号，因为我平时经常回答应届生的问题，所以他们对我很好，我发一个调研贴问他们什么时间push信息给他们合适，他们80%都说晚7-9点。

做过APP 通知产品的朋友都知道，iOS是统计不到接收数据的。我们为了更科学，只拿Android客户端来测试。文案点击率看点击接收比，比看点击下发比更靠谱一些。

即找谁试错。这个很重要，我现在是知道，应届生的用户只要是push相关求职信息，大部分同学是不太嫌烦的。因为求职是刚需，如果求职成功了，他们大多都是关掉通知或卸载APP了。但是当时不知道，觉得push信息是很扰民的。所以，为了天天发信息不让用户投诉，我只选择某一类特征的用户，比如高活跃用户，即那些当天有过登陆行为且有过投递行为的用户；或者沉默用户，这样能更减少骚扰，因为如果沉默用户被我的push激活了，立即就归到活跃池了，就不会接收到我的push了。而且，沉默用户之所以沉默，有可能是没了需求，如果他点击了我的push，证明他是喜好我的内容的。正好符合我的试错目的。

大家都知道，Android的标题是可以自定义的，不像iOS，标题只能是品牌名。因为我的目的是试错，不是为了拿点击率的效果，所以我的标题不做自定义处理，直接写品牌名。这样更好控制一些。

最难把控的一个变量。标题党有最大的点击效果，但是这属于试错的异常数据，我一定要保证文案水平在一个力度区间，才能合理的得出业务认知。这又涉及到一个文案力度的试错策略。这个更复杂，今天不讲。我在原来的微信和内容频道的工作经验中曾试错总结过文案力度的大小，我知道哪些文案的力度高，哪些文案的力度低，因为是我亲自操盘：我每天都在记录数据，所以我能合理的知道每个文案的正常点击水平。大家只要记住，文案力度是有等级的。本案例采取2级文案力度水平，正常情况下点击率有2个点的浮动。

当然了，如果你没有文案等级，也可以每个内容类型精编几篇文章，然后从目标用户细分上下功夫，比如取当日登陆用户并设置过滤机制：每个用户在试错期间内只接收一次等。这样你就可以给同一类型用户固定push这些文章了。

数据清洗时要重视。比如有时候发送通道不稳定，没发送出去，或者统计错误，这些异常数据都要在清洗的时候排除出去。

这样，我就敲定了7个影响我业务认知的变量。力争得到合理科学的建议！

1年后，试错结束，我开始总结规律。我透视出这样一张表来：

大家看出来了吗？标粉色部分的内容类型绝对是当月最受欢迎的内容。那么，在下一年的某个月份，我加大用户最喜好的内容力度，是不是就能拔高一筹业绩呢。

这就是我的内容试错策略。结论很简单，过程很纠结。

当然了，我的这个试错案例是长线作战，因为我们是成熟期产品。如果你的产品是初创期或成长期，你可以选择短线试错，只要把控好两点即可：

一，务必明确试错目标，目标必须唯一化。因为试错是为了得到业务认知，而不是为了试错而试错；

二、试错一定要想办法敲定影响你试错结论的变量因素，力争最小化的影响业务认知。

这是2015年的案例，在我的文章《我和慕容雪菲深夜聊运营》一文中有所提及，写的比较粗糙，今天我又梳理了一下思路，有条理的和大家说一下，并放出我的一张微信号运营用的优化源表。另外，大家注意一点：2015年的时候微信统计的分享收藏数是放在一起的。不像现在，分享和收藏的统计分开了，让这样定位内容的方法更科学了。

我刚接手一个微信号内容运营的时候，每日净增粉丝数是负的，那么我是怎么解决这个问题的呢？我依然是从内容上下功夫。领导很着急见到效果，我没时间去做内容试错策略了，那我就可以从历史数据中发现规律。我简单描述一下：

明确我的业务问题：微信日净增粉丝数为负。

分析问题，此问题其实有两种解决思路：

1、节流，这是内容选题问题：我究竟要做哪类内容才能满足用户需求，让用户不跑路。即从现有粉丝上做文章，减少粉丝流失；

2、拉新，如果粉丝继续掉，但我把日增粉数做的超过了掉粉数，那么日净增粉丝不就是正的了吗？日增粉数和转发数息息相关，一般来说是正相关的，转发越多增粉越多。而转发又和内容息息相关。

