数据分析师手记——数据分析72个核心问题精解

《数据分析师手记：数据分析72个核心问题精解》适合想入门数据分析的初学者，也适合有一定基础的从业者。对于想入门或基础较为薄弱的读者，本书从常用的分析指标、分析方法等基本知识出发，为读者梳理出一幅清晰的学习地图；对于有一定基础的从业者，本书对数据的价值及创新模式等进行了探索式思考，帮助读者对数据分析这一工具有更深入的了解。

《数据分析师手记：数据分析72个核心问题精解》从底层认知、思维方法、工具技术、项目落地及展望出发，使用问答的形式对数据分析中的72个核心知识点进行讲解，构建了数据分析的知识框架，带领读者认识数据分析背后的奥妙。读者可以用本书作为学习地图，针对具体的方法、技术进行延伸学习。

第 1 章　底层认知 
1.1 基础认知 
第 1 问：数据分析怎么学？—本书学习指南 / 2
第 2 问：数据分析是怎么来的？—数据分析极简发展史 / 4
第 3 问：什么是数据指标？ / 6
第 4 问：常见的指标有哪些？ / 9
第 5 问：对于数据分析领域，统计学要学到什么程度？ / 10
第 6 问：数据分析领域主要的岗位有哪些？ / 13
1.2　底层逻辑 / 17
第 7 问：如何建立完整有效的数据指标体系？ / 17
第 8 问：数据指标体系如何应用？—数据监控体系 / 21
第 9 问：数据分析的产出价值是什么？ / 24
第 10 问：数据分析的常见陷阱有哪些？ / 26
第 11 问：如何让数据驱动业务？—数据分析流程 / 28

第 2 章　思维方法 / 32 
2.1　数据思维 / 33
第 12 问：什么是数据思维？ / 33
第 13 问：怎么使用数据思维？ / 35
第 14 问：怎么训练数据思维？ / 38
2.2　通用分析方法 / 41
第 15 问：什么是数据异常分析？ / 41
第 16 问：什么是描述性分析？ / 43
第 17 问：什么是对比分析？ / 46
第 18 问：什么是细分分析？ / 48
第 19 问：什么是归因分析？ / 52
第 20 问：什么是预测分析？ / 56
第 21 问：什么是相关性分析？ / 58
第 22 问：什么是二八定律 / 帕累托定律分析？ / 61
2.3　商业分析方法 / 63
第 23 问：什么是 PEST 分析？ / 63
第 24 问：什么是 SWOT 分析？ / 65
第 25 问：什么是逻辑树分析？ / 68
第 26 问：什么是“STP 4P”分析？ / 71
第 27 问：什么是波士顿矩阵分析？ / 73
第 28 问：什么是 5W2H 分析？ / 77
2.4　产品分析方法 / 79
第 29 问：什么是生命周期分析？ / 80
第 30 问：什么是 AB 测试分析？ / 83
第 31 问：什么是竞品分析？ / 88
2.5　用户分析方法 / 90
第 32 问：什么是用户画像分析？ / 90
第 33 问：什么是漏斗分析？ / 96
第 34 问：什么是 RFM 用户分层分析？ / 100
第 35 问：什么是同期群分析？ / 104

第 3 章　工具技术 / 107 
第 36 问：分析工具如何选？—常用场景说明 / 108
3.1　Excel / 109
第 37 问：用 Excel 做数据分析够吗？— Excel 的学习路径 / 109
第 38 问：Excel 中有哪些重要的函数或功能？—Excel 高频常用函数介绍 / 110
第 39 问：如何用 Excel 做数据分析？—Excel 透视表全指南 / 114
3.2　SQL / 127
第 40 问：什么是 SQL ？—SQL 的学习路径 / 127
第 41 问：SQL 基础操作有哪些？ / 129
第 42 问：SQL 有哪些高频函数？ / 130
第 43 问：SQL 的表连接该如何做？ / 130
第 44 问：什么是 SQL 的窗口函数？ / 137
第 45 问：SQL 要学习到什么程度？—SQL 在数据分析中落地 / 147
3.3　Python / 151
第 46 问：什么是 Python ？—Python 的介绍与开始 / 151
第 47 问：Python 基础语法有哪些？ / 152
第 48 问：Python 数据分析工具包 Pandas 是什么？ / 160
第 49 问：Python 数据可视化工具包 Matplotlib 是什么？ / 177
第 50 问：Pandas 如何解决业务问题？—数据分析流程详解 / 183
3.4　PowerBI / 195
第 51 问：什么是商业智能？—商业智能与 PowerBI 入门 / 195
第 52 问：PowerBI 的核心概念有哪些？—一文看懂 PowerBI 运行逻辑 / 198
第 53 问：如何用 PowerBI 做数据分析？—PowerBI 完整数据分析流程案例 / 208

