1、如何解决临时题述需求

需求解读

先看一下需求解读，我们一定要花至少 20% 的时间分配在沟通需求上，一定要当面沟通，并且这个过程贯穿整个分析过程。

（原始需求、了解需求、本质需求图）

比如原始需求：“负责活动的几个事业群同学希望看到活动的效果情况” 。 如果只是抛出这样一个命题，请问你怎么做？

如果直接提数写报告，结果一定是错的，通过与需求方沟通发现需求是这样的“目前活动对日活的帮助及活动出现哪些问题？”，是不是还是比较模糊？

再进一步沟通发现需求本质是“活动的拉新效果如何？活动拉新用户后续黏性如何？针对数据活动如何做出优化？”这样是不是就更具体了，在此基础上接下来我们便可以构建逻辑树。

（逻辑树图）

建立逻辑树

建立逻辑树的目的是让思路更加简洁清晰，比如针对四月份的活动运营分析，涵盖了活动前、中、后，同时活动前又包括了流量和收入。以流量为例，流量包括活动前每天的流量效果，因为活动前往往会做一些预热，所以会出现流量波动。

同时在活动中，也涉及流量和收入，比如 DAU/MAU 是否提升，拉新情况，老用户唤醒情况，活动中连续访问情况，上线频次分布，等等。同时还需要注意各类活动的横向对比情况，进而可以对业务提出优化建议，而不只停留在简单的数字上。

而活动后的流量涉及拉新用户的沉淀效果如何？不活跃的老用户在活动中的表现，后续活跃度如何？以及汇总数据和复盘数据分析。

面对需求一定要建立合理的逻辑树，有了逻辑树才能知道具体需要分析的点是哪些。

2、如何搞定BAT大厂的数据分析项目

2.1 数据异常排查

最大概率法则原因分类：
1、假期效应：开学季、暑假、四大节、当地节日
2、热点事件：常规热点（世界杯）、突发热点（爆款IP）
3、活动影响：双11、618，公司层面活动
4、政策影响：互联网金融监督，快递实名
5、底层系统故障：数据传输、存储、清洗有无问题
6、统计口径：业务逻辑更改、指标计算方式更改

3、怎样才能更好地转型或成功跳槽

3.1 对上节课三个问题进行解答

Q1：流量波动，数据突然涨了怎么分析–考察分析师的经验怎么样
例子：美团外卖近期订单量突然下降5%，需要分析师给出解释并提供下一步建议。
一些经验不足的数据分析师遇到这个问题可能会盲目地检查原因，比如是否口径问题、数据存储问题、产品变化问题等等原因导致。但这样的回答都是单点分析，缺少全面性，我们看一下参考答案。
1、明确分析步骤
先对问题进行分析，数据波动多少，比如：订单量下降5%属于什么水位，影响范围有多大 属于正常波动，波动范围有多大；还是数据异常，造成的原因是什么，影响范围
如果发现对收入有重大影响，这个时候CEO都可能会关注这件事情，所以要更全面地分析原因。

Q2:常用三个App–考察分析师的思考深度怎么样
建议你回答跟应聘岗位相关的App，比如你应聘公司的产品是QQ音乐
这个时候你可以说三款App是网易云音乐、微信读书、知乎
为什么这里会说微信读书和知乎，是为了给面试官衬托你的亮点—网易云音乐
以网易云来说，能不能说下你对这个产品最喜欢的点，以及最想吐槽的点。

3.2 日常工作分析

1、梳理基础指标体系

数据分析师需要根据业务的理解梳理指标体系以及对业务进行数据语言化，这项对于一个新业务来说尤其重要，基础指标体系的口径、规范、以及如何业务如何通过数据语言描述出来，是一项比较基础的工作。

该项工作要求分析师具备搭建数据指标体系和梳理基础数据的能力，该能力项重点考察分析师对业务的理解以及基于对业务的理解按照合理逻辑拆解指标的能力，它要求分析师具备很好的业务理解和逻辑框架能力。

2、利用SQL语句完成数据收集工作

数据分析师的数据大部分是从数据库提取而来的，sql不仅能提取到所叙述句，还可以极大程度的提高工作效率。

对于一些需要深度分析用户行为的数据，使用sql提取数据的时间可能会占整个数据分析过程的50%。如果对sql足够熟悉时，就可以使用sql自动化或半自动化实现日常数据收集，这会使你的工作效率提高一个档次。

3、制作报表

数据分析师把指标框架和分析体系搭建起来，需要把一些常规日报、周报、月报啊等一些分析内容沉淀下来，1来节省自己的精力做更有价值的业务分析，2来可以覆盖业务绝大部分的看数需求。

