只做报表的数据分析有前途么？

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

只做报表的数据分析有前途么？（报表数据分析需要学什么）

2023-05-30

浏览次数：次

返回列表

做报表是数据分析师的工作之一，但是并不是唯一的工作。如果一个数据分析师只做报表，而没有一些其他工作，那么你无疑是一个“取数姑”了。如果做数据分析师，只会做报表的话，迟早有一天会被淘汰的。数据分析师出了做报表，还需要指标建模，分析报告，简单的模型构建。

那么如何提高自己的竞争力呢？

下面我总结了一波书和资料，字比较多，如果觉得看长篇大论麻烦，也可以看视频课版，里面有技术大牛亲自下场指导，大厂实战案例助你提升视野，内容涵盖分析工具操作入门、数据可视化、数据分析+实战，迅速提升专业能力，让你少走弯路，高效入门！

1.建立数据分析思维

首先，想要摆脱“取数姑“的困境，需要培养自己的数据分析思维，我总结了数据分析过程中常用的一些数据分析思维！

文章来源：公众号数据万花筒

文章链接：数据思维|总结常用的数据分析思维和分析方法

数据思维|总结常用的数据分析思维和分析方法mp.weixin.qq.com/s/kk56ju0ju-7ZfyRXzE6gzA

文章目录结构如下：

1.三大分析思维

2.不同生命周期的分析方法

3.实操案例汇总

内容节选自《数据分析之道——用数据思维指导业务实战》，完整内容请参考书籍！

数据分析之道：用数据思维指导业务实战(博文视点出品)京东¥106.00去购买

全书数据代码实践案例领取链接！

坚持写作两年，我的第一本书出版啦，本周限时优惠，免费送30本！mp.weixin.qq.com/s/2s4rCBKedyAdT7i9EQDtsw

本书以数据分析思维为主题，主要介绍对比思维、分群思维以及相关思维三大数据分析思维，同事以数据分析全流程为主线，融合了编程语言、统计学基础以及案例分析等多模块内容，全书分为4篇，囊括了数据分析思维的基础概念培养方法、数据来源及体系建设、数据分析三大思维方式以及用户流失、用户转化实战等共十一章的内容。

全书都是彩印，放上两张图让给大家瞅瞅。

数据分析之道：用数据思维指导业务实战(博文视点出品)京东¥106.00去购买

点击上方蓝字关注我们

掌握常用的数据分析方法论是培养数据分析思维的基础，俗话说“工欲善其事，必先利其器”，而数据分析方法论就是数据分析是最强大的武器之一。这一节会围绕数据分析常用分析方法展开，概括性地介绍数据分析师在日常工作中较为常用的数据分析方法论。

三大分析思维

对比分析，用户分群以及相关性与因果性分析是贯穿数据分析全流程的三大分析思维。如图1所示，三大分析思维包含了不同的分析方法。

没有对比就没有明确的数据结论，对比分析可以衡量数据整体大小，数据波动以及数据变化趋势，所以说对比分析是得出数据结论最简单有效的方法。通常情况下，数据分析师会利用业务数据与大盘数据或者行业金标准数据进行对比，以判断业务现状。除此之外，同比，环比/横比/纵比等也是较为常用的对比分析方法。A/B测试是一类较为特殊的对比分析方法，该方法是数据分析师常用的线上试验的方法，是探究变量间因果关系最行之有效的方法。

用户分群也是贯穿数据分析全链路的分析思维，根据用户的行为数据/消费数据等特征对用户分群是实现用户精细化运营的基础。用户分群可以基于用户历史数据，对数据进行分箱处理形成规则类型的标签，从而根据标签实现用户分群。如果企业的数据标签体系做得好可以直接通过数据标签实现用户的分群。除此之外，用户同期群分析也是用户分群另一种方法，该方法是一种横纵结合的分析方法，在横向上分析同期群随着周期推移而发生的变化，在纵向上分析在生命周期相同阶段的群组之间的差异。当然，数据分析师也可以根据需要使用RFM模型或者K-Means等机器学习算法实现用户分群。

除了对比分析和用户分群之外，相关性与因果性分析也是数据分析师需要具备的第三大分析思维。在变量关系探索的过程中，相关性分析师较为常用的分析方法，但是变量之间存在相关性并不代表它们之间拥有因果性，所以必要时候因果推断也是数据分析师必会的分析方法。

