数据分析基础学习
笔记来源：自学整理（B 站 Max 极客菌《商业数据分析》系列课程）。
一、开篇：为什么要再学一遍"数据分析基础"
最近在准备一家涉及跨境电商公司的数据分析岗面试。JD 里反复出现几个关键词：业务理解、指标体系、归因分析、决策支持。这些词单独看都认识，但拼在一起就暴露问题。
- 这些数据最后是用来支持谁 做什么决策的？
- 分析框架怎么搭，才不会沦为"取数工具人"？
- 跨境电商这个垂直场景，和通用电商的数据分析有什么不一样？
带着这几个问题，重新看了一遍基础课，把方法论和场景重新对齐。
二、数据分析到底解决什么问题
这是整个笔记的"根"。一句话总结老师课上的话：
数据分析是为业务决策服务的。
脱离决策谈数据分析，都是耍流氓。
2.1 决策的三个层面
老师的分层很经典，对照跨境电商的场景我重新理解了一遍：
| 层面 | 通用举例 | 跨境电商场景我的理解 |
|---|---|---|
| 宏观（要不要做） | 美团要不要做直播 | 跨境电商要不要进 TikTok Shop？要不要从铺货模式转精品模式？ |
| 中观（怎么做） | SaaS 套餐是否要调整 | 欧洲站点的物流方案要不要从 FBA 切第三方海外仓？广告投放结构要不要重构？ |
| 微观（什么时候给谁做什么） | 千人千面推荐时机 | 美国站某个高频复购用户，下一次邮件推送应该发哪个 SKU、什么时间发、用什么文案？ |
面试里被问到"你怎么看 XX 业务问题"，我现在的回答套路是：先定位决策层面，再谈数据怎么支持。这比直接甩指标专业。
2.2 决策的两种方式
- 人拍板：适合需要经验判断、影响范围大的事。比如新开一个站点、定一个季度的预算盘子。
- 程序自动执行：适合规则清晰、可量化的微观决策。比如广告竞价、自动调价、库存补货触发器。
数据分析在两种决策里的角色不一样：
- 支持人拍板：靠报表、可视化看板、专题分析报告、汇报材料。
- 支持程序执行：靠系统规则、机器学习模型、自动化预警。
这一点直接影响我后面要选的工具栈------做报告偏 Excel/PPT/PowerBI，做自动化偏 SQL/Python+规则引擎。
三、数据分析如何助力决策：三步法
老师给的方法论只有三步，但每一步都有明确的产出物。我把它套到跨境电商上：
3.1 第一步：定义问题，形成分析框架
核心动作 ：需求挖掘 → 问题定义 → 步骤拆解。
需要的底层能力：业务知识 + 逻辑思维 + 分析方法论 + 模型原理。
例子：业务方说"我们欧洲站的转化率最近跌了，帮我看看"。
我以前会直接拉数。现在会先反问：
- "转化率跌了"是哪个口径？整体、还是分 SKU、还是分流量来源？
- 是绝对值跌了，还是同比环比跌了？有没有季节性因素（比如圣诞后自然回落）？
- 业务方真正想决策的是什么？是判断要不要改 Listing？是判断要不要降价？是判断要不要换流量结构？
定义清楚问题，再搭分析框架。这是技术决定下限、思维决定上限的核心环节。
3.2 第二步：分析框架的数据呈现
核心动作 ：数据提取 → 清洗加工 → 分析/建模。
需要的工具：Excel、SQL、Python、数学模型、统计知识。
这里就是大部分人埋头干的活。工具熟练度决定效率，但------重要的话说三遍------框架错了，工具再快也是错的。
3.3 第三步：形成完整的数据方案
核心动作 ：可视化/汇报 → 推动落地。
需要的产出：可视化看板、结论报告、决策建议。
光给数据不行，必须给出结论 + 建议。而且建议要可执行，不能是"建议优化转化率"这种废话。
四、实战案例：用"VIP 服务做得好不好"套这套框架
老师课上的 VIP 案例对我启发很大。我换一个跨境电商场景再走一遍，验证自己是不是真的懂了这套方法。
案例：跨境电商的 Prime 会员服务（类 VIP）做得好不好？
4.1 分析框架：做得好的标准是什么？
老师给了四个维度，我对应到跨境电商：
| 维度 | 通用问题 | 跨境电商对应问题 |
|---|---|---|
| 业务价值 | 是否符合部门大目标 | Prime 会员的 GMV 占比、ARPU 提升是否符合年度战略？ |
| 用户价值 | 是否满足用户需求 | 会员的核心需求是免运费？优先发货？专享价？哪个是真实驱动力？ |
| 内部管理 | 人员/绩效方案是否合理 | 会员运营团队 KPI 是续订率还是新拉新？有没有内部博弈？ |
| 成本控制 | 服务成本是否在可控范围 | 免运费的物流成本、专享折扣的毛利让渡，是否在预算盘子里？ |
4.2 数据呈现：四步走
- 上线背景 & 目的：为什么做？是冲 GMV？还是冲留存？还是冲 LTV？