编写报告并不是将数字汇总发送给领导那么简单。数据分析师需要了解如何用数据创建叙述，为了保持价值，数据分析报告要一目了然，简单易懂的方式展现答案和见解，因为决策者或者上级领导不一定也是数据分析师。

3.3 转型四步法

分析可以进行归类，如下图所示：

（SQL提数及分析图）

可以发现，分析由组成部分、数量比较、有何变化、各项分布、各项相关性、其他深层次的挖掘组成。

比如我们的产品目前用户是由哪几部分群体组成的？各个群体之间数量程度比较是什么样子的？在时间维度上，各自的变化有哪些？它们的具体数据分布是什么样的？并且各个指标之间的相关性是什么样的？你可以想一下，日常的分析是不是就包括这些？

5、多元思维模型：数据分析需要具备的四大能力

5.1 背景

到底掌握哪些能力才能成为一个好的数据分析师

5.2 中观能力

是真正的专业度，看你是否能发现其他数据分析师在分析中的问题。这个专业度不单指你的技术，而是需要你长期总结和思考
指专业度，包括技术理解、逻辑性、价值点三个点
是反映分析师基本功怎么样、套路熟不熟练、思考到不到位的一种标准

1、技术理解：指对分析时用到的技术理解是否到位，是停留在理论阶段还是实践阶段。为了能够更好的分析业务。多沉淀
很多同学看了很多数据分析的书籍，理论说起来无所不知，但实践过程中还是遇到很多坑
在数据处理中经常用到数据标准化方法。
比如常见的MAX-MIN（最大最小值）方法、Z-sore（z分数）方法、指数对数法，但这只是理论上的方法，你需要理解到数据标标准化的本质目的是去除量纲、量级的差异性才能在业务中有效的利用。
例子：对于to B的金融公司来说，除了头部的大客户（前期资源），剩下的都是中小客户（后期拓展）大客户和小客户需按照每天的交易额来区分，所以需要我们对交易额及用户进行建模。
这时就要用到数据标准化。以MAX-MIN方法为例，如果直接用这种方法，会造成除了头部几个数据有数值外，其他基本都是0。到与业务方沟通时，业务方leader会觉得你这个方法很有问题，数据非常稀疏，无论是可用性还是理解性都很有困难。
两个解法：①、对客户进行先分群，再用MAX-MIN进行标准化；
②、以90%中位数替代MAX，消除头部影响，让数据变得不那么稀疏。

2、逻辑性：指对整体思考逻辑性是否欠缺，多思考。
一个资讯类App的真实案例：数据分析师在研究最近一个月的数据，发现所有与留存相关的因素中，留存和自媒体文章下发的占比存在高度相关性。于是就建议业务多下自媒体文章，业务方觉得这个点很好，还真的做了，结果是刚开始几天留存微涨，后续却大跌。

解析：其实相关性是一种基于向量的伴随关系，不代表直接的因果关系（但确实是因果关系的一种可能性）
也就是说留存和自媒体文章下发的占比是一种伴随关系，而不是因果关系。留存的影响因素非常多，不仅仅是因为某一两指标就能很好地提升留存。后来发现是因为有热点事件，导致留存变高。下发的自媒体文章才会留存微涨，继而后续大跌。
分析师的逻辑性非常重要的，每一个环节的推导必须要讲究严谨性，不能有侥幸心理。

3、价值点：强条价值，你做出来的分析价值在哪。强调你做的所有分析一定要有价值点。多反馈
如果你是决策者，你敢不敢立马规划落地。
在数据分析过程中，有些是避免不了的描述性统计，你要快速解决，切记不要耽误时间。而对于**指导性、预测性的分析，**最花时间也是价值最大，你一定要利用好有效时间找到价值点，即使这个价值点只有一个。

注意：有没有价值不是分析师说了算，而是业务方说了算，有些点很好但暂时无法落地，就先不要管它。

5.3 微观能力

微观能力指有效沟通力+快速发散收敛力
看你是否能够从业务的交流中发现问题，找到方向，很多同学都还没意识到这一点
1、针对某个问题，总是能产生很多想法，找到切入点—很有想象力
2、业务方如果遇到问题就会优先找他，而他总是能在最短的时间内给业务方一个较好的答复—有解决问题的能力
3、对于数据有更好的敏感度，能够第一个发现数据问题并给出解法—敏感度高
4、会议上，总是能提出自己独到观点，让别人觉的他很聪明—快速发现问题
5、总是能很好的知道业务在干什么，而他的视角又一直高于业务，所有人都认可—有高维视角
首先要知道业务方是怎么想的，怎么做的，然后从中发现问题或者切入点
具体来说就是具有有效沟通能力和快速发展能力
有效沟通能力：指与业务方核心人员沟通时，要从谈话中快速捕捉到有用信息（说着无心听者有意）
两个技巧：技巧1：黄金思维圈法则
在了解业务的情况下，反问业务方为何要做这件事
基本上，业务方都会有一个很具体的回答，往往都能在这里找到切入点。
技巧二：做一些准备工作再沟通
在与业务沟通中，如果没有提前准备一些业务知识和数据，整个过程就是业务在主导，你还怎么发现问题呢？

