大家好，我是RecordLiu。

今天来给大家分享一篇有关商业数据分析的内容。

数据分析运用场景

数据分析在国内是最近几年才火热起来的，因为处在移动互联网的时代，每一家公司都会积累大量的数据，在掌握了对数据分析的方法后，数据就有了无限的价值。

其实，在一些传统的行业里，我们也能找到数据分析的影子。

传统行业

常见的如在零售行业，作为销售人员，每个季度可能要给老板汇报产品销售情况。你需要分析产品的销售利润如何、哪些产品卖的好、哪些产品是亏损的、亏损又是原因是什么等等。

或者作为一家连锁服装店的经理，在搞促销活动后，老板希望你能选出一个最适合店铺全面推广的促销方案。你需要分析每种方案的转化率如何、带来的销售额是多少、哪种方案的活动成本是最低等等。

又或者作为一家银行贷款的业务经理，面对违约的客户，你可能需要建立一套客户的用户画像，分析逾期情况，来避免公司的损失。

以上都是传统行业里需要面临数据分析的场景。

传统企业或者一些中小型公司可能并没有专门的数据分析岗位，一线业务人员往往需要直接具备数据分析能力。比如销售人员、财务人员、市场营销人员，或者是互联网行业中的产品经理和运营岗位人员。

互联网行业

在互联网行业里，又有哪些数据分析的场景呢？

用户活跃数量是衡量一款互联网产品是否成功的一项重要指标。作为数据分析师，你需要随时关注APP的日活变化、监控是否有异常情况的产生、分析日活上升下降的原因、提升用户留存率等。

在王者荣耀里，上线一款新英雄后，该如何构建指标体系去分析新英雄上线后的效果呢？

或者产品经理向你提出，希望你帮忙提高公司产品的付费用户比例，你会怎么去分析呢？

以上都是互联网行业数据分析师实际会碰上的工作场景。

看来，数据分析覆盖到各行各业，不管是传统企业，还是互联网企业，对数据分析师的需求都是非常大的。

数据分析发展路线

数据分析分为两个方向，一个是商业分析，另一个是数据挖掘，两个方向的发展路线不一样。

商业分析更侧重的是业务能力，重视分析思维，需要一定的运营和产品能力。而数据挖掘是往技术路线走，重视算法、数学及编程能力。

相对来说，商业数据分析更容易入门，而数据挖掘门槛较高，对于学工科的人来说会更合适些，比如学统计学、数学或计算机相关专业毕业的。

数据分析师需要具备的能力

商业分析

我们先看一下商业数据分析师需要具备哪些能力。

刚入行的数据分析师会自嘲说自己是个“取数人”。

确实，不管是在商业分析中还是在数据挖掘中，数据提取和清洗环节都会占据分析过程中很大一部分时间和精力。

因为实际工作中，数据往往不是我们“想要的样子”，需要我们对原始数据进行规范化，整理成我们分析的数据格式。

就好比做饭，炒菜往往几分钟搞定，但最花时间的是买菜以及对食材清洗处理过程，大家可能都有过这体会。

对于数据提取，最常用到的技能就是SQL查询了。

大部分互联网公司都会选择把业务数据存储在数据库中，而Mysql是最广泛使用的一种关系型数据库管理系统。

SQL是Mysql用于访问和处理数据库标准的计算机语言。在分析前，往往需要从数据库中提取数据，SQL技能是数据分析师一项很基础的能力。

学习商业数据分析，一定要掌握一款BI可视化工具，这里为什么把Tableau作为商业数据分析师必备的能力呢？

第一，Tableau足够强大，作为一款敏捷的BI分析工具，数据分析中各种复杂的业务场景Tableau都能满足。

第二，Tableau简单易上手，仅仅通过拖拽操作就能完成可视化分析，做出漂亮的图表。Tableau的高级计算，更能够类似编程的方式实现问题的多层次分析，这是传统的BI分析工具比如Excel，做不到的。

第三，Tableau是目前BI行业使用最多的商业分析工具之一，掌握Tableau是进入数据分析领域的一块敲门砖。

如果习惯使用Excel做分析，也可以搭配使用微软推出的PowerBI来完成可视化分析。

在BI行业，Tableau和PowerBI远超过其他产品，处于行业中领导者位置。

商业数据分析师还需要具备的能力：业务能力，沟通能力，项目推动能力等。Python虽然不是必须掌握的，但花时间学习了对工作无疑是锦上添花的。

此外，写作也是一项重要能力，在写数据分析报告，PPT演讲稿时，都需要你有一定的文案写作能力。

数据挖掘

我们再来看一下，数据挖掘工程师必备的能力都有哪些。

我们可以看出，数据挖掘更侧重的是对算法学习，算法的本质是通过数学推导得出来的，也需要你很好地掌握数学基础。

数据挖掘也需要你有一定的编程能力，学习编程就绕不开计算机基础知识的学习。数据挖掘很多算法Python都是支持的，可直接调用。所以说不管是爬虫抓取数据，还是数据清洗，又或者用编程工具做数据分析，都需要编程来实现，需要你掌握一定的编程能力。

