數(shù)據(jù)分析之道：用數(shù)據(jù)思維指導(dǎo)業(yè)務(wù)實(shí)戰(zhàn)

目 錄
第1 篇 數(shù)據(jù)思維
第1 章 數(shù)據(jù)思維是什么 1
1.1 從數(shù)據(jù)治理流程淺談數(shù)據(jù)思維 1
1.1.1 什么是數(shù)據(jù)治理 2
1.1.2 數(shù)據(jù)治理流程介紹 2
1.1.3 從數(shù)據(jù)治理流程談數(shù)據(jù)部門崗位職責(zé) . 3
1.1.4 數(shù)據(jù)分析師在數(shù)據(jù)治理流程中所需要的數(shù)據(jù)思維 . 4
1.2 數(shù)據(jù)思維到底是什么 5
1.2.1 應(yīng)用數(shù)據(jù)思維的工作 5
1.2.2 數(shù)據(jù)思維是可以培養(yǎng)的 .. 6
1.3 數(shù)據(jù)思維最直觀的解釋 6
1.3.1 構(gòu)建有效的監(jiān)控體系和客觀的評價(jià)標(biāo)準(zhǔn) . 7
1.3.2 用合理的分析方法探究原因以及評價(jià)效果 . 7
1.3.3 綜合運(yùn)用統(tǒng)計(jì)學(xué)知識對活動效果進(jìn)行預(yù)估 . 8
第2 章 為什么數(shù)據(jù)思維如此重要 . 9
2.1 數(shù)據(jù)思維是數(shù)據(jù)分析師必備的技能 9
2.1.1 數(shù)據(jù)分析師必備的硬技能 9
2.1.2 數(shù)據(jù)分析師必備的軟技能 10
2.1.3 為什么軟技能比硬技能重要 10
2.2 數(shù)據(jù)思維是數(shù)據(jù)分析師成長晉升的必備技能 11
2.3 數(shù)據(jù)思維能幫助數(shù)據(jù)分析師建立影響力 11
第3 章 數(shù)據(jù)思維如何培養(yǎng) 14
3.1 熟悉常用的數(shù)據(jù)分析方法 14
3.1.1 三大分析思維 14
3.1.2 不同生命周期的分析方法 15
3.2 樹立目標(biāo)意識，尋找潛在分析點(diǎn) 16
3.2.1 為什么需要樹立目標(biāo)意識 17
3.2.2 通過多問“為什么”，樹立目標(biāo)意識 . 18
3.3 不預(yù)設(shè)立場，通過客觀的標(biāo)準(zhǔn)代替主觀的判斷 19
3.3.1 不預(yù)設(shè)立場才能做到客觀 19
3.3.2 預(yù)設(shè)立場與假設(shè)檢驗(yàn)的區(qū)別 20
3.4 基于數(shù)據(jù)分析結(jié)果為業(yè)務(wù)方提出切實(shí)可行的解決方案 21
3.4.1 數(shù)據(jù)分析師提出合理建議需要經(jīng)歷的三個階段 21
3.4.2 數(shù)據(jù)分析師需要避免的幾種提建議的方式 23
第2 篇 數(shù)據(jù)指標(biāo)體系
第4 章 數(shù)據(jù)埋點(diǎn) . 27
4.1 數(shù)據(jù)埋點(diǎn)簡介 27
4.1.1 從數(shù)據(jù)產(chǎn)生流程淺談數(shù)據(jù)埋點(diǎn) 28
4.1.2 為什么需要進(jìn)行數(shù)據(jù)埋點(diǎn) 29
4.1.3 數(shù)據(jù)埋點(diǎn)能夠采集哪些用戶數(shù)據(jù) 29
4.1.4 數(shù)據(jù)埋點(diǎn)與隱私保護(hù) 30
4.2 數(shù)據(jù)埋點(diǎn)分類及主流的數(shù)據(jù)上報(bào)技術(shù) 30
4.2.1 數(shù)據(jù)埋點(diǎn)的分類及方式 30
4.2.2 主流的數(shù)據(jù)上報(bào)技術(shù) 31
4.3 數(shù)據(jù)埋點(diǎn)方案設(shè)計(jì) 32
4.3.1 數(shù)據(jù)埋點(diǎn)流程 33
4.3.2 通過六個步驟實(shí)現(xiàn)數(shù)據(jù)埋點(diǎn)設(shè)計(jì) 34
4.3.3 以電商成交為例實(shí)現(xiàn)數(shù)據(jù)埋點(diǎn)設(shè)計(jì) 35
第5 章 數(shù)據(jù)標(biāo)簽體系 . 38
5.1 數(shù)據(jù)標(biāo)簽體系與用戶畫像 38
5.1.1 什么是數(shù)據(jù)標(biāo)簽體系 38
5.1.2 數(shù)據(jù)標(biāo)簽體系的作用 39
5.1.3 數(shù)據(jù)標(biāo)簽的分類 39
5.1.4 用戶數(shù)據(jù)標(biāo)簽的層級分類 40
5.1.5 數(shù)據(jù)標(biāo)簽體系與用戶畫像的關(guān)系 41
