DataAnalyseLogic
1. 战略思维
数据本质的价值，究竟在哪里？从这些数据中，你和你的团队都可以学习到什么？
.1. 目标
- 商业数据分析的目标是利用大数据为所有职场人员做出迅捷、高质、高效的决策，提供可规模化的解决方案。
- 实验现象数据分析
.2. 阶段
- 基于数据本身提供的“发生了什么”
- 数据为什么会发生，有什么潜在特征与联系
- 根据以往特征进行预测
- 当数据分析的产出可以直接转化为决策，或直接利用数据做出决策，那么这才能直接体现出数据分析的价值。
.3. EOI框架
以谷歌为例，谷歌的核心任务是搜索、SEM、广告，这是已经被证明的商业模型，并已经持续从中获得很多利润。谷歌的战略性任务（在2010年左右）是安卓平台，为了避免苹果或其他厂商占领，所以要花时间、花精力去做，但商业模式未必成型。风险任务对于创新来说是十分重要的，比如谷歌眼镜、自动驾驶汽车等等。
对核心任务来讲，数据分析是助力（E），帮助公司更好的盈利，提高盈利效率； 对战略任务来说是优化（O），如何能够辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I），努力验证创新项目的重要性 。
了解公司的一个角度
2. 数据分析思路
.1. 基本步骤
- 要先
挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果是什么。想要优化什么，如何用数据进行量化 - 需要
制定分析计划，如何对场景拆分，如何推断。 - 从分析计划中
拆分出需要的数据，真正落地分析本身。 - 从数据结果中，判断提炼出商务洞察。
- 根据数据结果洞察，最终产出商业决策。
• 了解整个
产业链的结构• 制定好业务的发展规划• 衡量的核心指标有哪些•
熟悉产品框架，全面定义每个指标的运营现状•对比同行业指标，挖掘隐藏的提升空间 •拆解关键指标，合理设置运营方法来观察效果 •争对核心用户，单独进行产品用研与需求挖掘
.2. 内外因素分解法
- 内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。
- 外部可控因素：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化。
- 内部不可控因素：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做医疗行业招聘）。
- 外部不可控因素：互联网招聘行业趋势、整体经济形势、季节性变化。
.3. Doss 思路
某在线教育平台提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，那么数据分析应该如何支持呢？
- 具体问题：预测是否有可能帮助某一群组客户购买课程。
- 整体影响：首先根据这类人群的免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
- 单一回答：针对该群用户进行建模，监控该模型对于最终转化的影响。
- 规模化方案：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。
3. 经典方法
.1. 数字和趋势
看数字、看趋势是最基础展示数据信息的方式,可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等
.2. 维度分解
当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。
.3. 用户分群
通
过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。
.4. 漏斗分析
通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。
- 第一，从开始到结尾，整体的转化效率是多少？
- 第二，每一步的转化率是多少？
- 第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？
.5. 行为轨迹
关注行为轨迹，是为了真实了解用户行为。
.6. 留存分析
在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。
.7. A/B 测试
A/B 测试用来对比不同产品设计／算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果。
.8. 数学建模
4. 行业