第 4 章　项目落地 / 222 
4.1　落地思维 / 223
第 54 问：数据分析的结果该如何落地？ / 223
第 55 问：数据分析没有思路怎么办？—数据分析中“以终为始”的思考逻辑 / 226
第 56 问：如何从不同层次理解业务？—数据分析中“点线面体”的思考逻辑 / 229
第 57 问：数据分析怎么做才有价值？—数据分析中的目标管理 / 231
4.2　理解业务本质 / 235
第 58 问：常说的业务场景是什么？—从营销角度出发构建“业务场景模型” / 235
第 59 问：零售行业常说的人货场是什么？—从“人货场模型”看落地场景中的数据
分析 / 240
第 60 问：如何深入理解业务？—利用点线面思维构建“业务模型” / 242
第 61 问：如何梳理业务流程？—从“线”的层次思考业务 / 245
第 62 问：如何看懂公司的商业模式？—从“面”的层次思考业务 / 250
第 63 问：从战略层次全局看待业务？—从“体”的层次思考业务 / 254
4.3　互联网产品数据分析实践 / 258
第 64 问：如何分析用户行为数据？—还原实际业务中的落地分析流程 / 258
第 65 问：如何定义问题？—AARRR 模型中获取阶段的落地分析 / 263
第 66 问：如何形成分析思路？—AARRR 模型中促活阶段的落地分析 / 268
第 67 问：如何给落地建议？—AARRR 模型中留存阶段的落地分析 / 274
4.4　报告呈现 / 279
第 68 问：为什么要做数据分析报告？—向上汇报与横向沟通 / 279
第 69 问：如何用数据来讲故事？—报告结构与金字塔原理 / 281
第 70 问：如何制作一个图表？—数据可视化的逻辑 / 284
4.5　项目复现实战 / 287
第 71 问：游戏行业，如何分析活动？ / 287

