如何做数据分析？

数据分析行业应用,一般数据来源：智能手机 感知装置 物联网 社群媒体等 云计算存储cda官网有很多行业案例,比如

风能发电业务场景

风力发电机有一个叶片，时间长了就要换，否则不安全，过去这个叶片一般10年换一次，因为没办法知道具体产品的使用情况，只能根据以往叶片老化的情况来估算。但这家公司在叶片上装了传感器，就能检测每个叶片的具体使用情况了，风大的地方，叶片老化快，可能8年就要换，风力均匀的地方，有些叶片可能用15年，这样就能节省资本更新的成本了。

而且，过去这家公司只生产设备，这些设备被卖到国外，具体安装到什么地方，他是不知道的，有了传感器，公司就能知道这些发电机被安装到哪里，这些地方的风力是大是小，一年四季哪天有风哪天有雨，这些数据都可以获取。根据这些数据，就能知道哪些地区风力资源丰富，有重点地规划未来市场。传统的行业利用大数据，就能更好地实现市场预判和销售提升，分分钟实现逆袭。

某个品牌在小红书做了一组矩阵号，他们的运营团队有一名专职数据分析师，这个数据分析师由于不知道该怎么做小红书数据分析，于是找我咨询。数据分析的角色在产品运营、营销的业务中很重要，既是集团各部门领导进行决策的重要依据，也是营销运营大头兵们寻找业务突破的重要方式。一般一个10人规模以上的团队，都会专门配备一名数据分析师来辅助业务。10人规模以下的团队，则可能由懂数据分析的运营兼任。一数据分析三境界数据分析的三层境界：第一层，获得数据，整理数据，汇报数据。第二层，加工数据，找到问题，呈现问题。第三层，通过数据分析发现洞察，影响决策。第一层处在第一层的数据分析师，每天早上第一件事就是去获取数据，如果公司有数据库，但是没有可视化的取数工具，那就自己写SQL语句在服务器上获取数据，可能几个小时过去了才拿到数据。如果公司有数据库又有可视化的取数工具的话，那就根据要求让数据库计算出想要的数据，然后复制粘贴到excel表格里。获取了领导需要的数据后，就是整理数据，放到一个表格里或者PPT里，让领导查阅了。由于每天都有新的数据，这种数据分析师每天都要重复劳动。然后领导遇上要向上回报的时候，就又有更多处理数据的任务需要完成了。这种数据分析师的价值是获取数据，整理好数据，从而节省领导和同事的时间。但这种价值同时也容易被取代呀，结果就是拼加班，拼手速，拼快捷键技巧的熟练程度，拼细心程度。疯狂加班不敢抱怨。第二层处在第二层的数据分析师，会对数据进行加工，让领导在众多数据中，能轻松看出关键数据，找到问题，从而辅助领导做出决策。比如领导更希望能够看到某个产品销量等数据的趋势变化，而第一层的数据分析师只会给出每天的销量数据表格。第二层的数据分析师能够用PowerBI等工具生成数据趋势图，让领导能够每天清晰地看到最近的数据变化怎么样，该不该做出策略调整。能够做到这一层次，就可以被领导看做优秀的助手了，做决策的左膀右臂。第三层处在第三层的数据分析师，擅长在一堆数据中寻找问题，分析问题，设计出策略来解决问题。有一个传说，有个超市通过数据分析发现，把啤酒和尿布放在一起，两者的销量有显著提升，原因是带娃的爸爸会同时购买两者。虽然这是个传说，但表达的意思是通过数据分析可以发现一些营销洞察，从而通过提出对应的策略，来获得明显的成绩。之后有空时我会专门写篇文章讲讲我如果通过数据分析来指导决策，从而获得出色成绩的。二数据分析的流程数据分析基本的六个步骤：1、提出分析目的这一步在很多公司是老板做了，老板给数据分析师任务。比如今天老板说：给我拉张表，看看最近6个月销售额按天统计的数据，增长趋势，分区域分店铺的增长情况。比如前天老板说：帮我看看我们的产品，哪些两两组合关联度更强。比如上周老板说，最近销售额数据有些拉胯，帮我找找是什么原因。但更高段位的数据分析师，可能会自己寻找分析目的。比如要提高某个业务的销售额，可以想出什么策略。2、获取数据Excel表格适用于处理1万行以内的数据，10万行以内的数据处理也马马虎虎。石墨文档等的在线表格处理几千条数据也还可以。要处理几万行几十万行数据的话，就要用一些专业的数据处理工具了，例如PowerBI。要处理几百万行到几亿行数据的话，就要用一些数据库工具了，例如MySQL，要专门学下基本的数据库语言。我们处理小红书相关的数据，Excel表格或者石墨文档的在线表格就够了。少量的数据手工录入可能更快。有的数据量稍微有点大，或者方便使用爬虫，那就使用爬虫来搜集数据。比如百度搜索搜到的结果用爬虫比较方便，比如一些你翻很多页都不需要输验证码的网页，比如不需要登录账号就可以看到你想要内容的网页，这些都是比较方便用爬虫的。