【数据分析】数据分析行业

文章目录

一、数据分析行业
二、数据分析商业应用
三、数据分析思维
四、数据分析常用方法

一、数据分析行业

数据从古至今的应用发展

如下图，在古代就有了结绳计数，主要是对信息的记录

如下图，在18世纪，由于概率理论日益成熟，为统计学的发展奠定了基础。19世纪中叶，把概率论引进统计学而形成数理学派。其奠基人是比利时的阿道夫·凯特勒，被誉为"近代统计学之父"，其主要著作有：《论人类》、《概率论书简》、《社会制度》和《社会物理学》等

‌如下图，现代统计学的发展‌可以追溯到19世纪末和20世纪初期，随着科学技术和社会变化的迅猛发展，统计学进入了快速发展时期，甚至被称为"统计时代"。20世纪初，统计学的发展得益于优秀统计学家对难题的攻克和对经典的挑战。例如，约翰·格兰特在1674年组织调查伦敦的人口死亡率，并发表了专著《从自然和政治方面观察死亡统计表》，提出了"大数恒静定律"，奠定了统计学的数学基础

数据让生活更美好

生活中很多复杂的决策，看上去没有规律可循，实际上是可以用算法来解决的。

很多时候我们沉迷在细节里，看不清大方向，其实是犯了数学上的过度拟合错误。

时间问题本质上是个数学问题，用数学家的办法管理时间，才能活得更有效率。

互联网引动大数据

随着互联网的普及以及越来越便捷，我们从电脑到手机，无处不在的产生数据，像微信还记录这我们每天的走路、消费等等日常生活的数据，这些数据也就引发了大数据的到来

数据化无处不在

未来AI发展趋势

据统计机器人已经替代了工人的比例，每提高千分之一失业的概率就会上升千分之三，城市化比较强的需要投入劳动比较多的一些职业

数据行业的技能金字塔

分析与挖掘

如下图，数据分析是人对数据的主观分析，每个人可能都会有自己主观的看法，需要有较深的行业经验，结合数据做出判断

数据挖掘是把数据给计算机，让计算机自己通过对数据的整理，给出结果进行判断

数据分析的学习思路

数据分析如果是零基础入门，建议先从理论->工具->场景，进行学习

二、数据分析商业应用

商业智能：数据分析/挖掘*数据理解

目前应用较广的商业智能，主要是业务+数据，通过数据对业务进行分析，并产生商业价值

数据分析的价值

在平时我们做一件事主要凭借过往的价值，而产生数据分析后，我们会通过数据去验证经验是否正确，从而保证决策的准确性。我们可以通过AB测试、市场调研、竞品分析、销售数据，去验证我们的经验或猜想是否正确

作为数据分析师，你的分析必须简明化、结论化、通用化，只有这样无论你的上级、客户、还是其他数据参与方才能够看的懂你的思路和结论

商业智能的常用

数据粒度：主要指数据的量级，是个位数数据，百位还是千万、亿万级别

汇总维度：指从那个维度进行分析，是客群汇总、销售汇总还是产品线

计算字段：指需要哪些数据字段，有的字段过多如不需要可以删除

使用对象：数据主要给谁看，如果高层结论为主，如果中层可能需要过程

应用场景：是销售、生产、人事，主要运用哪些行业，哪些部门

关联行动：需要哪些部门配合，如果将本次数据分析整个流程完整实施

数据展示：通过Powerbi、Excel、帆软、Tablean等进行展示

权限管理：数据会分部分或人员展示，所以需要对相应的人进行展示

刷新频次：数据的更新频率，是按日、周还是月，根据具体情况分析

商业智能能解决什么问题

常见商业场景：战略（总结和创新）

通过数据找到最核心的卖点，并打造爆款。这个战略决策，就是基于数据分析，通过对客群、销售、产品等数据的分析，找到最终的核心战略点

常见商业场景：理解客户（理解和总结）

例如一个金融投资应用数据应用，我们根据客户来源、客户信息等，可以推荐相应符合他水平的投资产品，这样降低他的风险和可接受性。当客户在平台操作后，可以看到他做了什么动作，存入多少钱、做了哪些投资行为等，随着对客户的了解、客户动作的了解等，来对该客户进行分析，进而进行营销、促活、维护及服务

三、数据分析思维

数据的本质

发现和解决问题：现状与期待的落差

数据分析的三种路径

防范风险：预防和应对

如下图,可以用作电商促销补贴分析,像X轴为补贴,Y轴为消费金额.D-左是消费金额大并且补贴力度大的,我们运营人员需要将这群人员的补贴力度慢慢的减少,让他们适应正常的补贴力度,甚至没有补贴力度的常态.在E是补贴力度中等,并且消费少的人群,针对这类人群我们需要试图将这类人消费金额提高,或者将补贴力度减少