所以，我的业务问题其实是内容定位问题。我需要找到用户对微信内容的偏好，我的思路很简单。

如下图，这张图我做了一个阅读排序。

发送人数，因为涉及业务隐私，我给略去了

这张表就是我的一张优化源表的真实面貌。我有一个习惯，每做一个运营项目的时候，大到整个产品的运营, 小到一个导航类目、焦点图、推荐位等，我都会自己琢磨出一张这样的表来发现问题，总结规律，进而指导运营行为。

我花了两天时间把近1年的历史推送数据全部人工采集到这张表里。更累人的是给这些内容一一分类。我把这些内容大致分了10个类别。然后给每一篇文章都归到这10大类里（表中的分类字段），然后这张源数据表就出来了。

1、新关注人数（模糊）字段数即第二天增粉数，非精准数据，仅供参考。如果你的微信号每天只发一条内容，此数据会更精准一些。

2、如果你的历史推送图文无固定条数，需要你去粗略的计算一下转发与增粉的比值，然后按单条文章的转发数将增粉数归因到单条图文里。这是一个繁重的工程，需要你逐条去清晰数据，并将难以把控的异常值排除在外。

3、如果你不想按第二条来做，避免清洗数据的麻烦，也可以按上篇制定一个短期的内容试错策略，就可以每天去发送单条图文消息，把这个试错变量固化了。

然后，通过透视分析，我的微信号内容运营策略就出来了，如下图：

你看“确定内容类型”一栏，会发现，薪资、职场、励志、技能类等内容超出了平均增粉数。问题迎刃而解：我集中选择这四类内容来做。然后我又研究了一下阅读数高的标题，争取每篇文章都把阅读量做大，大概10个工作日，我就成功将日净增粉丝数‘由负转正’了。”

很多做微信内容运营的我，看到别人做的内容阅读数不错拿来就发，其实这样并不是最高效的，别人的粉丝不一定和你的粉丝有同样的内容需求。 同样一篇文章，在别人的微信号上能达到100000+，在你的微信号上不一定能做到这个效果。

当我把日净增粉扶正之后，接下来做了什么呢？扶正之后，这个号就是健康运行状态了。我不甘心只做一个运行经理，我就把下一个目标定位在了增粉速度上。增粉运营策略就是下一个问题了，此处不表！

最后，第五个案例，我们说一下根上的问题，数据在现实工作中的价值是什么？运营为什么要做数据分析？我总结如下：

1、发现问题：问题就是驱动元素，要不断去监控产品表现，分析数据，找出影响业务目标的问题，并排除它。

2、降低成本：约翰.沃纳梅克说：我的广告费有一半浪费掉了，可我不知道是哪一半。分析可以有效降低成本。

3、决策依据：在企业，一般大BOSS需要靠数据来做投资决策、营销决策和战略决策。

一句话：分析能监控效果、发现问题、获得见解、控制成本、完成业务价值最大化的目标。那么，我说的是对是错呢。我说的没错，但这在多数情况下解决不了现实问题。我们需要接地气。正像我开篇聊到的，在现实工作中，经过我多年的经历，数据最大的作用是“沟通证供”。就好比你犯事了，不承认，然后律师去搜集证据一样。

这就是数据的第四个作用：

4、沟通证供：分析可以提供呈堂证供，有效决策运营方案。运营要去监控优化各个部门的业务表现，然后提供有效的证据来说服相关业务部门。然后达到我们优化产品和服务的目的。

有时候，很多产品，肉眼或自己去体验一下，就知道有问题，但是相关业务部门就是不改，要数据说话。然后我们就会想方设法去找证据。

比如，我去优化招聘网站各大流程转化率的时候，自己体验了无数次，感觉实在是繁琐，但产品不改，需要证据。还有第二个优化的案例，我没有讲注册流程的转化，事实上那个流程的折损也很高。太复杂。

