中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

前兩節我們更新了，數據分析師進階全攻略的上篇和中篇大家反饋很好，那咱們這篇文章就來更新下篇。

先講下咱們整體的架構，主要會講到數據分析的重要性，數據分析崗位的分類。首先呢，先給大家整理一份思維導圖。

一、對個人的意義

1. 晉升的必備技能

如果你想在職場上做上管理層，那么數據分析是必備的能力

舉個例子：小 A 和小 B 現在同時屬于競爭運營主管的時期。然后領導給小 a 和小 b 同時下達了一個項目任務，領導說這個項目大家好好干。誰能提出超越對手的建議，誰就升職。

小 a 回去想了一想，他對競爭對手進行了分析，又從市場戰略和業務需求中進行分析，交叉引用，并且又基于目前的用戶數量歸類用戶的列表分析工作模式和行為。對于受眾創立用戶畫像。創立出了適合現在公司運營的方案。

2. 說服的必備技能

如果你是一個想要做出成績的職場人，必然是要自己出方案的，但怎么讓別人相信自己的方案，最好就是用數據來證明

舉例：有一個地方，人們都不穿鞋子。公司有兩個業務員分別去考察?？疾焱辏篈 說：“這里的人都沒有鞋子，是個重大潛力市場”B 說：“這里的人都不穿鞋子，沒有市場”現在領導請你分析在這里開展新業務的可行性：

兩個業務員的評價，你信誰的？

A.相信 A

B.相信 B

C.誰都不信

其實，這兩個人說的話，都不可信，因為都是他們各自的主觀判斷，沒有任何數據支撐，你讓我怎么相信你？如果你說沒有鞋子，會是重大潛力市場，請問這些不穿鞋的人當中，有百分之多少的人愿意購買鞋子？客單價多少？復購率多少？喜歡什么款式？各種鞋子的碼數比例是多少？

不論是有市場還是沒有市場，都不應該是主觀的一句話來判斷，而是你得給出這些客觀的數據，所以這道題應該選C，誰都不信，除非你給我證據。

3. 獨立自主的判斷

不會人云亦云，具備數據分析的思維，能更容易抓到重點，避免偏見

舉個例子：如果你問運營活動做的怎么樣啊？你可能經常會聽到如如下話語，這個活動很好，該繼續做。這個活動不好，不能做。這個活動做了不好不壞，做了也是白做。

這就說明了我們平時遇到的運營大概率都是稀里糊涂，呆頭呆腦，投機取巧，渾水摸魚。而你作為一個數據分析師你不能這樣想啊，要有自己獨立的判斷能力，可以分析業務邏輯，梳理業務過程，這樣才能客觀的得出結論。首先咱們可以梳理活動流程，然后篩選主指標，設定判斷標準，最后找出影響的過程。

4. 嚴謹的思考能力

不再是我覺得，我認為，從主觀判斷到客觀嚴謹的數據分析，更容易找到正確的方向。那從企業的角度來講，我們數據分析師就是醫生，我們通過對企業運營數據的分析來判斷企業的癥結所在。作為一名合格的數據分析師，我們應該保持嚴謹負責的態度，并且保持中立立場，客觀評價，這樣才能對企業發展過程中存在的問題提供有效的參考依據，不說其他影響的改變。

舉個例子，比如你說：

落地頁轉化率是 1%，轉化率較低。

估計絕大部分的新人分析師在分析報告都會這么寫。這里“落地頁轉化率是 1%”是事實，“轉化率較低”是觀點。雖然有事實支撐，但是這個觀點很明顯有問題，憑什么 1% 就是低呢？

很多新人評判高還是低完全看數字大小，覺得 1% 這么少肯定算低了。但業務人員一看，覺得這個轉化率很高，因為平時的轉化率只有 0.5%。這就是大家的論證過程不同導致的觀點不同。

但人是優先使用直覺思維的，因為直覺思維可以快速做出判斷，節省了大量的能量。如果你沒有考慮過理性思維的重要性，依靠著直覺思維和數據分析的方法解決問題，這會給你的職業發展留下一個巨大的隱患。在開始的時候，你不會有什么感覺，和別的分析師似乎也沒什么區別，但幾年之后，你會發現自己成長非常有限。

二、對公司的意義

開發“鵝臉識別”！深圳 00 后學生克服重重困難，巧用 AI 助農戶養鵝

300 多年來，“世界鵝王之鄉汕頭”的鵝農們都學會了一個技能：通過肉眼觀察鵝是否長時間不動、雙手觸摸感知體溫是否發燒，來判斷鵝的健康。但很多時候，眼和手再快，也快不過病毒。