第 5 章　展望 / 298 
第 72 问：数据分析师的前景及如何成长？ / 299

为什么要学习数据分析 
以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。在那个时代，业务运营主要依 靠经验和直觉驱动。例如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家只需 基于经验选品即可大卖。
但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入存量期，仅靠 经验驱动的增长模式不再有效。还是拿跨境电商举例：由于卖家剧增，海外市场饱和， 跨境电商进入存量运营时代，已经不存在的蓝海市场，每个细分领域都有许多竞争对手。
此时，要求商家从粗放运营转为精细化运营，由经验驱动转为数据驱动，而这个转变中重要的一点就是数据，也就是用数据分析报告决定市场是否值得投入，用数据选 品，用数据做经营分析，用数据管理库存。
从这个角度来看，数据分析已然成为了大数据时代各个岗位的通用能力。因此，为 了保持竞争力，任何人都有必要用数据分析能力武装自己：利用数据思维分析问题，依 靠数据支撑决策。
如何开始 — 数据分析师胜任力模型 
由于“数据分析”是一门综合学科，相关的知识点繁杂不一，许多初学者会有一种 不知如何开始的迷茫感。
大家都知道《西游记》中孙悟空会 72 般变化，《列仙传》中给出的神仙也是 72 位， 传说中黄帝战蚩尤也是经过了 72 战才胜利。可见人们对“72”这个数字的认知和接受 程度较深。
因此，有多年数据分析工作经验的笔者团队汇总并撰写了 72 个数据分析核心问题， 沉淀出了完整的数据分析能力知识体系，帮助读者全面认识“数据分析”。
下图是数据分析师胜任力模型，包括底层认知、业务场景、能力三板斧三个部分： 首先，底层认知是对数据的基本认知，强调数据思维的应用。 其次，业务场景指的是“只有对业务有足够的理解，才能开展分析工作”，而这里
包括了用户、产品、场景三个方面。 后，才是硬实力对应的能力三板斧，包括工具技术、项目能力、思维方法。
底层认知、业务场景、能力三板斧共同铸造了完整的数据分析能力，相辅相成，而 本书则是围绕着它们展开介绍。
本书内容介绍 
1. 底层认知
本书第 1 章主要讲解数据分析中的底层认知。 在建立数据分析思维之前，应该先在底层认知达成共识。什么是认知？是对事物底层逻辑的了解，是对世界万物的判断。认知的本质就是做决定，也就是说，为了帮助判 断数据分析中每个决策的有效性（选择什么指标、分析方法？接下来做什么？等等）， 需要先建立底层认知。
本书第 1 章通过 11 个问题对数据分析的底层认知进行详细的讨论。这一步，我们 需要对数据分析的概念进行讨论：数据分析是什么？数据分析的价值点在哪里？
（1）数据分析是什么？
大家在求职过程中会发现，同样是数据分析师岗位，但是面试的内容千差万别，有 考查机器学习、统计学等专业能力的，也有考查市场 / 行业分析的，还有考查产品分析 的。此时就有读者问，这些真的是数据分析该做的吗？
我们从字面上拆解，数据分析 = 数据 分析，进一步拆解： 数据能力 = 统计学 机器学习 建模能力 工具使用 …… 分析能力 = 经营分析 用户分析 产品分析 ……
这就是认知上的偏差：当一些读者认为数据分析就是用 Excel 做表、用 Python 写脚 本、用机器学习建模时，其实求职市场对数据分析师的要求更为完整。
既然说数据分析 = 数据 分析，那分析的本质是什么？当我们在谈论“分析”时， 一般会谈论以下几点：
●发生了什么—追溯过去，了解真相。 
●为什么发生—洞察事物发生的本质，寻找根源。 
●未来可能发生什么—掌握事物发展的规律，预测未来。 
●我们该怎么做—基于已经知道的“发生了什么” “为什么会发生”“未来可能发生什么”的分析，确定可以采取的措施。
分析的本质，即面临各种问题时，能通过数据找到问题，准确地定位问题，准确地
找到问题产生的原因，为下一步的改进找到机会点，也就是所谓的“数据驱动”。
在数据分析相关岗位求职的过程中，读者会发现有许多不同的职位名称，这些职位
有什么区别联系？详细内容可参阅 “第6问：数据分析领域主要的岗位有哪些？”
回过头来看，数据分析到底是什么？笔者团队认为，数据分析是一个利用数据能力
做分析的过程：发现问题，分析原因，然后给出落地建议。这还是一个“解构”的过程：