以下我给你总结了学习数据挖掘需要具备的能力。

说完数据分析师需要具备的能力，接下来我们再来看一下商业数据分析的基本流程。

商业数据分析流程

分析流程

商业数据分析的一般流程为

我们可以把商业数据分析流程理解成做菜的过程。

需求分析

需求分析阶段，主要是确认分析的问题和目的，我们可以借助思维导图、Excel表格、Word文档来梳理需求。

可以遵循以下6个点来做。

这里要讲一点是有关受众，受众就是看你报告的人。如果你是给业务部门或者公司领导层做报告，那就不应该引用太多专业词汇，尽量写的通俗易懂。如果是给同行业的数据分析师做分享，那多引用点专业术语也无妨。

考虑受众问题，主要是为了避免受到「知识的诅咒」的影响。

当我们是某个领域的精通者时，会不知不觉假设其他人和我们具有相同的理解能力，尤其是对专业术语的使用。

考虑一下大多数人，他们实际上对不了解专业的认知水平有限，并且对你熟悉的事物也不太熟悉。

数据收集

数据收集环节准确来说，用「数据提取」来描述会比较合适。

商业数据分析师不用太多关注数据源是怎么收集的，如是用爬虫抓取，还是通过日志埋点的方式获取。

我们主要是确认数据来源的系统，然后提取需要的数据即可。

数据清洗

数据清洗是数据分析过程中很重要的一个环节，将会占据50%以上的时间。

可以说，没有高质量的数据清洗就没有高质量的数据分析。

在不准确的数据基础上做出的分析，结论将变得毫无价值意义。

在数据分析前，我们要养成良好的「数据审核」习惯，保持对数据的敏锐性，这将会使你成为越来越优秀的数据分析师。

如何进行数据清洗呢，我们可以遵循以下四个准则，适用于大部分数据清洗场景。

数据分析

当你准备好数据之后，就可以进行分析了，以下是商业分析常用的分析方法。

其中，对比分析法是数据分析中最常用的方法，一切数据只有对比起来才有意义。

多维分析法就是细分分析法，指的是从不同方面剖析一个事物，是我们认识世界的基础。

转化分析的核心在于定义过程，主要用来分析互联网中产品流程或关键节点的转化效果。

帕累托分析法指的是经济学原理中的二八法则，原意指的是某西方国家20%的人口拥有80%的财富的现象。该分析方法常用于对产品的优化分析，帕累托分析的理想状态是20%的产品将占据80%的销售额。

常见的模型分析方法有漏斗分析模型、留存分析模型、RFM价值模型。漏斗分析也属于转化分析的一种，留存分析常用做用户活跃度的分析，RFM价值模型是对用户细分的一种分析方法。

公式拆解法是将问题逐个拆解成不同指标的分析方法。比如在分析超市销售利润下降问题时，我们可以将利润拆解成：利润=收入-成本，再进一步分析是收入下降还是成本升高导致，如果是收入下降，我们还可以进一步对收入进行公式拆解，直到最终找到问题原因。

四象限分析法又称为波士顿矩阵，是一种策略分析模型，是制定公司战略最流行的方法之一。

数据分析过程可以借助商业分析工具，比如Tableau、PowerBI。也可以借助编程工具实现，比如Python、R语言。有需要的话还可以引入算法进行分析。

这一步的工作你可以有更多的思考。比如如何让平常的工作更加自动化？在接到一个需求后怎么不用每次都重复上次分析？如何给业务部门创造更多的价值，而不仅仅是只完成给你提的基础需求。

数据展现

数据展现步骤需要你选择合适的图表进行可视化分析，以下是常见的图表类型选择。

数据报告

如何写好一份数据分析报告呢？可以按照以下5个要素来搭建。

撰写工具的选择，如果是文字报告的形式，建议用文档来呈现,比如Word、石墨文档、腾讯文档等。如果是当众演讲，建议用PPT，也可以用Tableau的故事来讲述数据故事。

反馈与评价

当你写完数据报告时，并不意味着分析工作已经结束。

最后你可以主动收集来自业务部门的反馈与评价，看看是否已达到刚开始的分析需求，还有有哪些不完善的地方有待提升，本次分析能否总结成通用分析模型供下次使用等等。

总之，在做完一件事情后，你要锻炼复盘的能力，这样才能有进步，越做越好。

好了，今天的分享就到这里了，下期再见！