疾病摧毀一個千余只的鵝場，最快只需要十天。2018 年冬天，一場突如其來的禽流感席卷了后溪村，有鵝場 1000 只獅頭鵝最后只存活了 5 只。深圳的 00 后大學生用上了 AI，造了一個人工智能養鵝場

深圳大學騰訊 AI 班（下稱騰班）的大二學生，開啟了一次獨特的實踐作業，用 AI 幫助農戶養鵝。蹲守鵝場半年，他們踩著 3cm 深的鵝屎工作、對 30 萬只鵝進行“鵝口普查”，在標注中練出手速；在 40 度高溫和臺風來襲中，打響攝像頭“保衛戰”；和農戶交流鵝病，翻遍論文變成半個養鵝專家。

鵝是水禽生物，像給豬一樣掛二維碼識別的方式行不通。為了獲取足夠多的樣本“投喂”AI，同學們選擇用養殖場的攝像頭抓拍，人工逐一抽幀，再對拍攝的每張照片進行分類、打標簽。

6000 張圖片、30 萬只鵝的標注，讓很多同學睡覺夢見的都是鵝?！白?AI 真的是有多人工，才能有多智能?！蓖躐礊栒f，標注過程中需要集中百分百的注意力，“紅框如果稍微大一點，圈了一點雜物都會影響 AI 的訓練效果”。

不僅如此，同樣的算法在不同的場景里，準確率可能會差幾十個點，因為鵝的場景太過密集，更需要不斷的迭代優化算法。在騰訊工程師指導下，同學們首先優化識別算法，提高密集場景下獅頭鵝的識別率，之后又優化追蹤算法，記錄每一只鵝的停留時長，進而判斷是否有異常。改了“差不多幾十次”模型后，算法組同學才真正明白老師沈琳琳常說的那句話——沒有 100%的算法模型，只有因地制宜的算法模型。

鞋縫一點點塞滿凝固的鵝糞，學生們對鵝的了解也在不斷加深。他們發現，由于成年獅頭鵝的羽毛厚重，導致難以測量鵝溫。而小鵝苗的羽毛更輕薄，有測溫條件，正常鵝苗的體溫是 40-41 度，如果生病體溫一般會略高，所以，又在小鵝生活的鵝棚安裝了紅外測溫儀，并復用一部分“呆頭鵝”識別跟蹤的算法，幫助鵝農識別體溫異常的“發燒鵝”。

后來，有同學又從十年前的論文里發現，獅頭鵝的發病和臺風、霧霾等天氣也有著密切關系，于是這群 00 后又在小程序上新增了數據觀測及分析功能。

從短袖到夾克，跨越 100 多個日日夜夜和上百場的線上會議，小程序一直在進行迭代升級。到今天，小程序界面上每天都可以實時收到幾次的呆頭鵝、發燒鵝的預警，顯示鵝場的溫度、濕度、PM2.5 指數及數據變化的趨勢圖，幫助農戶將獅頭鵝的存活率環比提升了 30%。

三、數據分析案例

數據分析有反面案例么？也是有的，

啤酒和尿布

有一個傳言說沃爾瑪在分析消費者的購物行為時，發現男性顧客在購買嬰兒紙尿褲時，往往會順便拿幾瓶啤酒犒勞自己，于是嘗試將啤酒和紙尿褲放在一起促銷。沒想到這一舉動大大提高了紙尿褲和啤酒的銷量。

你們聽了這個故事，是不是覺得數據分析好厲害，居然這兩個不相關的商品，擺在一起可以提高銷量

1. 是的
2. 不太好說

但其實，這個故事是個胡扯的事。但正好可以作為一個反面的案例來說，你真的去沃爾瑪，絕對不會看到啤酒和尿布放在一起。因為這樣放，會導致一大堆的業務問題

1.進超市買東西的人找不到自己想買的東西，試想，一個只想買啤酒的人，走到超市里，到處找不到啤酒，要么他就走了，要么他問營業員，營業員說我也不知道在哪，因為我們的商品都是按照關聯銷售擺放的，每天都在變位置

2.營業員的工作內容變多，工作時間變長，本來只需要按區域補貨就可以了，現在要把商品不斷換地方

即使把啤酒和尿布放在一起可以帶來更多的銷售額，但做這個事情的弊端會遠遠超出帶來的好處。

所以數據分析不是瞎分析，懂得數據分析的方法更要結合業務。

那么什么場景下啤酒和尿布這個是成立的呢？在電商場景下，你看到一個商品，下面會有一個猜你喜歡，這里面確實會有根據銷售關聯度推薦的一些其他商品，在電商的某商品下面推薦了一個跟這個商品不是一個品類，但有一定關聯性的產品（比如電腦攝像頭下面會推薦電腦拓展塢）