如果要学爬虫，可以带着这个目的学学相关的Python编程语言。也有一些比较简单的爬虫工具，比如八爪鱼，比如webscraper。对于小红书相关的数据，基本还是建议用人工录入数据吧，也就几百几千条数据，很快就搞定了。3、处理数据获得了数据后，要先处理下数据，比如，你的数据格式是不是对的，有些格式的数据不方便你后面的计算，排序等操作，有些数据格式可能还不统一，有些数据可能漏了，有些数据可能错误了。这些问题如果可能影响之后的分析结果，那就要提前处理。4、分析数据这是最考验人的一步了，怎样的分析产生怎样令人信服的结论。在得出正确结论以前，我们不一定知道该用什么分析方法，也并不知道该采用怎样的分析思路。得出结果后回头看，你可能觉得，好简单啊，可是在这个过程中，却好难啊。就像我们中学时代解数学大题一样。5、让数据可视化分析完成后，不仅要自己能看懂，能看清楚，还要让领导和同事们能看懂能看清楚，那就常常需要运用可视化了。让分析结果更简单更直观地呈现出来。最简单最常见的数据可视化方式就是柱状图、饼图、折线图、散点图等几种图表。6、得出可执行结论数据分析时为了得出结论，统一大家的意见，然后促进大家产生对应的行动。如果大家认识不到位，不认可某个决策，那么执行就可能产生抵触，甚至唱反调。所以数据分析时一种说服的方式，通过数据让大家心服口服，从而推动业务的发展。在小红书相关的数据分析中，分析任务主要集中在以下几个方面：自有账号分析，对标分析，非自有账号分析。三自有账号分析作为一个小红书团队的数据分析师，重点自然是分析自家的账号。你可能负责的只有一个账号，也可能要负责多个账号。要维护的数据量不过100-2000条而已，所以最快的获取数据的方法还是手工录入数据到excel表格中。因为小红书账号的数据查看途径主要就两个，一个是电脑端登录创作服务平台https://creatorxiaohongshucom/，一个是手机端在创作中心查看。电脑端数据显示维度更少，但是可以查看每篇笔记最近30天的流量趋势图。小红书的数据不是一行行排列的，这就没法直接复制粘贴到表格中了，平台有防爬虫策略，也就不好用爬虫软件整理到表格中了，主要数据都在手机端才能看到，这就更麻烦了。所以，老老实实手工整理这些数据吧。用表单收集原始数据，第一张表单，录入每篇笔记的数据，至少包含的字段：账号名、标题、阅读量、点赞量、收藏量、评论量、分享数、涨粉量、人均观看时长、点击率、点击率评价、5s完播率（视频内容的指标）、完播率评价（视频内容的指标）、内容丰富度、内容丰富度评价、首页推荐占比、搜索占比、个人主页占比、关注页面占比、其他来源占比、女性观众占比、年龄分布（根据需要看是统计1-2个年龄段还是所有5个年龄段）、城市分布（根据需要看是统计排名前1-3的城市还是前10城市）、观众兴趣（根据需要看是统计排名前1-3的兴趣还是前10兴趣）。第二张表单，录入账号基本数据，至少包含的字段：每日观看数、近7日观看数、近7日观看总时长、近7日点赞数、近7日收藏数、近7日评论数、近7日笔记涨粉、近7日主页访客、近7日笔记分享数、近7日观看排名百分位、近7日互动排名百分位、近7日涨粉排名百分位、近7日推荐流量占比、近7日搜索流量占比、近7日个人主页流量占比、近7日关注页面流量占比、近7日其他来源流量占比、近7日新增粉丝数、近7日流失粉丝数、女性粉丝比例、年龄分布比例、城市分布比例、观众兴趣分布比例。计算一些指标笔记搜索阅读量：通过搜索结果点击该笔记的阅读量，笔记搜索阅读量=笔记阅读量×搜索占比。由于我们无法看到搜索结果点击率，所以就只好看笔记搜索阅读量了，搜索阅读量越高，说明该笔记在搜索结果中越有优势。如果要布局搜索结果，就需要研究这类搜索阅读量高的笔记，来优化团队创作方向。笔记推荐阅读量：通过首页推荐点击该笔记的阅读量，笔记推荐阅读量=笔记阅读量×首页推荐占比笔记推荐曝光量：该条笔记在首页推荐获得的曝光量，笔记推荐曝光量=笔记阅读量/点击率。推荐量高说明该笔记更受系统认可。可以找到推荐量相关的关联因素，从而给团队指引优化方向。同城阅读量：该条笔记的同城用户阅读量，同城阅读量=笔记阅读量×同城比例，有些业务有很强的同城属性，非同城的流量意义不大，所以需要看同城阅读量。互动率：互动率=（点赞数+收藏数+评论数）/阅读量，互动率被普遍认为是一种评价笔记是否值得推荐的指标，互动率高的笔记更容易被推荐。高互动率的笔记可以用来总结增加互动率的经验，从而提高以后笔记的表现。