完整文章请查阅数据思维|总结常用的数据分析思维和分析方法

数据思维|总结常用的数据分析思维和分析方法mp.weixin.qq.com/s/kk56ju0ju-7ZfyRXzE6gzA

剩余目录结构为：

2.不同生命周期的分析方法

3.实操案例汇总

数据思维|总结常用的数据分析思维和分析方法mp.weixin.qq.com/s/kk56ju0ju-7ZfyRXzE6gzA

2.如何进行指标建模

文章来源：公众号-数据万花筒

文章链接：指标体系|四个模型教会你指标体系构建的方法

https://mp.weixin.qq.com/s/D22Mfk2gFtpW6ZFn-LahOgmp.weixin.qq.com/s/D22Mfk2gFtpW6ZFn-LahOg

加入我们，每日刷题：

知识星球

春招在即，数据分析师笔试面试必考的知识点你都会了吗？mp.weixin.qq.com/s/YqSQS5-3Nz3gsHUn7U2hTg

一本书《数据分析之道——用数据思维指导业务实战》教会你数据指标建模的全套流程！

数据分析之道：用数据思维指导业务实战(博文视点出品)京东¥106.00去购买

全书数据、案例及代码领取链接

坚持写作两年，我的第一本书出版啦，本周限时优惠，免费送30本！mp.weixin.qq.com/s/2s4rCBKedyAdT7i9EQDtsw

点击上方蓝字关注我们

作为数据分析师，构建数据指标体系是较为基础但是极为重要的工作内容。好的指标体系能够监控业务变化，当业务出现问题时，分析师们通过指标体系进行问题回溯和下钻能够准确地定位到问题，反馈给业务让其解决相应的问题。这就是指标体系存在的意义和数据分析师的价值所在。那如何才能建设一套能够实时监控业务变化且能迅速定位业务问题的指标体系呢？小编今天会用三个步骤，四个模型教会大家指标体系的构建方法。

构建数据指标体系的方法概括

数据指标体系建设的方法可以总结为三个步骤，即明确业务目标，理清用户生命周期以及行为路径以及指标分层治理，在这三个步骤当中又涉及到 OSM(Object,Strategy,Measure),AARRR(Acquisition,Activation,Retention,Revenue,Referral),UJM(User, Journey, Map), MECE (Mutually Exclusive, Collectively Exhaustive) 四个模型，这四个模型是指导我们构建完整而清晰的指标体系的方法论。

小编整合这四个模型，为大家梳理了一套建设指标体系的流程和方法。

三个步骤，四个模型方法论

1.OSM模型-明确业务目标，数据赋能业务

OSM模型是 Object, Strategy, Measure的缩写。数据服务于业务才能赋能业务，数据脱离业务，那么数据就会失去其价值。

所以，我们在建立数据指标体系之前，一定要清晰的了解业务目标，也就是模型中的O,Object。换句话说，业务的目标也就是业务的核心KPI，了解业务的核心KPI能够帮助我们快速理清指标体系的方向。

了解业务目标方向之后，就需要制定相应的行动策略，也就是模型中的S,Strategy。行动策略的制定可以根据产品生命周期或者用户行为路径进行拆解，也就是把业务的核心KPI拆解到产品生命周期(AARRR)或者用户行为路径(UJM)当中，在整条链路当中分析可以提升核心KPI的点。

最后，就需要我们制定较细的评估指标，也就是模型中的M,Measure。评估指标的制定是将产品链路或者行为路径中的各个核心KPI进行下钻细分，这里用到的方法就是麦肯锡著名的MECE模型，需保证每个细分指标是完全独立且相互穷尽的。

总结一下OSM模型的内容及其与AARRR,UJM,MECE模型之间的关系，OSM模型是指标体系建设的指导思想，理解业务KPI是OSM模型的核心；制定行动策略是实现业务KPI的手段，而AARRR和UJM模型是实现策略制定的方法论；制定细分指标是评估业务策略优劣的方法，而MECE模型制定细分指标的方法论。

2.AARRR模型和UJM模型--理清用户生命周期以及行为路径

前面我们提到AARRR和UJM模型是实现策略制定的方法论，对于刚入门或者想要转行的朋友来说，可能对这两个模型都还很陌生，下面我们就简单的介绍下这两个模型。

AARRR和UJM模型都是路径模型，二者原理相似，只是它们出发的角度不一样。AARRR模型是从产品角度出发，揭示产品的整个生命周期；而UJM模型是从用户出发，揭示用户的行为路径。

AARRR模型是基于产品角度，简单地来说就是拉新，促活，留存，付费，推广。对于一款产品来说，我们首先要从各个渠道获取用户；其次需要激活这些用户并让他们留存下来；对于留存下来的用户引导他们付费以及推广产品。