那么我們來看看數據分析的其他案例：

數據分析助力公司運營

前公司的時候，有一次被領導叫進了辦公室。話說當時我正在開開心心的碼字，領導一臉凝重的說你們幾個進來一下。當時我和我得同事面面相覷說怎么了這是？

就有一種不太好的預感，一進去領導就開始發飆拿出上個月的業績嚴肅的說沒完成啊，你們為什么沒完成，你們有想過么？現在的目標拆解，你們上個月就差這么多，怎么補，這個月能補上么？每個月都差，今年的業績就這樣了？擺爛了？

領導唧唧呱呱說了一大堆，而我倆的內心卻是，完不成怎么辦？？？算了，完不成就完不成吧，大不了離職被，又不是我的公司，再去霍霍下一家公司。（打工人職場日常是不是）

呸呸呸，我在說啥。

如果你是運營，一般這時候你該怎么辦？

1、無腦低價促銷，管他賺不賺錢，沖業績就完

2、理性分析業績下降原因，搞清楚用戶去哪了？是去競品了，還是需求變少了？搞清楚原因

我相信大部分公司的運營這時候都會覺得，促銷吧。先完成任務再說。業績完不成唯有搞促銷，短期拉業績，但是我們可以這次低價，那么下次呢？一直低價么？公司不賺錢了么？所以這時候我們應該做的，是去搞清楚事情為什么會發生，我們該如何應對。

后來咱們拉出來數據看一看，分析哪些產品賺錢？哪些客戶賺錢？發現49個產品中只有不到30個產品是賺錢的，就拿毛利率為基準，我們將低毛利的商品砍掉20%，然后將一些低毛利的捆綁銷售，去改變現有的策略，讓用戶仍然覺得實惠，最后拉高了整體的毛利率和銷售額。

數據分析崗位的分類

在第一部分呢，咱們已經對了數據分析師的崗位，以及他的技能薪資有了一個簡短的介紹，那是一個縱向的維度。繼續根據數據分析的 3 個層次，我們來分別講解一下。

入門階段的我們就不說了，硬核職場的課程至少都是奔著10K去的，所以我們直接從初級的開始說起。

初級階段：么的感情的取數工具人：

1.初級的工具人，需要具備的能力是什么？excel，數據可視化，BI，sql 取數，指標體系搭建，簡單的分析方法例如同比環比分析，漏斗分析（知道有什么方法論，但因為不懂業務不知道方法論應用的場景）

說一個我最近做面試官的例子吧

最近公司比較忙，我打算招一個小伙伴一起幫我。面試了諸多小朋友，最后覺得小 D 還不錯，因為小 D 相比其他的小朋友可以熟練的使用工具，并且知道一些數據分析的方法。

剛好雙十一剛剛結束，我讓小 D 做了一份數據分析的報告給我看?？葱?D 寫的一份“母嬰產品分析報告”時，根據時間與銷量的關系，可以看到第四季度的銷量猛增或者 11、12 月的銷量增長，憑空冒出假設是“雙十一”、“雙十二”的促銷效果。

提出假設以后，也不做任何的驗證了，這是不對的。如果讓你寫一份數據分析報告，你是不是也會和小 D 一樣？

將十一月的成果直接歸功于雙十一？那么我想問一下大家。提高銷量是雙十一的活動效果，這個咱們有數據支撐嗎？可能只是憑著我們對生活的經驗推測出來的吧。

那我跟大家講，這并不是結論。

那正確的做法我們應該怎么樣呢？

我們可以先提出再假設進行驗證。我們首先先假設 這有可能是雙十一大促帶來的高成交量。同時也因為雙十一的促銷，他已經提前透支了顧客的部分購買需求，所以未來下一季度的成交量也會減少。

再然后我們可以用數據進行證明，比如說我們可以拉出 11 月份的日程交量。然后然后證明雙十一幾個重要節點銷量確實有所增加，但只是一部分的原因，因為在其他日期里也會有高成交的存在。

所以這是咱們的新手很容易存在的問題，就是也學了一堆工具，那么談起使用工具的時候，滔滔不絕，但是面對問題還不知道怎么分析。他們也很努力，每天做了很多圖表，但也只是能分析出已有的現象，比如說這個月銷量下降了，下個月銷量上升了。但是他們卻不會分析背后發生的原因，所以他們也得不出什么結論

中級階段：可以熟練使用工具并且透徹了解業務數據分析師

中級的數據分析師，需要具備的能力是什么，工具+業務能力

在營銷領域，數據方面是分成不同的職業的，主要可以分成兩大類，就是一類是數據分析，一類是 數據科學。在數據分析這個領域對這個行業的領域知識會比技術的要求更高，或者說對技術的要求并沒有數據科學對技術要求那么高。