涨粉率：涨粉率=涨粉数/阅读量，涨粉率越高表明这个笔记的内容更容易吸引读者关注。高涨粉率的笔记可以考虑作为置顶帖，也可以考虑投放薯条用来涨粉。通过数据分析指引怎么获得更高流量做小红书常常会陷入流量焦虑，为什么最近流量明显下滑，为什么流量一直上不来。这时就需要数据分析师来告诉大家为什么会这样，以及该做出怎样的改变。看流量的分布是否有变化，主要的流量变化集中在哪里。根据看前面计算的一些指标，生成折线图，通常就能比较明显看出问题所在，常常是由于最近的笔记推荐流量明显下滑导致的。接下来就看，哪些数据发生了变化，比如兴趣分布，性别分布，城市分布，点击率。可能是笔记对应的目标人群发生了变化，也可能是这个笔记本身不够吸引人点击率不高，或者这个笔记写得并不够好，导致互动率低。找到了原因所在，就可以寻找解决方案了。通过数据分析指引怎么获得更多的成交额先梳理出该业务的成交路径，例如某医美机构的路径是，笔记阅读——主页流量——私信——引导到微信私域——成交。那么就要监测：7天阅读量、7天主页访问量、7天私信数、7天加微信数、7天成交数（额）然后就可以算出每7天的主页访问率、按阅读量的私信率、按主页访问量的私信率、私信加微信率、成交率。然后就可以定位问题了，比如有时虽然阅读量升高了，但是销售额降低，通过定位发现是最近的按阅读量的私信率明显降低了，然后发现按主页访问量的私信率降低得不那么明显，那么问题就在于阅读量引导到主页访问的这一步出了问题，那么接下来就应该出引导到主页访问的策略，从笔记的文案到评论区引导，都需要进行迭代。四对标分析对标分析主要是分析一批对标账号和一批对标内容。对标分析这个我们有专门的文章研究过。对标账号不只是对标直接的竞品，还可以包括在某些角度有竞争关系的账号，还可以包括兴趣点，目标人群，内容风格等高度重合的账号。对标分析的主要价值在于为内容创作和运营动作优化提供借鉴。在电商领域常会做竞品数据分析，但是内容领域，由于通常和你抢夺流量的账号众多且并不仅仅来自你的直接竞争对手，并且缺乏专门的数据。所以并不会每周做对标账号的数据分析，注重自己的内容就好了。五非自有账号分析如果需要找博主做推广，这时需要评估这些博主的数据。单纯看粉丝数的方式容易误差很大。如果能建立不错的数据分析模型，就能够比较方便筛选博主，以及给出对应的合适定价。与广告效果相关性最强的数据是转化率，这个数据需要经过多次测试逐渐精确。同一个博主发的内容，即使阅读量相同，不同的文案，转化率也可能相差几倍。除了转化率，相关性比较高的数据就是阅读量。一篇笔记的阅读量越高，我们认为通常就带来了越高的销量。但是不同类型的内容，转化率相差其实不小，几倍甚至十数倍的转化率差异。有的笔记属于高点击率低转化率类型，有的笔记属于低点击率高转化率类型。两种解决方式，第一种是通过数据分析经验的不断积累，我们可以将笔记分为几种类型，同类型的笔记进行比较，这样同类型笔记的转化率至少不会相差太远。这种解决方式需要不断的数据分析研究，有一定难度。第二种是通过多个合作案例不但积累，测出平均数据，这种方式可以一定程度减小误差，操作也简单。由于博主并不一定想让你看到真实阅读量，或者在初步筛选的过程中不方便调查阅读量。所以一般流行的策略是统计点赞量。不过有些类型的笔记点赞率能够达到10%-20%，有些类型的笔记点赞率连01%都不到。以及有些博主的笔记点赞主要来自少数忠实粉丝或者互赞买赞行为。50赞以下的笔记容易通过互赞买赞等行为造假，所以存在数据造假的可能。不过在初步筛选中这个并不重要。按照千赞标准来评估爆文的方式也并不可靠。有些笔记1000赞对应的阅读量才1w左右，有些笔记10w阅读量才100个赞。所以，在建立合作前的筛选账号阶段，我们起码要统计以下数据：昵称、粉丝数、总赞藏数、置顶帖标题、置顶帖点赞量、最近10篇或最近2个月内容平均点赞量、最近2个月最低点赞量、30%分位作品点赞量、作品风格、作品内容形式。最低点赞量是用于估算来自粉丝的流量。当几乎没有被系统推荐时，作品的点赞量就处于洼地，这时的点赞几乎都来自于粉丝。30%分位作品点赞量可以用来预测你的投放能够拿到的较乐观结果是怎样的。基础预测公式可以参考如下，之后再根据实际执行的数据调整优化。预期阅读量=预期点赞量/3%预期销量=预期阅读量×预期转化率（1%）预期产出=预期销量×售价这样就可以初步估算出这个博主带来的预期产出会是多少，然后决定广告费最多可以给多少。注意预期产出的计算建议根据实际经验反复测算，我们给出的初始数据仅供缺少数据的情况下参考。前期建议先做保守估计，就是预期产出降低5-10倍。