然后，这时候，你为了寻找证据，就需要找数据，可以借助漏斗图。比如下面这张简历投递漏斗图。

看到没有，4步投递流程，漏水的地方太多了。各流程节点折损比例“高不可攀”。于是我赶紧将分析指导意义附在图下，鉴于业务秘密，就不放出来了。其实一看就明白，只不过是措辞问题，写的婉转点而已。像“很、太”等描述性字眼就慎用，要不产品会生气。

给了产品后，产品依然纠结数据的准确性，然后我又想了一个方法，体验数据方法派上用场了，我想看一看竞争对手的各大流程是什么样的？我决定从用户任务负荷和完成任务用时上来佐证比较。我印象最深的是，那是2014年的夏天，热的人心理特别烦躁，我光着膀子，一个人在那里哼哧哼哧的体验竞品的三大流程，并记录数据，最终结果如下：

三大流程，用户完成任务用时和动作次数明显高于竞争对手，这可不是一个好现象，也侧面印证了上文说的流失率高的原因：招聘平台本就很多，用户为了投递一份简历而费时费力，转移平台的意愿就会很高。

最终，我借助漏斗图工具和体验数据，完成了一份优化证供。提交产品审阅了。

还是那句话，数据不一定精确，但是 一次能让人有所收获的犯错，远好于什么都没干 ，与大家共勉。

Ⅳ 产品运营里优秀数据报表是怎么做出来的

1）确定数据的准确性
这里包含了选择数据维度的合理性、数据统计的准确性。如果数据维度选择不合理、数据统计结果不精确，我们可能是无法得出正确的分析结果的。这是基础。
2）明确影响数据的因素
一个数据，会收到多种因素的影响，这些因素有内部的，有外部的，运营人员应当尽可能多的了解所有层面的影响因素，以利于我们对于数据的解读是在一个相对正确的范围内。
3）重视长期的数据监测
在运营数据分析中，经常会使用环比和同比方式来对比数据。简单的说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比帮我们看短期的数据波动，而同比帮我们了解大环境下的数据波动。
4）保持客观的视角
数据分析的过程中，客观非常重要，不以物喜不以己悲，做了错误的操作，带来了不利的影响要承认，获得了超出意料的成果要心平气和，切忌挑选有利于自身的结论。这是职业道德的问题，也是职业发展中非常常见的问题。

5）注意剔除干扰项
实际的工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然出现了一个点上的强烈波动，这时候我们需要全面的了解个波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难去获得一个正确的结论。
关于数据的内容，我个人其实说不出更多有价值的东西，抱着负责任的态度，写到这里，希望对此感兴趣的同学通过专业渠道去认真学习，并在实操中提高水准。