對于數據分析，工作的內容大體上是需要從 SQL 中拉一些數據出來，然后做一些簡單的分析，以及在數據可視化的工具上去做一些看板，來幫助營銷團隊監測營銷活動的表現，并且找出他們關心的 KPI 增長或下降背后的原因。

除了數據分析，現在越來越多的科技公司也有市場數據科學這樣的架構

例如 Joy 就是 marketing 領域的 data scientist，他們會專門為 stockholder 去回答一些更加復雜的問題，比方說去幫助營銷部門來優化一年的營銷預算，幫助來建立個性化推薦的算法，或者做很多優化營銷創意的測試等。很多營銷數據科學家除了要去利用統計建模，機器學習來解答這些問題之外，還經常會在工作中涉及數據管道的搭建等 。

你以為只有這些高大上的職位才能做數據分析嗎？不不不，后勤也要做數據分析。舉一個我現在公司的例子吧，

我們公司做物聯網設備，會定期給線下的商家門店送一些宣傳的物料，讓他們在門店里擺放。假如你是一個商家，你不管需不需要，你都要接受，因為我們每周都會定期給你。做宣傳物料本身是需要花費很多成本的。

但是，后來我們發現市場部發現不是所有的商家都這么頻繁的需要物料，給商家無差別的發放物料，商家用不完就會扔掉，造成了大量浪費。而且大家用同樣的物料，不同門店之間轉化率還是相差很大，有的商家做的優秀，有的商家做的差的還是很差，可見物料并不是決定轉化率的決定因素。

所以我們現在就做了一個線上物料管理平臺，這樣商家可以按需領取物料也節約了我們很多物料的成本。大家形成雙贏。同時根據我們的線上物料平臺，我們可以知道物料領取的數據，發放的數據，以及哪些商家是用的比較多的，哪些商家是比較少的，這樣我們的后勤運營人員可以通過數據分析對商家的門店投放效果進行一個評審。

高級階段：商業分析專家-指南針

激動的心顫抖的手終于講到大神了，這時候要求我們數據分析師對市場、上下游、商業有強烈的洞察力，具備較強的邏輯思維能力，敏銳的觀察能力和獨立分析能力。很多商業分析師是需要獨立完成一份行業分析報告，站在整個行業的角度，去看待本公司、所有競品公司、上下游的各種關系與優劣勢。作為一個高級的數據分析師你已經完全擁有了指哪打哪的能力！

比如：在金融服務行業擁有大量數據和資金，長期以來一直采用預測分析來檢測和減少欺詐、衡量和管理風險、最大化營銷機會并留住客戶。各種規模的銀行都依賴預測分析。

在營銷中 ， 預測分析用于確定客戶的反應或購買，以及促進交叉銷售機會。 許多公司使用預測模型來預測庫存和管理資源。

舉一個典型的數據預測案例吧：

大家平時肯定刷過短視頻，而且經常一刷就停不下來，當你在連續好幾個小時刷視頻的時候，其實就是一個典型的大數據預測應用。

短視頻平臺會根據你看視頻停留的時長，你的點贊，你的評論，你的收藏，結合短視頻本身的標簽屬性，來預測你喜歡哪種類型的短視頻，然后推送給你，讓你刷到的都是自己喜歡的。

就這樣，你不斷的在短視頻上消耗時間，而平臺也獲得了大量的用戶流量，再通過廣告的方式變現，賺的盆滿缽滿。而這背后都是數據科學的功勞，如果數據科學預測的結果不能讓用戶刷到喜歡的短視頻，用戶使用的時長就會變短，流量自然也會下滑。

能做到這一點的數據分析師，市場價不會低于百萬年薪的。

如果把咱們數據分析比作一個廚師做菜的過程呢，那咱們就是先走進飯店，今天講的課就是咱們已經半只腳踏進飯店啦，然后再看看顧客下單，然后看到下單之后呢，我肯定要設計一個方案，就是咱們設計方案的過程。

這些都處理好，處理好之后，那我要開始備料了，備料其實是數據采集的過程。備好料之后，然后接下來咱們就開始切菜，切菜就是數據處理拉。切好菜，我們就可以烹飪了，烹飪實際上是數據分析。最后端菜就是我們的數據呈現。

數據分析是一個非常龐大的體系，今天的課程只是一個導論，讓大家知道這個崗位具體需要掌握一些什么能力，以及未來發展空間，之后我們會講數據分析的實戰與應用，請大家期待下。