秦路的博客：https://ask.hellobi.com/blog/qinlu/6086
- 需要配合视频阅读。
- 同时提供了初中级别的必读书单。
这是一门比较全面的数据分析入门课程。分为7个模块。
分析思维：
数据分析是为了解决企业的问题。不是为了分析而分析。
带着4个问题学习：
- 这个月KPI又没有达成，业务数据没有提示，为什么分析没有效果？
- 跑SQL的，天天给业务部分跑数据，何时是个头啊？
- 零零碎碎，什么是数据分析体现？道理懂，但都是碎片化
- 老板的心思你别猜，每次报告都不触及老板，他到底想要什么？
为什么七周？
数据思维，业务知识，Excel, 数据可视化，SQL, 统计学， Python。在工作中都很重要！
- 一门交叉领域的学科
- 用EXCEL可以完成基础的报告，也可以使用PYthon深入挖掘数据。
- 决定数据分析师上限的是能力：解决问题的能力，不是工具（Excel, Python）。
数据分析的结构层次
底层数据的收集/产品端收集：
埋点（采集），收集网页端，产品端，客户端的数据，也包括第三方外部数据。
用户行为-原始数据
数据业务化/产品需要什么样的数据？
将收集的数据转化为可理解，可量化比较的业务数据。只有和业务本身结合才有价值。
原始数据-加工数据
数据可视化/产品的表现如何？
建立数据指标体系，监督和衡量数据指标。
加工数据-可视化数据/信息。bi
数据决策和执行/怎么让产品更好
数据分析师应当参与进去，提供建议。从数据中获得的洞察，要转化为策略，这就包括分析过程。
执行既包括策略的制定，也包括优化和改进。
可视化数据/信息-数据决策
数据模型/产品开始自动化和系统化的运营
类似发现了用户需求，然后把需求作成产品。
这是将策略制作成数据应用和产品，当发现数据中蕴含的规律，比如什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试包这些作出系统
数据决策-数据产品/应用
数据战略/指导未来。
当积累了大量数据，模型，应用后，公司级别的数据体系形成了。
数据工具-数据体系/战略。
每个概念都不是独立的：
- excel+统计->分析工具库
- sql+python->PyMysql
- 可视化+python-> Matplotlib
- 可视化+sql+python->Superset
数据分析思维
- What: 三种核心思维
- Why: 数据分析的思维技巧
- How: 如何在业务时间锻炼分析能力
三种核心思维
- 结构化
- 公式化
- 业务化
结构化
分析思路乱成一团？
使用电脑可以使用思维导图工具（xmind）和类似金字塔分析图，小团队开会使用展板或标签等方法进行头脑风暴。
- 对最直观的问题或论点，进行归纳和整理
- 对论点进行递进和拆分
- 将论点完善，补充。
金字塔分析工具：
- 找核心论点，假设，问题，预测，原因
- 进行拆解：自上而下，将核心论点层层拆分成分论点，上下之间形成因果，依赖关系
- 各分论点，应相互独立，并完全穷尽思维。
- 验证，每个论点都要去验证，量化，用数据说话。
结构化也有缺点，因此用到公式化和业务化。
公式化
结构化是分析的思维，不够数据化，而且难免有发散的缺点。
使用简单的加减乘除。把公式加入到思维导图中去。
业务化（业务流程化）
完成结构化和公式化解决不了的问题。即需要深入了解业务本身，才能考虑的充分。
你的分析贴合业务吗？
- 是否从业务方面的角度思考
- 真的分析出原因了吗？
- 能不能将分析结果落地
数据是某个结果的体现，不代表原因。必须用业务思维去分析。
数据分析要和业务走的近一点。
换位思考，我是用户，则。。
数据分析的思维技巧
- 象限法： 2个纬度，分成4个象限。3个维度，3d。
- 核心：策略驱动的思维
- 优点：直观，清晰，对数据进行人工的划分。划分结果可以直接应用于策略。
- 须知：按中位数，平均数，或经验分，都可以。
- 多维法：
- 核心：精细化驱动
- 优点： 处理大数据量，维度丰富且复杂的数据，维度过多会消耗不少时间。
- 对不同维度进行交叉分析时，注意辛普森悖论
- 应用：只要数据齐全，丰富。
- 假设法：
- 启发式思考的方式。
- 优点，没有直观数据或线索时，先假设一个点，然后再验证，判断，得到一个结论。
- 指数：把开放的数据，更细分的数据化。
- 线性加权指数（设计权重）
- 反比例法。用月消费次数的增长比率，来计算用户忠诚度。数据收敛到0和1.
- log法
- 核心： 目标驱动的思维
- 目前驱动力强， 直观。对业务有一定的指导作用。一旦设立指数，不要频繁变动。
- 应用：将无法利用的数据加工成可利用的数据。
- ⚠️：指数无统一标准，更依赖业务经验的加工。
- 二八: 抓重要的指标，只有2成的数据是有用的，老板只看topN的数据。 和业务/kpi紧密关联。
- 但有些时候，仍然不能放弃全局，否则会让思路变狭隘。
- 对比：好的 数据指标，一定是比例/比率，一定会用到对比。
- 各种方法，途径的对比：竞争对手，类别，特性，时间同比，转化，前后变化。
- 通过对比发现数据背后的规律。
- 可以和其他思维技巧结合使用。
- 漏斗：一个过程的思维方法： 展现-点击-访问-咨询-订单。
- 单一的漏斗分析无用，必须结合其他思维方法。比如对比。
简单的技巧，无需 统计知识，性价比较高的技巧
如何锻炼数据分析思维
获得一个案例，首先要看他的数据，来源是否是真实的。
比如啤酒和尿布的故事，美国沃尔玛超市，发现很多父亲带婴儿买尿布，便在尿布旁放上啤酒。于是啤酒大卖。
分析：
- 反向思考，那么买啤酒的人会买尿布吗？
- 发散思考，尿布旁边摆放其他商品是更好？啤酒是否是更好的选择？比如放上婴儿奶粉是不是更好一些？
- 深度思考，怎么摆放的啤酒？部分还是全部品类？
- 场景型的摆放是否比品类摆放更好？超市经营者都是傻瓜吗，现在的超市还是品类的摆放。
- 结论这是一个虚假的故事，因为没有数据。
通过上面的3种思维思考，以及更多思考，会发现这个故事真实性很低，假的！。
在生活中保持好奇心
工作中多问为什么？
- 为什么领导/同事不认同这个分析？原因？ （追根究底）
- 如果我的职位比现在高两级，我会去怎么分析？（换位思考）
- 让我再次分析一年前的案例，我怎么做改进？ （复盘分析）
- 我的历史分析中，能用3个核心思维去优化和迭代吗？ （结构化，数据/公式化，业务化）
成为数据分析师怎么学？
业务思维80 （满分100）
核心竞争力。老板很重视。
数据能力60 （合格）
数据敏锐度，统计知识等，长期锻炼的能力。
主要是应用为主的。这和人工智能专家不一样。
工具技巧40分（入门）
各类技术和编程很好用，但在职场初级，价值不大。（入门即可，在工作中至少半年，并不断踩坑后才能算熟练！）
学习方法：
- 分阶段，有重点。
- 带目的/问题去学习，解决实际问题
- 温故知新，记笔记
- 输出，博客，讲给别人，解释清朝。