数据分析有什么用?
从工作流程的角度看,至少有5类分析经常做:
工作开始前策划型分析:要分析一下哪些事情值得的做
工作开始前预测型分析:预测一下目前走势,预计效果
工作中的监控型分析:监控指标走势,发现问题
工作中的原因型分析:分析问题原因,找到对策
工作后的复盘型分析:积累经验,总结教训
那数据分析是什么的?
数据分析大体上分3步:
1:获取数据。通过埋点获取用户行为数据,通过数据同步,打通内部各系统数据。以及做数仓建设,存储数据。
2:计算数据。根据分析要求,提取所需要的数据,计算数据,做表。
3:解释数据。解读数据含义,推导出一些对业务有用的结论。
那么数据分析师主要做以上三点的工作吗?
并不全是,这个在不同企业,情况不一样。如果公司规模大的话,获取数据经常是数据开发组完成的,他们的职位一般是“数据开发工程师”或者“大数据工程师”。解释数据则是运营自己写ppt做解读,留给“数据分析师”的,其实就是中间的计算数据的一步。
有些公司(一般是做电商的),数据是直接从淘宝、天猫、亚马逊等平台导出的,然后基于这些数据做分析。有些公司(一般是传统企业),数据是直接用的大型的BI产品,然后所有人基于BI产品导出数据分析有些公司规模很小,就直接一个小组从数据埋点到数仓到提数全干了。
请点击输入图片描述
将它细分为如下的14个步骤:
数据分析师的日常工作
1、确定目标
在开始进行数据分析之前,最重要的一个步骤就是和自己的团队开会,确定本次项目的战略目标。如果你连核心的战略目标都没有,那等到自己真正开始分析的时候就会像无头苍蝇一样,不知道从哪里开始分析。
2、建立问题
光有核心目标还不够,你还要根据核心目标分析出各种有可能存在的问题。就像是我们上学时做阅读理解题目一样,先读题,再带着问题阅读。分析数据也是如此,只不过,这次的出题人是你自己。这样的做法还能让你事半功倍。
3、收集数据
所谓“数据分析”,没有数据肯定是不行的。当你确定了目标与问题,下一步就是根据所制定的目标与问题来收集相关数据。这一步骤也是所有步骤中最基础的一步。
4、设置KPI
数据收集完成后,你需要设置KPI(关键绩效指标)。主要KPI包括:跳出率、平均会话时长、目标转化率以及着陆页转换率等。无论是定性还是定量研究数据,你都要设置KPI。因为KPI可以帮助你跟踪和衡量进度。
5、清理无用的数据
员工从各个来源收集的数据,不一定都是有用的。无用的数据不仅会让数据分析师的分析过程变得繁琐,还会导致结果不准确。这时,我们就需要参考KPI,对无用的数据进行清理。任何与业务目标无关或者和KPI管理策略不符的统计、数据或指标都需要被删除。
6、进行统计分析
统计分析也非常重要,它包括聚类,同类,回归,因子和神经网络。
7、建立数据管理路线图
这一步骤并不是必须进行的。创建数据管理路线图需要花费一定的时间,但是它可以帮助数据分析师更好地处理以及存储数据。
8、整合技术
分析数据的方法有很多种,但是分析能否成功,还是要靠整合好的软件和技术。例如,通过统计方法数据分析和核心数据分析方法集成的技术,你可以避免有效信息的分散,直接获得最有价值的信息,从而节省时间和精力。
9、将数据可视化
可视化数据就是将数据通过图形和图表的形式呈现出来。人类都是视觉动物,将数据可视化可以帮助整个团队理解数据,从而提取出有助于企业发展的各种信息。
10、实施文本分析
我们每天都会创建2.5亿字节的巨大数据,其中很大一部分都是基于文本的。文本分析又称文本挖掘,它是一个获取大量文本数据并以使数据易于管理的方式进行整理的过程。通过这一过程,你能够提取真正与业务相关的数据。
为了加速文本分析过程,你可以使用现代分析工具和技术。现代分析工具和技术能够以高效、目标明确的方式,帮助你收集和整理结论。
11、深入诊断分析
诊断分析也是分析过程中必不可少的一部分,它是一种强大的数据发现形式。通过诊断分析,你能够获得某件事发生的原因以及方式,从而找到解决问题的确切方法。
13、考虑自主技术
研究表明,到2021年,将有80%的新兴技术由AI基金会开发,这意味着自主技术的能力和价值正在不断增长。当前,最流行的两种自主技术是智能警报和神经网络:
(1)智能警报:如果你正在监视供应链KPI,你可以设置一个智能警报,每当出现无效或者低质量数据时,就会自动触发你所设置的智能警报。
(2)神经网络:神经网络是机器学习的一种,它试图了解和学习人脑是如何处理数据信息并预测价值的。神经网络会从每笔数据交易中学习,这意味着随着时间的推移,它的技术会更加成熟。
14.生成报告
在前面,我们一起探讨了各种数据分析技术的应用。当我们分析完毕后,你就需要将这些元素组合在一起,生成报告。通过使用各种BI(商业智能)仪表盘工具,你可以将数据可视化,将这一可视化报告加以整理,让企业内更多的人一起发挥报告的价值。
数据分析师主要职责:
将花费大部分时间沉浸在原始数据中,试图找出如何最好地使用它来驱动伟大的业务决策。必须了解公司真正需要什么,并清楚地沟通一切。所有这些都包括:
预测业务趋势;
预测行为;
收集,分析和解释原始数据;
撰写和提交报告;
为重要的业务决策做出贡献;
根据业务目标建模系统架构;
建议并支持组织变革;
为业务问题创建可行的数据主导解决方案;
调查IT系统与管理之间的关系;
…………