快速发散收敛能力：收敛能力基于沟通中的有效信息，快速提炼总结找到最好的分析切入点
发散：指对于某一个全新业务问题，跟业务沟通之后，分析师想法很多
收敛：在众多想法中，快速找到当前做哪个比较实际、合理，并且知道如何做的深入。
例子：预估下一年的mau和dau，时间序列，行业环境，渠道分析
渠道分析切入点更加合理：
MAU = MAU新用户 + MAU老用户
MAU新用户 = 明年渠道侧每个月能够带来的新增量多少（这个与明年预算高度相关）
MAU老用户 = MAU上月新次月老（基于渠道） + MAU上月老次月老（历史数据） + MAU回流（历史数据）
新次月老：上月新增用户次月老用户
老次月老：上月老用户次月老用户

总结：1、尽可能多地和业务方核心人员沟通
特别是业务leader沟通，有些业务leader非常优秀，看他们是如何思考理解业务的
2、多看一些心理学、社交学、经济学、记忆力类、科普类书籍，这些书籍对你微观能力的培养非常有好处
3、刻意练习，慢慢地养成习惯，一定要把心境下来做事情，相信自己一定能把微观能力培养好。

5.4 宏观能力

是洞见性的全局观，能够从社会事件和整个行业发展中找到业务的决策方向
这是极难的能力，同时平台和天赋缺一不可。
能够把当前业务与实际社会热点、行业风口联系起来，提前预判，获得更好的决策。

总结
中观能力在公司都会学习一些，只要获得一些反馈再优化即可；
微观能力特别注重平时的微观体感，所以分析时一定要有静下来的决心，注重套路的真实落地过程。从不同的业务方捕捉、提炼、沉淀，这是一个长期的训练
宏观能力，你需要关注行业内的动态，像新闻联播、财经类节目都是重要的数据源

6、电商数据分析：京东App的详细产品分析

6.1 如何看待京东App

1、引流（场）
首页作为最大的带量位，分发效率怎么评估
2、漏斗（货）
北极星指标交易额只是一个数字，更加重要的是理解这个数字转化的过程
3、用户（人）
作为一款非常成熟的App，老用户相对比较稳定，但新用户获取怎么优化

6.2 整体数据的分发效率

1、CTR：CTR = 点击UV/曝光UV，反映用户点击欲望的指标
点击UV：每天有多少用户点击进入到页面
曝光UV：每天有多少用户看到了页面

2、人均访问页面数：总访问页面数（PV）/总访问UV
总访问页面数PV:点击所有页面的次数综合是多少
总访问UV：点击页面的人数总和是多少

在这个过程中，你需要找到负责的产品跟大盘的数据关系，一般是以下三种：
1、该产品确实带来了大盘的提升
2、该产品只是在墙大盘的流量，比如该产品模块的流量在涨，但是大盘在跌
3、该产品部分在抢大盘流量，对大盘有部分提升，提升度是多少

6.3 漏斗分析

每层漏斗的影响因素（从顶部开始）
1、引流渠道，看用户是通过桌面图标打开进入搜索还是其他路径
2、搜索框搜索、热点搜索、语音搜索
3、客服、评价、店铺设计、商品属性
4、尺寸、颜色、数量
5、物流、是否只是7天无理由退货、发票、运费
6、支付方式是否多样
7、密码错误、冲动消费、界面异常、其他打断

6.4 新用户分析

拉新必然要衡量拉新效果和拉新优化
京东实际活动拉新效果内部数据我们肯定不太清楚
但是作为一名分析师，可以去看整个App在拉新上可以优化额的点
拉新如果做得好，比老用户分析更容易出成绩

7、互联网金融：芝麻信用分的建模过程是怎么样的

7.1 背景

互联网金融的本质是风控，数据分析师在金融行业基本上有两种角色：

• 数据建模师：要求对算法的理解较深，相对来说行业经验要求不是很高
• 风控分析师：除了一定模型理解能力，还需要大量的行业和法律法规经验

互联网金融与其他行业不太一样，互联网金融在产品对象上分为 to B 和 to C

• to B：对企业整体的信用进行评估做整体授信
• to C：对个人的个人信用分

无论to B还是 to C，在决策上都依赖于央行的征信报告。

工作内容：数据源，信用评分卡，模型监控维护，优化迭代，数据挖掘建模等数据分析

7.2 授信模型

以芝麻分为例 1、身份特质 ：学历，表明人本身的稳定性，长时间改变不了的特质
2、履约能力：看你消费后按时还款的能力，表示人消费的兜底性
3、信用历史：看你历史信用，表示本身的诚信
4、人际关系：看你支付宝好友的芝麻分数是不是都很高，表明身份的稳定性以及弱价值性
5、行为偏好：看你喜欢买价格高的还是价格低的，这部分数据最重要 表示人本身的当前信息对产品后续决策有很大的价值