UJM模型则是从用户角度出发，描述了用户进入产品的整个路径流程，即注册，登陆，加购，购买，复购链路流程。

无论是产品角度还是用户角度进行链路流程，核心KPI都可以下钻到相应的节点，这样我们就在整条链路流程当中拆解了业务的核心KPI。这样的好处是，我们可以从更多的角度和维度监控和分析业务问题。

3.MECE模型--指标体系分级治理

前面两个步骤，首先我们明确了业务核心目标；其次，我们将业务核心的KPI下钻到产品生命周期或者用户路径行为中；接下来我们需要对这些核心KPI向下进行三到五层的拆解，这个过程我们成为指标体系分级治理，用到的模型是MECE模型。MECE模型的指导思想是完全独立，相互穷尽，根据这个原则拆分可以暴露业务最本质的问题，帮助数据分析师们快速地定位业务问题。例如，客户总成交额GMV进行以及拆解可以是付费用户数与平均客单价的乘积。

以GMV为例，用三个步骤，四个模型教会你搭建指标体系的方法

如果你的老板给出你一个很大的业务问题，他说，“我们现在做一套GMV相关的指标体系，你出一个方案吧！”面对这么大的一个命题，我们就需要对命题进行分解，将其分解成若干个子问题并找到各个子问题之间的联系，做成一套业务监控指标体系，帮助数据分析师快速定义业务问题。在这里，我们就通过上面提到的三个步骤，四个模型去搭建GMV相关的指标体系。

第一步，根据OSM模型构建整体框架，明确业务目标。

为什么业务会关注GMV？当然这是业务的核心KPI，关系到自己的饭碗，GMV当然越高越年终奖越高。所以，作为数据分析师我们提炼出业务目标——提升用户总成交量GMV。

第二步，根据AARRR或UJM模型拆解用户达成GMV的路径，将业务目标转换为提升用户路径转化率。

用户达成GMV需要通过六个步骤，即注册-登录-曝光-点击-加购-成交。到目前为止，我们已经将提升GMV这个目标转换为提升用户付费路径的转化率，只要我们提升用户每一步的基数，使得每一步的转化率变高就可以达成提高GMV的目标。

将提升GMV转化为提高用户达成GMV路径转化率还有另外一个好处，即通过路径拆解能够暴露业务更多的问题，同时，分析师可以根据暴露的业务问题提出相应的建议方案，这也是数据分析师的价值所在。

第三步，根据MECE模型对GMV达成路径的每一个指标进行拆解，实现指标分级治理。

有了GMV达成路径之后，我们就可以将这个路径的核心步骤抽象成GMV的分级指标并进行回溯下钻。同时，找出影响每一个步骤的关键因素作为二级指标，每一个关键因素之间需要完全独立，相互穷尽。

我们先根据公式1：

GMV=成交用户数*平均客单价

这里将核心KPI用户总成交量GMV进行了一级拆解。

又有公式2：

成交用户数=点击UV*访购率

将公式2带入公式1得到：

GMV=点击UV*访购率*平均客单价

又有公式3：

点击UV=曝光UV*转化率

将公式3带入公式1得到：

GMV=曝光UV*转化率*访购率*平均客单价

到这里呢，我们已经将核心KPI用户总成交量GMV进行三级回溯拆解，形成了分级治理的指标体系。到这里并没有结束，像曝光UV等着指标还可以继续向下拆解，例如，谷歌渠道曝光UV，华为渠道曝光UV等等，可以根据具体的工作场景进行适当的调整和向下拆解。