数据化运营（数据分析）具体落地到企业有这么五步：自上而下、数据闭环、搭建模型、数据分析、权限分配。我们具体看一下每一步应该怎么做。

一、自上而下｜定义指标库，确定项目范围

我举一个O2O的例子，首先我们做自上而下的时候要知道公司内部到底有哪些决策，老板、产品、运营、培训、市场、招商、客户，每一个部门岗位关心什么指标呢~

我们做指标之前要有一个目标：提升运营效率，降低运营成本，简单说四个字降本增效。老板关注的是利润率问题，产品关注产品使用率、留存率等，运营关注成本控制等等，将不同岗位人员所关注的指标，都给梳理出来。

刚刚说的这块的运营概念是一个公司内的大运营概念，精细到运营部门又会关注到什么指标呢？比如说用户的性别、年龄段、网站的访问情况，订单的变化情况、日留存、双周留存，客户为什么取消订单、每次发放优惠券所带来的效果是怎么样的等等可能在座的运营人士关注这些运营指标。

二、数据闭环｜接入分析数据，整理数据

确定好指标之后，要形成数据闭环，把我们横向的业务系统全部打通。比如说以某个知名互联网公司为例，将交易系统、商家系统、客户系统、会员系统、财务系统全部打通，有时候把HR系统也打通了。很多时候销售部门的数据和财务部门的数据总是有差异，很多公司都存在这种情况。数据闭环打通的其实不是一个系统，而是业务之间的壁垒，让每一个部门之间沟通得更好。

除了内部数据之外还有一些外部数据。如果大家做互联网相关的工作，很多会在百度上投广告、关注排名情况，我们应该把这些数据全部都接入进来，包括行业数据都囊括进行做一些综合性分析，做到数据闭环。

三、数据模型｜打通数据关系，搭建数据模型

模型搭建是准备面粉的过程，我们把小麦给磨成面粉，最后用面粉做出蛋糕，蛋糕才是我们真正要吃的东西。搭建数据模型，从数据分析的视角，搭建很多数据模型，就是打通数据链条、打通数据之间的关系。

四、数据分析｜围绕项目范围，制作分析结果

数据分析我们怎么来做呢？比如说你想要看到不同地域下订单的变化情况，只要把这个数据拖上来，就能够很直观就能看到全国各个不同区域的订单的变化情况；做一个筛选，比如说全部各个区域订单变化情况，其中有一个是川菜，就是这个菜系变化的情况。

五、权限分配｜根据用户权限，分配数据资产

数据分析完成后，根据用户权限分配数据资产，手机或者电脑都可以接收，并且自动更新。

另外，业务人员和运营人员才是数据精细运营的核心，因为技术人员是很难了解得到具体业务的定义，我们常说要玩死一个IT很简单，只需要不断地给他提需求就行了。所以说只有业务人员才更能挖掘数据背后的隐藏价值。这个数据做出来之后，下一次还需要分析吗？不需要了。因为你把所有的数据已经关联好了，数据会自动的更新，这就是围绕我们项目范围，制作分析结果。

我们强调业务人员和运营人员才是数据精细运营的核心，因为技术人员是很难了解得到具体业务的定义，我们常说要玩死一个IT很简单，只需要不断地给他提需求就行了。所以说只有业务人员才更能挖掘数据背后的隐藏价值。拆分对比效果如下：

多组数据图的纵横交错不利于数据分析，通过拆分对比，各组数据形式一目了然，并且高度交互，实现针对某个点显示所有品类或时间的具体数据，高效获取数据分析结果。桑基图＋钻取可视化效果如下：

不仅可以看到数据流转趋势，还可以深入查看具体的流转的数据是哪些，精准到每个点，以便业务人员对症下药，GIS地图效果如下：

以上数据分析步骤、数据分析图表都来自bdp商业数据平台哦~