5.2 如何構(gòu)建數(shù)據(jù)標(biāo)簽體系 42
5.2.1 數(shù)據(jù)標(biāo)簽體系構(gòu)建的流程 42
5.2.2 數(shù)據(jù)分析師在標(biāo)簽體系構(gòu)建過程中承擔(dān)的角色 43
5.2.3 以某App 付費(fèi)用戶的數(shù)據(jù)標(biāo)簽體系的構(gòu)建為例，淺析數(shù)據(jù)標(biāo)簽體系構(gòu)
建過程 44
5.3 數(shù)據(jù)標(biāo)簽體系的應(yīng)用場景 47
5.3.1 數(shù)據(jù)標(biāo)簽體系輔助運(yùn)營人員進(jìn)行決策分析 . 48
5.3.2 數(shù)據(jù)標(biāo)簽體系可提升數(shù)據(jù)分析師的分析效率 . 48
第6 章 數(shù)據(jù)指標(biāo)體系 49
6.1 從中國人口數(shù)據(jù)初識指標(biāo)體系構(gòu)建 49
6.1.1 什么是指標(biāo)體系 49
6.1.2 為什么需要指標(biāo)體系 50
6.1.3 指標(biāo)體系的評價(jià)標(biāo)準(zhǔn)及注意事項(xiàng). 53
6.2 用四個模型梳理數(shù)據(jù)指標(biāo)體系構(gòu)建的方法論 53
6.2.1 構(gòu)建數(shù)據(jù)指標(biāo)體系的方法 54
6.2.2 用三個步驟、四個模型梳理數(shù)據(jù)指標(biāo)體系的方法 . 54
6.2.3 以GMV 為例搭建數(shù)據(jù)指標(biāo)體系 . 57
6.3 如何搭建一套通用的指標(biāo)體系并快速落地應(yīng)用 60
6.3.1 多部門配合搭建數(shù)據(jù)指標(biāo)體系的流程 . 60
6.3.2 搭建通用的指標(biāo)體系 61
6.4 定位異動因素 65
6.4.1 數(shù)據(jù)波動多少才能稱為數(shù)據(jù)異動. 65
6.4.2 數(shù)據(jù)波動分析的方法論 65
6.4.3 從數(shù)據(jù)埋點(diǎn)到指標(biāo)體系再到指標(biāo)異動的閉環(huán) . 70
第3 篇 數(shù)據(jù)分析方法論
第7 章 對比思維 . 71
7.1 利用對比分析得出結(jié)論 71
7.1.1 對比分析的作用 71
7.1.2 確定對比的對象 72
7.1.3 如何對比 72
7.1.4 對比分析的可比性原則 77
7.2 A/B 試驗(yàn)設(shè)計(jì)及容易忽略的誤區(qū) . 78
7.2.1 什么是A/B 試驗(yàn) . 78
7.2.2 A/B 試驗(yàn)?zāi)芙鉀Q什么問題 . 78
7.2.3 A/B 試驗(yàn)的流程 . 79
7.2.4 A/B 試驗(yàn)常見的誤區(qū) 82
7.3 A/B 試驗(yàn)背后涉及的統(tǒng)計(jì)學(xué)原理 . 87
7.3.1 什么是抽樣 87
7.3.2 樣本為什么可以代表總體 88
7.3.3 通過假設(shè)檢驗(yàn)判斷A、B 兩組樣本是否存在差異 . 90
7.3.4 如何通過樣本估計(jì)總體 91
7.3.5 如何確定足夠的樣本量，以達(dá)到所希望的邊際誤差 92
7.3.6 如何衡量試驗(yàn)效果 94
7.3.7 多重比較中P 值修正的三方法 96
7.4 Python 實(shí)戰(zhàn)：A/B 試驗(yàn)在廣告方案選擇中的應(yīng)用 96
7.4.1 試驗(yàn)背景 96
7.4.2 數(shù)據(jù)基本情況探索 97
7.4.3 A/B 試驗(yàn)結(jié)果分析 98
第8 章 分群思維 . 102
8.1 從用戶生命周期淺談分群思維 102
8.1.1 什么是分群思維 102
8.1.2 為什么需要用戶分群 104
8.1.3 用戶分群方法論 106
8.2 用數(shù)據(jù)分箱進(jìn)行結(jié)構(gòu)化分析 107
8.2.1 結(jié)構(gòu)化分析是什么 107
8.2.2 如何更加高效地做結(jié)構(gòu)化分析 109
8.3 同期群分析解讀用戶生命周期，剖析真實(shí)用戶行為和價(jià)值 110
8.3.1 同期群分析是什么 111
8.3.2 做同期群分析的意義 112
8.3.3 數(shù)據(jù)分析師如何快速地做同期群分析 113
8.4 Python 實(shí)戰(zhàn)：基于RFM 模型及K-Means 算法實(shí)現(xiàn)用戶分群 . 115
8.4.1 RFM 模型與K-Means 算法介紹 116
8.4.2 RFM 模型實(shí)現(xiàn)用戶分群 . 118
8.4.3 K-Means 算法實(shí)現(xiàn)用戶分群 123
