数据分析思维

Why&What^{[1](#Why&What1)}

数据分析是为了驱动决策赋能业务。在数据分析过程中需要对目标进行拆解量化，如何拆解量化目标便是数据分析思维。

在任务拆解过程中使用的软件、统计模型、分析方法等为分析工具和手段，如何在恰当的场景合理的使用这些工具、模型、方法、手段，便是数据分析思维。

数据分析的基本步骤:

挖掘业务含义->制定分析计划->拆分查询数据->提炼业务洞察->产出商业决策

工具

方向	工具名
数据处理	Excel、SQL、NumPy、Pandas
可视化	Tableau、PowerBI、MatplotLib、ECharts
算法模型	Scikit-Learn
产品	Xmind、Axure

方法

1. 业务

流程法
- 漏斗分析
- AARRR
- 访问路径分析
- 客户生命周期
- 价值链分析法
- 闭环思维
- DOSS 思路
结构法
- 层次分析法
- 杜邦分析法
- OSM 分析法
- EOI 框架
  - 助力（核心任务）
  - 优化（战略任务）
  - 创新（风险任务）
象限法
- RFM 模型
- 紧急重要象限
- SWOT 分析法
- KANO 模型
比较法
- 时间对比分析
- 空间对比分析
- 维度细分对比
分布法
- 二八分析法
- 四分位分析法
- 六四格玛分析法
- MECE分析法
主观法
- 专家评定
- 沙盘推演

2. 统计

采样
- ABTest
相关性分析
- 主成分分析
- 卡方、皮尔逊、斯皮尔曼相关系数
预测模型
- 经验公式/概率模型/机器学习/神经网络
  - 贝叶斯
- 分类/回归预测
  - 分类聚类
  - 回归多元线性回归、逻辑回归
- 有/无监督学习
  - 聚类
    - 无监督 K-means 基于欧式距离
    - 有监督 SVM、K-NN

指标^{[2](#指标2)}

指标的作用是"度量"业务，可以从三个角度对指标进行拆解：
指标 = 维度（角度） + 汇总方式（方法） + 量度（目标）

1. 游戏

常规指标
- 用户规模
  - DAU 日活、WAU 周活、MAU 月活
  - 付费用户数
- 留存率反应产品的联系程度
  - 次留、7留、30留存率
- 渗透率，子功能模块的使用
- 转化率，针对某个连贯路径
商业化指标
- ARPU 一个时间段内的用户平均收入
- CPM 千次曝光成本、CPC
- ROI 投资回报率
用户流失分析
- 用户回流率，回流率稳定拐点定义回流周期

2. 电商

整体数据分发效率
- 日活 DAU
- 留存
- 渗透
- CTR，反应用户点击欲望
  - CTR = 点击 UV / 曝光 UV
  - 点击 UV，每天多少用户点击进入页面
  - 曝光 UV，每天多少用户看到页面
- 人均访问页面数
  - 人均访问页面数 = 总访问页面数 PV / 总访问 UV
  - 总访问页面数 PV，点击所有页面的次数总和
  - 总访问 UV，点击所有页面的人数总和
北极星指标 ^[3](#3)
- GMV 交易额，反向指标：退货率
- 客单价 ARPU
- 最小存货单位 SKU
- 点击通过率 CTR

3. 金融风控-信用

ToC/ToB 芝麻信用
- 授信模型
  - 坏账率、违约概率 P
    - 违约概率 P= 身份特质 * w1 + 行为偏好 * w2 + 履约能力 * w3 + 信用历史 * w4 + 人脉关系 * w5
  - 信用分数 score
    - score = （1-P）* A + B，AB 使用 score区间倒推

身份特质

所在公司、职业类型

消费稳定度、地址稳定天数

最近一年使用手机号码数、手机号稳定天数

行为偏好

消费区域个数

最近1年支付活跃场景数

最近1年品类消费总金额

履约能力

最近1年理财产品总收益

最近月支付总金额

最近月消费总金额

信用历史

最近1、2、6月主动查询金融机构数

最近1、2 年 M1、M3 状态

人脉关系

近1年人脉圈稳定度

社交影响力指数

信用环境指数

相关资料

1 ↩︎
3 ↩︎
4 ↩︎

数据分析思维

Why&What[1](#Why&What1)

工具

方法

1. 业务

2. 统计

指标[2](#指标2)

1. 游戏

2. 电商

3. 金融风控-信用

Why&What^{[1](#Why&What1)}

指标^{[2](#指标2)}