数据分析方法论和业务实战（全彩）

数据分析的精髓在于能够利用合理的数据分析方法来解决实际的业务问题，本书介绍了数据分析常见的思维和方法，并且呈现了这些分析方法在实际案例中的应用。同时也利用本书解答了大家对于想要从事数据分析行业的一些担忧和困惑。阅读本书，你会对数据分析的工作内容有更清晰、完整的了解，同时对常见的业务问题处理的方法和经验有质的提升。

陈友洋，毕业于香港中文大学和中山大学，腾讯前数据科学家，数据分析类公众号“渔好学”主理人，分享多篇数据相关的干货文章。在知乎（知乎账号：渔好学）上分享的数据分析相关文章的全网阅读量超2 000 000次，广受好评。在数据分析、数据体系搭建、数据科学方面具有多年经验，积累了丰富的数据分析项目经验。

本书从数据分析在行业内的应用出发，全面地介绍了漏斗分析、相关分析、RFM用户分群、5W2H等多种常用的数据分析方法，从方法到实践。

本书缘起

前几年我就在公众号“渔好学”中更新数据分析相关的文章，想把自己这些年的工作经验总结一下，希望可以给想要从事数据分析的人员提供一些帮助。但是公众号的文章比较零散，对于想要系统学习数据分析的人来说不太方便。

所以，想要写一本书，希望可以把数据分析的知识系统性地分享出来，能够真正给想要从事数据分析的人一点帮助。

本书特色

本书和市面上常见的数据分析图书不一样，已出版的很多图书可能对数据分析方法没有这么详细的介绍，导致很多读者在看完这些书之后，遇到实际的业务问题时仍然不知道如何分析。

我觉得数据分析最重要的就是能够解决业务的痛点，能够把业务问题转化成数据分析可以解决的问题，然后用相应的数据分析方法去解决。无论是在实际工作中还是在面试时，都经常会遇到。

所以，本书利用互联网公司中实际遇到的数据分析的案例，配合数据分析的方法论，讲述完整的分析步骤和思路，给读者呈现在互联网公司中，数据分析师是如何工作的。

本书读者定位

考虑到本书的读者可能会有不同的数据分析的基础，所以本书在第1章和第2章介绍了数据分析的基础知识，包括什么是数据分析、数据分析常见的分析步骤等，内容由浅入深， 方便零基础的读者学习。

另外，对于想要从事数据分析行业的读者来说，在数据分析的前景和工作内容上都有很多疑问，本书也单独对这些内容做了解答，对于数据分析常见的面试问题做了详细拆解，为大家在面试数据分析师时提供更多的准备。

所以，如果你是想要从事数据分析工作的人员，但是不知道如何开始，请一定要好好读完本书。

致谢

感谢我的家人，感谢他们的默默付出，让我有更多的时间可以打磨本书，为大家输出高质量的内容。

感谢电子工业出版社的石倩、张慧敏两位编辑对本书细致、认真的修改，让书中的内容可以更加完善。

作者

第1 章　数据分析基础 1

1.1　什么是数据分析 1

1.2　为什么要做数据分析 5

1.3　数据分析的步骤 12

1.4　数据分析师的日常工作 16

1.5　数据分析师的前景和发展 21

第2 章　数据指标体系 24

2.1　数据指标和数据指标体系 24

2.1.1　数据指标 24

2.1.2　数据指标体系 26

2.2　为什么要搭建数据指标体系 27

2.2.1　监控现状 27

2.2.2　反映问题 28

2.2.3　预测趋势 28

2.2.4　评估分析 30

2.2.5　决策支持 30

2.3　常见的数据指标体系 31

2.3.1　互联网产品典型的数据指标体系 32

2.3.2　电商平台的数据指标体系 35

第3 章　如何搭建数据指标体系 39

3.1　什么是数据埋点 39

3.2　为什么要埋点 40

3.3　如何设计埋点方案 42

3.4　埋点的开发流程 46

3.5　指标体系搭建方法论 50

3.5.1　OSM 模型 52

3.5.2　UJM 模型 54

3.5.3　AARRR 模型 55

3.6　数据指标体系搭建实战 56

第4 章　数据分析方法论 62

4.1　什么是数据分析方法 62

4.2　营销管理方法论 63

4.2.1　SWOT 分析 63

4.2.2　PEST 分析 64

4.2.3　4P 理论 65

4.3　常用数据分析方法论及其应用 67

4.3.1　对比细分 67

4.3.2　生命周期分析法 69

4.3.3　RFM 用户分群法 73

4.3.4　相关性分析 78

4.3.5　用户画像分析 84

4.3.6　Aha 时刻 92

4.3.7　5W2H 分析法 93

4.3.8　麦肯锡逻辑树分析法 99

4.3.9　漏斗分析法 105

第5 章　用户留存分析 112

5.1　什么是用户留存 112

5.2　为什么要进行用户留存分析 113

5.3　影响用户留存的可能因素 115

5.4　用户留存的3 个阶段 117

5.5　用户留存分析的常见方法——挖掘Aha 时刻 119

5.5.1　用户留存分析的业务背景和分析思路 120

5.5.2　分析过程 123

第6 章　用户特征分析 131

6.1　用户特征分析适用的业务场景 131

6.1.1　寻找目标用户 132

6.1.2　寻找运营抓手 134

6.1.3　精细化运营（用户分层） 135

6.2　用户特征分析的方法 136

6.2.1　用户画像分析 136

6.2.2　聚类分析 137

6.2.3　监督模型 140

6.2.4　RFM 用户分群 141

6.3　用户特征分析和用户预测模型的区别与联系 142

6.4　评估用户特征 143

第7 章　用户流失分析 146

7.1　什么是用户流失 146

7.2　用户流失分析常见错误 147

7.3　生命周期和流失 148

7.3.1　产品的生命周期 148

7.3.2　用户的生命周期 151

7.4　流失用户的确定方法 153

7.5　用户流失分析和预测 153

7.6　如何召回流失用户 155

7.7　总结 157

第8 章　从零开始完成数据分析项目 159

8.1　项目背景 159

8.2　制订需求分析框架和分析计划 161

8.3　数据的提取和摸底 166

8.4　特征工程 171

8.4.1　什么是特征工程 171

8.4.2　特征工程的重要性 172

8.4.3　特征分布变换 173

8.4.4　生成衍生变量 174

8.4.5　分箱转换 175

8.4.6　特征筛选 176

8.5　初步搭建挖掘模型 177

8.6　完成分析报告和落地应用建议 178

8.7　制定具体的落地方案和评估方案 180

8.8　业务落地实验方案和效果评估 181

8.9　项目总结 181

第9 章　关于数据分析师常见的困惑和问题 183

9.1　为什么数据分析师找工作这么难 183

9.1.1　竞争大 184

9.1.2　不懂业务 184

9.1.3　简历和面试 185

9.2　数据分析师的专业选择 185

9.3　数据分析师面试流程 187

9.4　数据分析师最重要的能力 192

9.4.1　讲故事 193

9.4.2　判断项目ROI 194

9.4.3　业务深度 194

9.4.4　信念 195

9.4.5　热情 196

9.4.6　换位思考 197

9.5　常见的数据分析师的困境 197

9.5.1　陷入取数困境 198

9.5.2　陷入报表困境 199

9.5.3　陷入落地难困境 201

9.5.4　陷入成长困境 203