从整体到局部，从一般到特殊，从面到线到点，不断下钻剖析，找到具体可落地的点。
同时，也是从业务到数据，再回到业务的过程：起点是业务需求，需要专业分析师转换为数据问题，终的分析结论需要回到业务场景中落地。
在这个过程中，数据分析师需要借助指标，甚至是多指标编制的指标体系进行业务洞察。本书第3、4问将围绕指标展开论述。
（2）数据分析的价值点在哪里？
社群中，经常会看到关于数据分析师价值的讨论：数据分析师天花板很低。还有一些劝退数据分析的文章。这些脱离场景、只讲问题不讲解决方案的内容除了徒增焦虑外，别无用处。
为了更好地了解数据分析的定位，有必要对其起源进行讨论，只有了解为什么市场会产生数据分析师岗位的需求，才能清楚这个岗位在业务运营中的作用定位。（详细内容可参阅“第2问：数据分析是怎么来的？”）
在业务运营中，定位是重要的起点，理解数据分析价值在企业如何落地，能帮助读者解疑答惑。（详细内容可参阅“第9问：数据分析的产出价值是什么？”）
2.业务场景
前面，我们讨论过数据分析是一个从业务需求出发再回归业务的过程。从这个角度做定义的目的是强调业务场景的重要性：脱离业务场景的分析往往无法落地。
根据业务经验，笔者团队总结了一套便于理解的模型：业务场景 = 用户 产品 场景。
也就是说，要理解业务，就要了解用户，熟悉产品，明确分析所处的场景。它们决定了分析的目标、处理逻辑以及落地建议。
此部分在第60~63问有更详细的介绍。
3.能力三板斧
对数据分析有了底层认知、了解业务场景后，就需要有看得见、摸得着的“招式”来行动：通过思维方法、工具技术和项目能力这三板斧组成不同的招式以应对多变的问题。
经常看到有人说数据分析如做饭，如果是这样的话，工具技术就是铲子、铁锅、勺子等器皿，思维方法就是切配、烹饪、打荷等手法，项目能力则是后的装盘上菜。
（1）思维方法。
本书第2章主要讲解数据分析中的思维方法。
很多人学做饭，可能是因为在抖音或B站看到某个美食视频，然后就开始按照视频展示的步骤备料烹饪。这个过程，也就是数据分析中学习思维方法的过程。数据分析要先有思维方法，才能谈得上分析。
刚开始学做饭时，通常先学基础的煎、炒、炸、烤、煮、蒸、焖、拌等烹饪方式。
这些基础的能力在数据分析中就是统计学、相关分析、归因分析等通用分析思维。
正如美食有八大菜系，分别满足不同地域人群的口味，数据分析在不同场景下，也有不同的“分析招式”来满足不同的业务需求：
●用户分析：同期群分析、漏斗分析、RFM用户分层模型等； 
●产品分析：竞品分析、帕累托分析等； 
●商业分析： PEST分析、SWOT分析等； 
●……
（2）工具技术。
本书第3章主要讲解数据分析中的工具技术。
习得了做饭的方法后，就可以选择几件趁手的器皿，来提高烹饪效率。之所以不是先选择器皿再研究做饭流程，是因为工具始终是工具，完成同一个目标或许有多种工具可以实现，再不济用原始的土灶也能烧饭。对于部分复杂的烹饪需求，则需要选择特定
的器皿才能完成。
对于初学者而言，建议学习“高性价比”的分析工具，如Excel、SQL、Python、PowerBI等。
（3）项目能力。
本书第4章主要讲解数据分析中的项目落地。 
菜做好后一定要及时出锅、装盘、上菜，项目能力强调的是数据分析项目在业务侧的落地。理论的分析方法如何在业务场景中落地赋能，如何体现数据价值，这是很多企业数据团队在讨论的课题。
首先，理解并刻意练习落地思维对数据分析价值的体现大有裨益（第54~57问）。
其次，学习实际场景中数据分析如何落地驱动业务的案例，能为实操提供参考（第64~67问）。
数据分析项目价值落地的“后一公里”是报告呈现，学会用数据讲故事，横向跨部门沟通、向上汇报都依赖结构化思维，“报告呈现”（第68~70问）会有详细的讨论。
小结
本书定位于数据分析的知识框架，更多是横向地补充知识范围，故因篇幅所限，单个知识的纵向深度无法穷尽，但本书已经针对各知识点的核心及高频问题进行回答。在阅读的过程中，倘若对某个知识点有深入学习、探索实践应用的进一步需求，读者可以通过知乎等平台补充学习，在本书的基础上，针对核心方法论，对技术工具做延伸的阅读学习。
此外，笔者团队准备了一份与本书搭配使用的小册子，请扫码获取。本书勘误、知识加餐等内容也会放在小册子中。
可以关注笔者团队的微信公众号：木木自由、数据分析星球、饼干哥哥数据分析，这三个公众号专注于数据分析思维、方法、工具、项目能力及案例的分享。
作者