Ⅳ 如何真正学好数据分析

除了数据分析的道，再来讲讲数据分析的术，即工具和手段，如果你进入了一个企业，希望尽快成长为一个数据分析师，还需要在以下4个方面加强学习，当然仅供参考，不用尽信，西线学院相信每个人都需要形成自己的学习轨迹，不需要照搬它人。
数据学习
业务学习有一个毛病，比如你看案例，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，当然，可能也够了，但我这里要说得是做得最好。
数据分析师应该主动的向IT部门拿到最全的数据字典，对于数据字典进行持续的学习，了解每张表甚至字段的业务含义，理解的越透彻，你的分析潜力就越大。更有甚者，笔者还建议你去理解源系统，从业务实现流程角度出发去理解对应数据的含义，因为有时候，简单的业务描述在数据上的表达却是非常复杂的，业务语言与数据语言很多时候是1对多关系，打个比方，你看到业务系统上某个菜单的功能，对应到系统中的数据是怎样的，你能还原出来吗?
当然，大多数数据分析师可能不需要进行系统数据学习，反正实践中慢慢熟悉好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。
技术学习
有几个层面的东西要学，依赖于实际的场景和你希望达到的阶段：
首先，你要学会从数据库或者其它源头获取数据，很多数据分析师仍然依赖于IT人员获取数据，但大数据时代，真的有必要自己动手了，因为依赖他人效率太低了，起码你要会SQL，SQL甚至基本上是为统计取数而生的方便工具，图形化的透视方式也远远没有SQL的表达能力强，这是基本功，其实， SQL就能解决大多数统计取数问题。
其次，你要会一些数据分析工具，EXCEL是最基本的，其实大多数数据分析基于EXCEL应付已经绰绰有余了，EXCEL的图形表达能力也已经够强。
最后，如果你希望更深一层，那就学习R语言、PYTHON、SPSS，SAS等，他们提供了更强大的挖掘能力，可以帮你把统计学的数据挖掘精髓发挥的淋漓尽致。
当然，如果有可能，你也要熟悉一下你所在企业的数据仓库或大数据平台，懂得一些基本的操作，对于你提升分析的自由度和灵活性也大有好处，比如自己搞个脚本定时跑数据，打造个人的数据集市，现在数据分析的概念也越来越大，很多公司把对于大数据平台的数据处理能力也纳入到数据分析师的技能范畴。
以上层层递推，其实数据分析师每在IT上前进一步，带来的效益是几何级的，比如你懂Hadoop，那么，你就可能离大数据更近一点。
统计理论
终于讲到大家都很关心的统计学知识了，推荐一些书吧：
《深入浅出数据分析》：讲了数据分析到底是干什么的?数据分析都包含什么内容?对新人们还是有一定的作用，难度容易。
《深入浅出统计学》：要了解常用数理统计模型(描述统计指标、聚类、决策树、贝叶斯分类、回归等)，重点放在学习模型的工作原理、输入内容和输出内容，至于具体的数学推导，学不会可暂放一边，难度容易。
《极简统计学》：对统计推断部分的阐述十分清晰，适合非统计背景的人工阅读
《统计学：从数据到结论》：简明精要，统计概念和R可以一起学习
《数据挖掘导论》：最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，笔者也最近买的，很好，很多概念解释的比较清楚，难度中上。
这些都是很实用的书籍，但结合了实践学更好，对于特定的业务场景，就找对应的书看吧，网上推荐的也很多了，大家自己搜索。
表达能力
作为数据分析人员，PPT制作能力是极其重要的一项能力，你总要通过某种形式表达出你的观点，很核心的一点是需要有严密的逻辑，甚至滴水不漏，可以通过思维导图来训练自己，但实际的格式表达却有点八股，一般都是现状分析，原因剖析、分析结论和后续措施啥的，万变不离其宗，当然你需要花一点时间来了解如何做重点突出，如何图文并茂，PPT的写作决非一日之功。

Ⅵ 如何快速而正确的分析问题

《麦肯锡极简工作法》P1—P20

据相关统计数据，目前全球年营业额超过100亿美元的公司中，有高达200多位的现任CEO曾就职于麦肯锡公司，为什么麦肯锡的“毕业生”能够在这么多的领域，取得非凡的成绩呢个？原因在于麦肯锡公司独创的极简工作法，不管走到哪里，她们都能以卓越的工作能力从职场精英中脱颖而出。

首先，我们先来说说快速而正确的分析问题的方法。

分析是针对分析现象的状态与现象，进行追根究底式的归类。如果不能分析出产生问题的正确原因，就不能从根本上解决问题。

第一步，“从零开始”进行思考，就是利用“回到原点”的思路分析问题。

如：想想做这项工作的目的是什么，什么才是真正的问题，这项工作还有没有存在的必要？这样可以删减掉很多不必要做的工作。

第二步，以事实为基础。找出导致问题出现的主观因素，也就是问题的症结，只有“看清事实”，才能“得出结论”。

如：为什么减肥总是失败？是因为自己管不住嘴还是迈不开腿？

第三步，利用逻辑树分析法，将问题分层罗列。这种方法类似于思维导图，把问题运用图表的方式一个个罗列出来，并把产生问题的原因不断进行拆细、分析。等到把子问题分解到足够细时，答案也就变得非常清晰和明了了。

如：为什么我的工作总是完不成？分解为：1.工作任务量大。2. 能力不够，不会做。3. 太拖延……再在这三个原因上进行细分，知道找出问题的答案。

这些分析问题的方法不仅广泛用于工作，也适用于生活和学习上，找出问题的“本质”，是解决困难的前提！

Ⅶ 为什么说分布是统计数据表的极简表示

因为：平均数是一组数据的重心所在，是数据误差相互抵消后的结果。比如对同一事物进行多次测量，所得结果可能不一致，这是测量误差所致，也可能是其他因素的偶然影响。利用平均数作为其代表值，则可以使误差相互抵消，反映出事物必然性的数量特征。