第9 章 相關(guān)與因果 . 133
9.1 相關(guān)性分析簡介 133
9.1.1 相關(guān)性分析與相關(guān)系數(shù) 133
9.1.2 常用的三種相關(guān)系數(shù) 134
9.1.3 相關(guān)系數(shù)實(shí)戰(zhàn) 136
9.2 因果推斷方法論 138
9.2.1 相關(guān)性不等于因果性的示例 139
9.2.2 從辛普森悖論談因果推斷 139
9.2.3 因果推斷的三個層級 141
9.2.4 因果推斷的方法 141
9.2.5 因果推斷常用的框架 144
9.3 Python 實(shí)戰(zhàn)：利用DoWhy 框架實(shí)現(xiàn)因果推斷 . 144
9.3.1 DoWhy 因果推斷框架簡介 . 145
9.3.2 數(shù)據(jù)來源及預(yù)處理 145
9.3.3 數(shù)據(jù)相關(guān)性探索 148
9.3.4 因果推斷實(shí)現(xiàn) 149
第4 篇 數(shù)據(jù)分析案例實(shí)戰(zhàn)
第10 章 用戶流失分析 159
10.1 用戶流失分析方法論 159
10.1.1 用戶流失分析總體方法論 160
10.1.2 定義流失用戶的方法 161
10.1.3 分析用戶流失的原因 164
10.1.4 生成流失用戶標(biāo)簽 164
10.1.5 預(yù)測潛在流失用戶 165
10.1.6 分層運(yùn)營及用戶召回 165
10.2 案例分析：用5W2H 方法分析游戲用戶流失原因 165
10.2.1 情景介紹 165
10.2.2 5W2H 方法介紹 . 166
10.2.3 以游戲用戶流失為例，詳解5W2H 方法 167
10.3 用5 個理論模型構(gòu)建外部因素分析框架 170
10.3.1 通過SWOT 模型全面認(rèn)識產(chǎn)品 . 171
10.3.2 PEST 模型分析外部宏觀環(huán)境的四個視角 171
10.3.3 用波特五力模型分析競品的五個維度 . 172
10.3.4 用4P 理論指導(dǎo)競品分析 173
10.3.5 用戶體驗(yàn)五要素模型優(yōu)化產(chǎn)品功能，減少用戶流失 . 174
10.3.6 幾個模型之間的關(guān)聯(lián) 175
10.4 如何設(shè)計(jì)問卷驗(yàn)證用戶流失的原因 176
10.4.1 問卷可以做什么 176
10.4.2 如何設(shè)計(jì)問卷 176
10.4.3 問卷的投放 180
10.4.4 數(shù)據(jù)分析及報(bào)告撰寫 181
10.4.5 通過問卷獲取信息可能存在的問題 181
10.5 Python 實(shí)戰(zhàn)：通過生存分析預(yù)測用戶流失周期 182
10.5.1 生存分析 182
10.5.2 數(shù)據(jù)基本情況探索 184
10.5.3 探索變量之間的相關(guān)性 188
10.5.4 用KM 模型分析用戶留存率 189
10.5.5 Cox 風(fēng)險(xiǎn)比例模型 190
第11 章 用戶轉(zhuǎn)化與付費(fèi)分析 197
11.1 用戶轉(zhuǎn)化與付費(fèi)分析概述 197
11.1.1 從用戶轉(zhuǎn)化談數(shù)據(jù)分析師的職責(zé) 197
11.1.2 用戶轉(zhuǎn)化與付費(fèi)常用的分析方法介紹 198
11.2 貝葉斯公式在用戶轉(zhuǎn)化中的應(yīng)用 198
11.2.1 貝葉斯公式簡介 199
11.2.2 用貝葉斯公式預(yù)估特定群體的轉(zhuǎn)化率 199
11.3 案例分析：用漏斗模型分析某電商平臺換貨業(yè)務(wù)，提升用戶轉(zhuǎn)化率 201
11.3.1 什么是漏斗分析 201
11.3.2 漏斗分析的核心步驟 202
11.3.3 以某電商平臺逆向上門取件換貨業(yè)務(wù)為例，詳解漏斗分析法. 203
11.4 用營銷增益模型實(shí)現(xiàn)用戶分群，輔助運(yùn)營人員識別營銷敏感人群 208
11.4.1 什么是營銷增益模型 208
11.4.2 為什么需要營銷增益模型 209
11.4.3 營銷增益模型的建模方法 210
11.4.4 營銷增益模型的評價(jià)指標(biāo) 211
11.5 Python 實(shí)戰(zhàn)：利用營銷增益模型識別營銷敏感人群 212
11.5.1 數(shù)據(jù)初步探索 212
11.5.2 數(shù)據(jù)預(yù)處理及數(shù)據(jù)可視化 214
11.5.3 構(gòu)建營銷增益模型 216
附錄A 縮略詞及中英文對照 . 219
參考文獻(xiàn) . 221