新知一下
海量新知
6 2 9 8 6 7 4

【行业科普】烂大街的数据分析,入门讲解一篇搞定

DataHunter | 数据分析和商业智能服务提供商 2022/03/21 13:37

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

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~

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

图:Data Analytics 产品示例

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

经常会用到的数据处理的公式列举一些,供大家选用~

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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~

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

新知达人, 【行业科普】烂大街的数据分析,入门讲解一篇搞定

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。

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~

更多“数据分析”相关内容

更多“数据分析”相关内容

新知精选

更多新知精选