讲到这里你可能会有几个问题。

问题1：指标分级治理拆这么细有什么用？

正向作用：分解核心KPI，明确每一个步骤的行动计算和每个行动考核指标。

例如，老板让你估算明年GMV，就可以根据历史数据运用这套指标体系对明年的GMV进行估算。

再例如，老板让你下个月做到1个亿的GMV，让你出个方案。这是就可以再对曝光UV进行细分，把量拆解到每一个渠道上去。

反向作用：当业务出现问题，可以通过指标体系反向排查业务问题。

例如，这个月的GMV下降了10%，老板让你排查下问题在哪里。这时候就可以根据这套指标体系逐一排查问题，定位到是哪个步骤，哪个环节出现问题，并提出相应的解决策略。

问题2：在运用MECE模型进行指标体系分级治理时，是不是拆的越细越好，越全越好？

当然不是，在进行MECE拆解时，需要找到与核心指标有重要关联关系的子集进行拆解分类，这样才能保证指套指标体系能够指导业务进行决策分析，帮助数分定位业务问题！

指标体系相关文章持续更新中，当你入职新公司你知道如何为新业务搭建一套通用的指标体系并快速实现落地嘛？在看满16个继续更新哦！

如果喜欢我们的文章，请分享给你的好友，动动手指就是对我们最大的支持！

最后，为大家收集了各个行业指标体系模板，斯小编即可领取！

参考链接：

https://www.zhihu.com/question/315972357/answer/1238739118

https://www.zhihu.com/question/396456056/answer/1238380415

https://zhuanlan.zhihu.com/p/153286082

https://blog.csdn.net/weixin_39699670/article/details/111103446

http://www.woshipm.com/operate/4000572.html

如果您觉得我们的文章还不错，请分享，点赞，再看，一键三连！！！

END

指标体系相关文章持续更新中，欢迎加入数据人专属交流群

数据人必会的Excel|掌握这些文本函数，让你的工作如鱼得水！

数据人必会的Excel|学会这些日期函数，能够解决80%的工作难题！

史上最全的数据分析转行经验分享附送转行大礼包

数据人必会的Excel|学会这些统计函数，让你的工作效率加倍！！

数据人必会的Excel｜连Excel函数都不会，那你还能干啥

数据人必会的Excel|还在给老板看苍白无力的数据？有了这份Excel炫酷的报表，还愁不升职加薪

分享数据知识，成就数据理想

3.提高职场竞争力，不断为自己充电

点击上方蓝字关注我们

来源：公众号-数据万花筒

链接：B站数据分析课程学习清单！

很多优质的数据分析课程，需要的小伙伴自取！课程包括了数据思维系列、统计学基础系列、面试经验分享系列、项目实战、SQL、EXCEL、Python等多方面的内容，课件笔记还在整理中，之后会继续分享！B站数据分析课程学习清单！很多优质的数据分析课程，需要的小伙伴自取！课程包括了数据思维系列、统计学基础系列、面试经验分享系列、项目实战、SQL、EXCEL、Python等多方面的内容，课件笔记还在整理中，之后会继续分享！

数据分析思维

1.《互联网大厂之商业分析》

https://www.bilibili.com/video/BV1a64y127Hi

2.《互联网业务数据分析》

https://www.bilibili.com/video/BV16p4y1W79k

3.《用户增长之数据驱动的增长黑客技能》

https://www.bilibili.com/video/BV1f64y127U9

4.《游戏数据分析运营求职面试职场进阶必会知识体系》

https://www.bilibili.com/video/BV1y54y1j7p7

5.《数据分析师必会的用户画像构建》

https://www.bilibili.com/video/BV15h411k7wR

数据分析之道：用数据思维指导业务实战(博文视点出品)京东¥106.00去购买

本书特色

本书并不是空洞而孤立地讲数据分析思维，而是基于完整的数据分析流程阐述数据思维在整个流程中的应用，涉及到数据分析的每一阶段。从通过数据埋点获取用户数据到数据标签化处理再到指标体系监控业务变化是数据分析的准备工作；而对比思维、分群思维以及相关思维是数据分析各个阶段都会用到的思维方式；而将各类分析方法以及分析思维恰到好处的运用到业务场景中以揭示业务问题才是数据分析真正要解决的问题。本书从数据埋点到各类分析方法的应用为读者搭建一套系统的分析框架，读者需要在掌握Python、SQL、Excel等数据工具的前提下进行实践效果最佳。

数据分析思维并不是一蹴而就的，也不是学完本书就会立刻拥有的，本书不具备赋予读者数据思维的“超能力”。数据分析思维不同于数据分析工具，数据思维较为抽象，不像数据工具有一定的语法结构，需要在业务实战中进行积累的。但是本书会总结分析方法论以及分享实践案例引导读者树立数据分析思维，当然这是远远不够的，培养数据思维最好的方式还是在实战中积累和总结，本书只是抛砖引玉为读者建立一个系统地框架，最终还是需要读者在自己行业中进行实践和积累。

面向的读者

本书适合以下几类人群

-工作1-3年的初级数据分析师

-已经掌握了数据分析工具，需要培养数据分析思维的转行人员

-数据科学行业的人力专家和猎头，用于标定候选人数据分析能力

本书主要以数据分析思维为主题，其中的实践案例涉及到Python以及SQL语言，但本书不会去讲解。

Python以及SQL语法，所以本书面向已经掌握了Python及SQL等数据分析工具的出即数据分析师和相关转行人员。