原始变量：直接存储在数据库的基础变量 如：每天交易额
衍生变量：在基础变量的基础之上进行的，因为金融的本质是风险
时间维度衍生：最近一个月交易额，最近三个月交易额
函数维度衍生：最大交易额，最小交易额，交易额方差
比例衍生：最近一个月交易额/最近三个月交易额

在选择变量的时候，基于RFM原则:最近，频次，钱，所有跟这三个有关系的变量先进行保留

数据处理、数据建模都是为业务服务
真实工作中，数据处理和数据建模会慢慢迭代，优化
所以在前期的数据处理不会很复杂，一般分为三种：

• 数值型和字符串型字段的缺失和合理性检验，剔除无效字段（50%以上即可去掉）
• 数值型字段的相关性验证，因为在前期，所有的字段都会拿出来，有很多的变量相关性非常强，但是这个对于模型训练没有帮助，因此把相关性强的现过滤掉。后面我会单独讲相关性规律怎么做
• 对字符串型字段的离散化处理，比如：前面的身份特质，你的学历是高中还是博士，这样的字段不是数字型字段而是字符串型字段。

数据建模：
在建模前需要进行一些思考
芝麻信用分有5个维度：身份特质、履约能力、信用历史、人脉关系、行为偏好
5个维度在不同时期的权重也不一样，所以每个维度都要单独建模

综合芝麻分—综合概论—5个模块各自的概论加权—每个模块的逻辑回归模型—每个模块的训练集合测试集

7.3 模型落地

8、游戏：游戏行业的ROI和付费率是怎么算的

9、销售：传统行业如何做好交易额提升

客户分析

客户分析是销售分析里非常重要的一个分析方法，从客户身上着手，研究用户的购买行为，可以为销售业绩的提升提供非常重要的价值信息。客户分析里最经典的分析模型便是RFM模型了，通过对客户进行分类，可以快速识别出哪些客户是重要客户，哪些客户是一般客户，对于这些客户我们又应该采取哪些相应的跟进措施。RFM模型的原理非常简单，通过计算近度、频度、平均消费金额这三个指标便能实现客户的分类，只是实现的过程会稍微有点复杂，想省事的朋友客户可以通过智分析这个工具去制作数据模型。

对比分析

对比分析一般可以分为横向对比与纵向对比，横向对比一般指部门、区域等同级的对比，纵向对比主要指的是时间周期上的对比，例如同比与环比。做对比分析的目的就是通过两两对比，找出两者间的关联关系，以确定目前的状态是好还是差。做对比分析推荐用智分析这个工具，智分析的数据模型提供了时间层次的功能，结合MDX函数可以快速算出销售数据里的同期值、环比值、同期增长率、环比增长率。

钻取分析

钻取分析是BI工具里应用比较广泛的一种分析，通过改变维的层次，变换分析的粒度，它包括向上钻取和向下钻取。例如在地理层次里，可以从省份下钻到城市的维度，在时间层次里，可以从年份下钻到月份的层次里。如果用Excel这种比较传统的工具做钻取分析是不可行的，可以考虑用Power Bi或者智分析去实现。

产品分析

如果你只知道哪个产品卖的好，哪个产品卖的不好，说明你对产品的分析还是比较表面的，除了这个，我们还可以运用一些比较独特的视角可以对产品进行分析。产品分析里最重要的数据模型有ABC分析模型、波士顿矩阵模型、购物篮分析等，这些分析模型并非是单一地看某一个产品卖的好还是不好，而是从整体出发，从全局去考虑产品间的关联关系，这样更有利于我们去制定好的销售策略。

留存分析

很多运营人员在做流量增长的时候，比较注重引流上的工作，花了很多时间和金钱去做推广，结果来的流量很快就跑掉了，不能够留下进行转化，所以还应该把一部分的目光转移到用户留存上。做留存分析一般常用的方法是以某个时间节点的获客人数为基础，通过时间的递增，观察其每天的流失人数，进而判断其流失率。

预测分析

做销售分析最难的部分是预测分析，常见的预测分析可以用回归分析等方法进行预测，通过数学理论去对未来的趋势进行预测。这个属于数据挖掘的范畴，可以用spss、python或者智分析这几个工具去进行预测。