Ⅰ 数据流程分析的包括的内容
数据来源：数据分析的对象是数据，数据从哪来?数据本身的准确性从根本上影响着分析结果的有效性，所以确保有效、靠谱的数据来源至关重要。本人认为数据来源无非以下三种：
a.自有数据分析系统——公司自有的数据是最源质化的数据，也是最可靠、最全面的。一般而言，有条件的情况下都是以内部数据为准;当然，创业型的微型公司大多都直接数据库导出数据，还是要依赖产品经理二次加工的。
b.定量/定性调研——没有全面的数据咋办?或者说想要分析的数据无法统计?那么，拿起电话、走上街头、发放问卷都不失为一种可行的办法。定量数据排斥主管因素，定性数据吸纳主管因素。事实上，定性数据存在诸多不确定性，但也存在一个其他数据指标不具备的优势——那是与真实用户交流所得，有血有肉。
c.专业调研机构——知名调研机构，比如：艾瑞咨询、网络统计、易观智库、199IT-互联网数据中心。一般而言，权威结构统计调研的数据还是具有极强的参考性的，但也不能完全免于主观因素。
数据分析：单纯的数据并不能为给我们带来太多结论性的东西，还是要借助一定的方法和手段将数据变得更加生动和有意义。
a.集成开发数据分析系统——将所需的数据指标以技术手段直接设计成产品功能，可以定期定量地直接生成导出BI报表。
b.手动数据加工——面对元数据而不是现成的结论性数据，产品经理只能亲自操刀借助EXCEL各种函数。面对海量数据，心态很重要!
c.委托分析机构——有钱、任性、够叼，请人分析。如果事事都依靠别人，那么产品经理就瞬间失去价值了...
分析方法：有效的数据分析方法能够深度挖掘数据的价值，精益数据分析中大致介绍以下三种分析方法。
a.市场细分(Segmentation)——市场细分就是一群拥有某种共同特征的划为一个样本，市场细分不尽可以应用于互联网产品，对任何行业、任何形式的产品都具有积极的参考意义。
b.同期群分析(Coghort Analysis)——比较相似群体随时间的变化，同期群分析给我们提供了一个全新的视角。能够观察处于生命周期不同阶段用户的行为模式，而非忽略用户的行为的过程性。
c.多变量测试(Multivariate Testing)——同时对多个因素进行分析，用统计学的方法剥离出单个影响要与结果中的某一项指标提升的关联性。同时改动产品的多个方面，看哪个与结果的相关性最大。
Ⅱ 一次完整的数据分析流程包括哪些环节
一次完整的数据分析流程主要分为六个环节，包括明确分析目的、数据获取、数据处理、数据分析、数据可视化、提出建议推动落地
做任何事情都有其对应的目的，数据分析也是如此。每一次分析前，都必须要先明确做这次分析的目的是什么，只有先明确了目的，后面的分析才能围绕其展开。常见的数据分析目标包括以下三种类型：
波动解释型：某天的销售额突然下降了，某天的新用户留存突然降低了，这时候往往需要分析师去解释波动的原因，分析较为聚焦，主要是找到波动的原因。
数据复盘型：类似于月报、季报，在互联网领域常见于app某某功能上线了一段时间后，数据分析师往往需要复盘一下这个功能的表现情况，看看有没有什么问题。
专题探索型：对某个主题发起的专项探索，比如新用户流失、营收分析等等
在明确的分析目标后，就可以根据目标去获取所需要的数据，数据获取主要可以分为外部数据和内部数据两类：可以外部数据和内部数据两类：
外部数据
想要获取外部数据，一是可以从公开的数据网站上查询，比如对于战略分析师，在研究进入某个地区或某个国家的策略时，往往就需要获取对应地区、国家的数据
第二种获取外部数据的方法就是爬虫，这陆盯种方法会更加灵活，不过现在做爬虫会有一定的法律风险。
内部数据
内部数据是企业自身内部的数据，对于互联网行业，用户行为的数据是通过埋点的形式上报获取，最终储存在hive表中，作为数据分析师，需要用sql去把数据提取出来。
数据处理阶段主要的目的是解决数据质量的问题，在数据采集环节中，内部的数据往往质量较好，但是外部数据，比如爬虫获取的数据，数据往往会比较杂乱，俗称“脏数据”，需要进行数据清洗，包括补全缺失值、删去异常值、重复值、进行数据转换等等
1 、异常值处理
什么是异早此和常值？下面就是一个很明显的异常值的例子，这种异常值在我们进行分析时候，比如回归分析，这种值往往都要删掉，不然会对结果产生很大的影响。但是并不是所有情况异常值都要删掉，不同领域对异常值的处理方法不同，比如在风控领域，反而要重点关注异常值，因为大部分用户都是正常的，异常值可能就是作弊用户。
2、补全缺失值
有缺失值怎么办，补上。常见的补缺失值的办法包括：
1. 通过其他信息填补，比如通过身份证补充生日、籍贯等
2. 将样本进行分类，然后以该类中样本的均值、中位数补全
数据处理好了之后，就可以开始分析，根据你的分析目标，要选择合适的分析方法。常见的分析方法包括：
描述性分析
推断性分析
探索性分析
通过数据分析得出结论后，还需要用图表展示出来，俗话说得好，“文不如表，表不如图"，用图表可以更清晰展现你的结论。
基于你的分析目标得出结论后，数据分析师还应根据你的结论提出相对应的改进建议，并推动建议落地，这样才能完成一个完整的数据分析闭环。比如你发现新用户流失高的原因是因为某个新用户引导的节点有问题，那么可以提出对应的建议，比如产品应该如何改进这个节点。
在你的策略实施后，发现新用户的流失率显着下降，这样就完成了一次完扒槐整的数据分析，通过分析改进了业务。