- 流程 & KPI 现状梳理：当前会员体系怎么运转？转化漏斗长什么样？KPI 是多少？
- 现状数据问题诊断：比如发现续订率 33%、但二级拉新占比 80%------说明靠老带新驱动，但老用户本身续订率不高。这就是问题。
- 呈现 & 给出建议 ：
- 呈现：用漏斗图 + 队列分析图，把"为什么续订率低"具象化。
- 建议：短期用新人专享券冲量、中期优化会员权益感知、长期重设计价格梯度。
这就是老师说的"形成完整的数据方案"------不是只给数，是把数据翻译成业务能听懂、能动手的方案。
五、避免成为"数据工具人"
这是对我冲击最大的一节。
5.1 常见误区
工作重点的误区：
- ❌ 过度追求工具学习，忽视问题定义能力
- ❌ 不关注"解决什么问题"，脱离业务谈分析
- ❌ 认为解决问题的技术越牛，价值越大
一句话总结：技术决定下限，思维决定上限。SQL 写得再花，定义错了问题，给业务方交一份"看起来漂亮但答非所问"的报表，就是工具人。
职业发展的误区：
- ❌ 数据分析师是取数、做看板的工具人
- ❌ "只要和数据有关，都由数据分析师负责"
这两条我都中过。现实里接到过这种需求：
- "马上要开 xx 会了，请提供这一页 PPT 上的数据。"
- "xx 指标跌了，能帮忙分析一下是什么原因吗？"
- "最近要新上一个产品功能，请帮忙做个看板，显示新功能页面的 PV、UV、停留时长......"
如果直接照做，就是工具人。破局方式：升维思考，先问"要决策的问题是什么"。
5.2 升维思考 + 降维拆解
老师给的图特别清楚，我直接搬到跨境电商上：
- 升维（自下而上） ：具体需求 → 事件背景 → 问题本质
- 例：业务方要"美国站转化率分日数据"→ 实际是"上周黑五大促效果评估"→ 本质是"判断明年黑五要不要继续这个折扣力度"。
- 降维（自上而下） ：分析框架 → 细节拆解 → 具体执行
- 例：框架是"黑五 ROI 评估"→ 拆成流量、转化、客单、复购四个维度 → 每个维度给具体指标和取数 SQL。
自下而上追问题本质，自上而下逐步解决问题。这八个字我写在了便签上贴在显示器上。
六、数据分析师和其他职能的协同
最后一张图讲的是"数据分析师是数据的使用者 ，不是生产者"。这点对我影响也很大------以前以为做数据分析就要懂 ETL、要会写爬虫，结果把自己搞得很累。
6.1 数据链路：采集 → 处理 → 应用
数据采集 → 数据处理 → 数据应用每一段都有不同的角色负责：
- 采集层：App/网页埋点、传感器记录、企业经营活动、手工录入、调研问卷、外部采购、爬虫。
- 处理层：WMS、ERP、MES、CRM、HR 系统等业务系统数据入仓，ODS → DWD → DWS → ADS 分层建模。
- 应用层：FineReport、FineBI、报表、可视化看板、API 服务、风控模型等。
6.2 跨境电商场景举例
举例一个跨境电商公司典型数据链路：
- 采集：ERP（店小秘/领星）、广告平台（Google Ads/Meta Ads）、物流商 API、独立站埋点（GA4/神策）、客服系统、第三方调研。
- 处理：业务系统数据通过 DataX/DataLake 工具入仓，按 ODS（原始层）→ DWD（明细层）→ DWS（汇总层）→ ADS（应用层）分层建模。
- 应用：经营看板、选品分析、广告归因、库存预警、风控反欺诈。
6.3 角色职能边界
| 角色 | 核心职责 |
|---|---|
| 产品经理 | 功能/埋点设计 |
| 技术/开发/IT | 功能实现、数据平台搭建 |
| 数据开发 | 数据清洗、数据管理、ETL |
| 数据分析/数据产品 | 指标体系、分析报告、决策建议 |
我未来的定位就是最后一栏------数据分析/数据产品。这意味着：
- 我要懂业务（不深入会被业务方忽悠）。
- 我要懂数据链路（不深入会被取数卡住）。
- 我不需要自己造数据（那是数据开发和 IT 的活）。
- 我的核心价值是把数据翻译成业务决策。
七、学习心得
写到最后，整理几条核心收获：
- 数据分析的本质是决策支持，不是炫技。脱离业务的分析是无效劳动。
- 问题定义 > 工具使用。一个能定义清楚问题的初级分析师，比一个只会写 SQL 的高级分析师更有价值。
- 跨境电商的数据分析有自己的特点：多平台、多站点、多币种、多物流链路，对指标体系和数据治理的要求比国内电商更高。
- 不当地基的工具人：遇到模糊需求先反问决策背景，给方案不给数，给结论不给过程罗列。
- 持续学习：指标体系、归因分析、A/B 实验、机器学习基础，这些都是后续要补的方向。
整理人：粟湘
整理时间：2026 年 9 月