【行业科普】烂大街的数据分析，入门讲解一篇搞定

导语： 数据分析能力越来越成为我们每个职场人的底层能力和要求，但日常工作中还是经常遇到数据不会分析的情况，本文将深入浅出教你如何快速入门，实现数据分析自由 ！

一

明确目的，将目的与数据指标关联

数据分析之前，我们要非常明确地知道自己想要达成的效果：提高成单率、实现转化、希望通过数据发现业务存在的问题……

继而将目的与数据指标相关联，一般存在两种情况：一种是目标明确，数据指标很清晰。例如，销售或产品会直接会告诉我们目标是什么，提升留存率、提升转化率、提高点击率等。面对如此明确的分析目的，直接进行目标拆解就可以。而另一种则会有数据指标比较模糊的情况，例如提升用户体验，找到业务中存在的问题等，此时目标量化成为一大问题。

如何量化模糊目标，小编分享一点点经验，希望大家能用上哟~

以一款APP产品提升用户体验为例， 首先我们要想用户体验涉及哪些指标？我们需要从用户体验本身进行拆解，包括用户的感官感受（视觉、触觉、听觉等）和用户行为（点击、查找、收藏等）相关。

用户的感官感受中视觉就包括产品的色彩、文字/图片/视频的大小和呈现效果等，这部分数据可以通过调研问卷或用户反馈后台等渠道获取数据。

用户行为则涉及到功能或页面的点击情况、跳出情况、留存转化情况等。

以上是将模糊指标进行拆解的一种简单方法，如果大家有更好的方式，欢迎留言分享哟~

图：Data Analytics 产品示例

二

正式进入数据分析阶段

常见的数据分析涉及三个阶段： 数据采集、数据清洗和处理、数据分析、数据赋能

2 .1 数据采集

数据采集指的是分析师从业务系统、手工报表、网络爬虫、SDK监测等手段，采集数据的过程。企业内部数据分析师在做数据分析的时候，经常会从企业内容的CRM、ERP等等业务系统导数据，而数据源往往比较大，且分布比较散。

DataHunter 提供企业级数据中台产品 Data Formula ，帮助分析师汇聚分析数据源，打通数据间壁垒，同时满足大数据量的汇聚和下一步的数据处理。

2 .2 数据清洗

数据清洗是指将数据中的脏数据，例如：空值、异常值等使用ETL工具清洗或者让数据开发工程师协助处理，如果数据量少的也可使用Excel处理。

DataHunter 提供企业级数据中台产品 Data Formula ，帮助企业内部数据分析处理人员可自主进行数据的流程化清洗、加工。

Data Formula 提供零代码数据处理能力，将数据处理变成界面化、可视化操作，帮助分析师进行数据底层加工。

当然工具是工具，具体数据的处理方式有很多。其中空值比较好处理，如果空值较多，一般选择直接放弃指标，而空值较少的情况，则会通过删除该条数据、用平均值、回归等方法填充来解决。异常值处理，常见的异常值会出现数字超过某个标准值，或数据大于±3个标准差的情况。鉴别异常值可以通过箱线图或散点图的方式来解决。

经常会用到的数据处理的公式列举一些，供大家选用~

2 .3 数据分析

数据清洗完成后，就要根据开始的目的对数据进行分析。简而言之，就是将数据做对比、看趋势，既看整体也看平均，既看转化也看活跃。

但也有一些专业的数据分析的方法帮助大家继续学习，拿走不谢~

DataHunter 自主研发的业务驱动型BI产品 Data Analytics ，可以帮忙我们分析师快速进行数据分析和可视化。

2 .4 数据赋能

得到数据分析的结果并不是最后的阶段，根据结果有效直观地表述想要呈现的信息、观点和建议才是最终目的。

我们面前的是一堆数字，一堆图表，我们任务不是告诉大家这个数字是多少，而是数字代表什么。

第一件要做的事是，将自己每种假设的相关数字聚集起来，考察它们是否可以串成链条，如果可以，很好，假设成立。如果不可以，研究一下，假设的漏洞在哪里，也许会发现一个新的结论。

第二件事是，将用户视角下的诸如行为路径、态度轨迹、需求满足过程等链条相关的数字串联起来，看看是否能完整描绘出“人”的形象。如果可以，很好，又一个结论浮现了，如果不可以，检查一下矛盾或缺漏点在哪里，也许会发现用户分类方法不对，另外一个细分维度可能更有效。

举个简单的例子，你有用户对皮肤的元素、颜色、风格、主题的偏好，串联起来，加上一个合适的细分维度对比分析，会发现年龄不同的用户，社会沉浸经历不同，总体风格偏好也存在差异。再类推延伸一下，会发现社会沉浸经历可能会投射在更多其他领域的偏好上。

三

数据 分析应该与业务相结合

数据结果有的时候会与实际业务有出入的情况，真实情况往往是数据指标不全面或数据清洗不准确造成的。数据分析完成后，结合业务内容重新审视或相互佐证也是必备的过程。具体问题具体分析，及时与企业各部门沟通，共享数据分析的成果，体现数据分析的真正价值。

结语

好啦，希望以上的内容对大家有帮助哟~