数据分析其实就是这么简单
作者：郭小刀刀
数据其实是非常的客观的，但是数据本身并不会告诉你多少有价值的东西，其中蕴涵的内容才是我们应该去发掘的。
我们通过数据分析将现实中的问题简化成数字问题，从而得到解决问题的建议。
需要注意的是，数据分析只是工具，不是目的。我们进行数据分析是为了让分析结果能反映现阶段的情况，并对下一步计划产生指导意义，所以千万不要为了分析而分析。
1、明确目标
一切分析的基础都是需要明确目标，在此之前，不要开始任何分析，因为那很可能是无用功。
一般来说，目的主要有以下三种。
- 分析现状，反映目前的状况，并且帮助我们制定下一步计划。
- 分析问题，针对出现的问题，分析其中的原因并找到解决办法。
- 分析变化，当产品的情况出现变化时反映变化的情况，并找出原因，有针对性的进行下一步行动。
2、明确分析范围
因为数据的量和维度都非常的多，我们在明确目标后，就必须选定我们分析的范围，明确的分析范围能避免分析报告内容太多，而且不深入。
需要注意的是，确定范围后我们就需要进行数据采集了，但是具体要采集什么样的数据，不是我们平常的“自然语言”描述就可以实现的，需要抽象成“数学语言”表达出来。
3、数据采集
确定了范围后，我们就可以采集数据了，需要采集哪些数据也是有讲究的，它也是需要我们用“数学语言”来表达的。一般来说，需要采集的数据分为以下3类，这是最基础的：名称、数量和转化率。
- 名称：某些数据的结果不是以数字形式展现的，比如某某功能
- 数量：这个比较简单，比如：某某功能的点击次数
- 转化率：有些数据单独的看，是不能说明问题的，例如：光看一个功能的点击次数，我们不能得出这个功能是否吸引人，是否需要改进，我们还需要看完成这个功能的人数。然后将两个数据相除后得到这个功能的转化率。
以上都是一个分析中最基础的指标，在实际数据分析中，还会有更多更细致的维度。比如：用户点击这个功能后，停留时间，退出的数量，在中途放弃的数量等等。
4、数据清洗
采集数据后，这些数据并不是直接就可以用的。因为可能会有一部分“脏数据”会污染我们的数据，进而影响我们的分析结果。这就需要进行数据清洗，将不符合要的“脏数据”清洗掉。
比如，某个用户一直在点击某个功能，每秒固定点击1次，然后退出，那么这个“用户”很可能是个机器，而不是人。这些数据是不能用的。
一般“脏数据”有以下几个类型。
- 频率异常：正常用户的使用一个功能的频率一般会保持在一定范围内，不会太频繁。
- 总数异常：比如某一个用户一个人就拉高了整个数据的水平，让某个功能点击率陡然上升。
- 行为异常：这个就比较复杂了，对应不同的业务有不同的理解。比如：比如一个购物APP，一个用户的多次的下单，然后退货，这类数据就是应该排除的。
5、数据整理
收集完成后，我们需要对收集到的原始数据进行整理。因为收集出来的数据必然是比较乱的，不能直接拿来分析。整理分析分为汇总和拆分两种。
（1）汇总
有些数据比较杂乱无章，我们要按照某个维度汇总才能进行效果的观察。比如：我们需要观察某个功能上线后用户行为的变化，就可以按照上线前和上线后的用户行为数据进行分类汇总，然后通过两份数据的对比来得到结论。
（2）拆分
有些原始数据并不足够细致，需要我们依据数据的关系进行数据拆分。例如，一个功能的入口可能有多个，我们就需要确认每个入口的量，甚至完成整个功能的量，这些数据会让我们更加了解我们的用户行为。
6、数据对比
整理完数据后，我们要进行数据对比。这也是数据分析中非常重要的步骤，因为数据分析的结果绝大多数都来自于对数据的对比。比如：一个功能改进前和改进后的转化率，肯定要经过对比才能知道我们的改进是不是有效的，有效多少。通常对比方法有以下几种。
- 时间对比。通过时间节点前后进行对比数据。例如：某个营销活动，促进注册、活跃等，我们就可以得出这个营销活动能够带动日活的结论。
- 空间对比。在我们生活的世界中，因为人们所存在的空间不同，会有不同的行为。比如：通过数据分析，我们会发现，东北的羽绒服效率比海南高，于是我们就可以判断羽绒服在东北更加畅销。
- 人群属性对比。在用户画像中也提高过。不同的年龄层对于不同事物的看法不同，会导致某个功能在不同人群中的差异性。
依据分析目的灵活地选定对比范围，能让我们从数据中挖掘到我们想要的东西。
7、原因探寻
数据，通过对比呈现出来，能够反映一定的现象，但是造成这些现象的原因还需要我们来寻找。
原因的分析方法有很多，可以正推导、反推导。我们可以结果，那假设原因，再去求证。或者通过某个功能的整个流程进行梳理和复盘，结合数据来分析每一步发生这种情况的原因。
或者通过数据来复盘某一个活动，来分析活动输出的这种数据或好的或坏的原因是什么。
8、展现结果
完成上面的7步，我们的数据分析报告也就差不多了，当然我们必须形成一个比较完整的文档来反馈给相关人员。
我们可以把报告分成以下3部分。
- 数据分析背景：向大家交代分析的背景与原因。
- 主要结论：给出主要结论，方便不需要了解细节的人阅读，或领导。
- 具体分析过程：向大家说明分析的步骤并展示具体数据。
这样就完成了一篇还比较靠谱的数据分析报告。
未来的制造业要的不是石油，它最大的能源是数据.