对数据做好质量分析后，接下来就可以通过绘制图表、计算某些特征量等方法对数据进行特征分析。数据特征分析主要包括这些内容：分布分析、对比分析、统计量分析、周期性分析、贡献度分析、相关性分析等。

分布分析，揭示数据的分布特征和分布类型。对于定量数据，可以做出频率分布表、绘制频率分布直方图或者茎叶图;对于定性分类数据，可以使用饼图或者条形图直观地显示分布情况。

统计分布的意义

在统计分组的基础上，把总体的所有单位数按组归并排列，形成各组单位数在总体中的分布，称统计分布。统计分布的实质是，把总体的全部单位按某标志所分的组进行分配所形成的数列，也可称为分配数列或分布数列。

在每次把某个单位分配到某一组时，人们常常说分配了一次，所以，分配数列又叫次数分布。分配数列有两个构成要素：一是总体按某标志所分的组；二是各组对应的单位数——次数。

以上内容参考：网络-统计分布

Ⅷ 《你一定爱读的极简统计学》——统计学离我们并不远

做指标管理、数据分析已经2年了，工作已经慢慢有了套路，但对于数据的应用基本上还处于各单位分析，而我来汇总的初级阶段。对于数据的有效性核查基本也只能靠直觉，靠熟悉程度，经验的经历是一定的，但成长的速度可真的是看不见的慢。为了让自己有提升专业能力，提高对数据的分析应用，本年的自我提升特别加入了专业的学习，而且特别制定了第一阶段90天数据分析能力提升入门计划，简单来说就要增加输入，同时以输出倒逼输入。

90 天数据分析能力提升计划

输入：

专业的书籍——统计、数据分析

系统的培训——数说1-3季

工具的学习——透视表、仪表盘

公众号、微博

输出：

10篇读书笔记

1个改进项目

1项专项分析报告

指标仪表盘初稿

学习数据分析，统计学可谓是必学的知识之一。相对于其他的统计学书籍，各种正态分布、卡方分布、T分布的晦涩概念，《极简统计学》的内容没有那么的学术化，案例也贴合工作、生活，整个篇幅也就200页，并且每章后都有练习题，非常适合统计学初学者自学。下面记录一下自己读书的一些关键点及启示。

一、几个重要的统计概念

1. 统计、概率的区别

统计是对过去事件的概述

概率是对于未来将发生事件的描述

2. 样本——母体

样本就是我们平时可以获取的数据。

母体就是藏在少数样本后的庞大的全部数据。

3. 平均值——就是直方图的平衡支点，主要作用是抵消偶然的数据分散、得出与实际值接近的值

直方图就是数据的分组频次，很直观，但不便于口头的交流，而且需要很大的空间，因此引入平均值。

样本均值——总体均值：观测的数据越多，样本均值接近总体均值的可能性越大。

4. 方差、标准差——主要作用是表明数据的分散和波动，搞清楚数据的分散程度。

引子： 看看下面2组数据

100 200 平均值150

140 160 平均值150

这两组数据仅用平均值衡量，明显不合理。

再来一个书中的例子

所有引入方差、标准差来表明数据的分散和波动，通过标准差就能衡量是否是特殊的数据。以冲浪为例，平均值就是平静的海水平面，而标准差就是浪涌的激烈程度。

样本方差就是各样本偏差平方再取平均值。

二、重要应用：

1. 如何比较股票的优劣呢？——夏普比率

2. 利用正态分布进行预测——所谓95%的置信区间

一般正态分布：平均值为μ，标准差为σ。（标准正态分布平均值为0，标准值为1。）

（1）数据x是平均值为μ，标准差为σ的正态分布时，95%的预测命中区间的不等式为

（2）已知母体为正态分布，标准差σ已知，平均值μ未知，由观察的数据来对μ进行 母体的 区间估计。 （实际情况较难实现标准差σ已知，可能出现的是机器生产已经给定标准差）

3. 利用T分布估算总体均值

T分布称为“自由度n-1的t分布”。这个分布非常近似于正态分布，主要通过计算样本均值和样本方差，来估算总体的均值。t分布是推论统计中最自然、最实用、最常用的方法。

4. 利用卡方分布估算总体方差