为什么要学习数据分析
以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。在那个时代，业务运营主要依 靠经验和直觉驱动。例如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家只需 基于经验选品即可大卖。
但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入存量期，仅靠 经验驱动的增长模式不再有效。还是拿跨境电商举例：由于卖家剧增，海外市场饱和， 跨境电商进入存量运营时代，已经不存在绝对的蓝海市场，每个细分领域都有许多竞争对手。
此时，要求商家从粗放运营转为精细化运营，由经验驱动转为数据驱动，而这个转变中最重要的一点就是数据，也就是用数据分析报告决定市场是否值得投入，用数据选 品，用数据做经营分析，用数据管理库存。
从这个角度来看，数据分析已然成为了大数据时代各个岗位的通用能力。因此，为 了保持竞争力，任何人都有必要用数据分析能力武装自己：利用数据思维分析问题，依 靠数据支撑决策。
如何开始 数据分析师胜任力模型
由于数据分析是一门综合学科，相关的知识点繁杂不一，许多初学者会有一种 不知如何开始的迷茫感。
大家都知道《西游记》中孙悟空会 72 般变化，《列仙传》中给出的神仙也是 72 位， 传说中黄帝战蚩尤也是经过了 72 战才胜利。可见人们对72这个数字的认知和接受 程度较深。
因此，有多年数据分析工作经验的笔者团队汇总并撰写了 72 个数据分析核心问题， 沉淀出了完整的数据分析能力知识体系，帮助读者全面认识数据分析。
下图是数据分析师胜任力模型，包括底层认知、业务场景、能力三板斧三个部分： 首先，底层认知是对数据的基本认知，强调数据思维的应用。 其次，业务场景指的是只有对业务有足够的理解，才能开展分析工作，而这里
包括了用户、产品、场景三个方面。 最后，才是硬实力对应的能力三板斧，包括工具技术、项目能力、思维方法。
底层认知、业务场景、能力三板斧共同铸造了完整的数据分析能力，相辅相成，而 本书则是围绕着它们展开介绍。
本书内容介绍
1. 底层认知
本书第 1 章主要讲解数据分析中的底层认知。 在建立数据分析思维之前，应该先在底层认知达成共识。什么是认知？是对事物底层逻辑的了解，是对世界万物的判断。认知的本质就是做决定，也就是说，为了帮助判 断数据分析中每个决策的有效性（选择什么指标、分析方法？接下来做什么？等等）， 需要先建立底层认知。
本书第 1 章通过 11 个问题对数据分析的底层认知进行详细的讨论。这一步，我们 需要对数据分析的概念进行讨论：数据分析是什么？数据分析的价值点在哪里？
（1）数据分析是什么？
大家在求职过程中会发现，同样是数据分析师岗位，但是面试的内容千差万别，有 考查机器学习、统计学等专业能力的，也有考查市场 / 行业分析的，还有考查产品分析 的。此时就有读者问，这些真的是数据分析该做的吗？
我们从字面上拆解，数据分析 = 数据 分析，进一步拆解： 数据能力 = 统计学 机器学习 建模能力 工具使用 …… 分析能力 = 经营分析 用户分析 产品分析 ……
这就是认知上的偏差：当一些读者认为数据分析就是用 Excel 做表、用 Python 写脚 本、用机器学习建模时，其实求职市场对数据分析师的要求更为完整。
既然说数据分析 = 数据 分析，那分析的本质是什么？当我们在谈论分析时， 一般会谈论以下几点：
●发生了什么追溯过去，了解真相。
●为什么发生洞察事物发生的本质，寻找根源。
●未来可能发生什么掌握事物发展的规律，预测未来。
●我们该怎么做基于已经知道的发生了什么 为什么会发生未来可能发生什么的分析，确定可以采取的措施。
分析的本质，即面临各种问题时，能通过数据找到问题，准确地定位问题，准确地
找到问题产生的原因，为下一步的改进找到机会点，也就是所谓的数据驱动。
在数据分析相关岗位求职的过程中，读者会发现有许多不同的职位名称，这些职位
有什么区别联系？详细内容可参阅 第6问：数据分析领域主要的岗位有哪些？
回过头来看，数据分析到底是什么？笔者团队认为，数据分析是一个利用数据能力
做分析的过程：发现问题，分析原因，然后给出落地建议。这还是一个解构的过程：
从整体到局部，从一般到特殊，从面到线到点，不断下钻剖析，找到具体可落地的点。
同时，也是从业务到数据，再回到业务的过程：起点是业务需求，需要专业分析师转换为数据问题，最终的分析结论需要回到业务场景中落地。
在这个过程中，数据分析师需要借助指标，甚至是多指标编制的指标体系进行业务洞察。本书第3、4问将围绕指标展开论述。
（2）数据分析的价值点在哪里？
社群中，经常会看到关于数据分析师价值的讨论：数据分析师天花板很低。还有一些劝退数据分析的文章。这些脱离场景、只讲问题不讲解决方案的内容除了徒增焦虑外，别无用处。
为了更好地了解数据分析的定位，有必要对其起源进行讨论，只有了解为什么市场会产生数据分析师岗位的需求，才能清楚这个岗位在业务运营中的作用定位。（详细内容可参阅第2问：数据分析是怎么来的？）
在业务运营中，定位是重要的起点，理解数据分析价值在企业如何落地，能帮助读者解疑答惑。（详细内容可参阅第9问：数据分析的产出价值是什么？）
2.业务场景
前面，我们讨论过数据分析是一个从业务需求出发再回归业务的过程。从这个角度做定义的目的是强调业务场景的重要性：脱离业务场景的分析往往无法落地。
根据业务经验，笔者团队总结了一套便于理解的模型：业务场景 = 用户 产品 场景。
也就是说，要理解业务，就要了解用户，熟悉产品，明确分析所处的场景。它们决定了分析的目标、处理逻辑以及落地建议。
此部分在第60~63问有更详细的介绍。
3.能力三板斧
对数据分析有了底层认知、了解业务场景后，就需要有看得见、摸得着的招式来行动：通过思维方法、工具技术和项目能力这三板斧组成不同的招式以应对多变的问题。
经常看到有人说数据分析如做饭，如果是这样的话，工具技术就是铲子、铁锅、勺子等器皿，思维方法就是切配、烹饪、打荷等手法，项目能力则是最后的装盘上菜。
（1）思维方法。
本书第2章主要讲解数据分析中的思维方法。
很多人学做饭，可能是因为在抖音或B站看到某个美食视频，然后就开始按照视频展示的步骤备料烹饪。这个过程，也就是数据分析中学习思维方法的过程。数据分析要先有思维方法，才能谈得上分析。
刚开始学做饭时，通常先学基础的煎、炒、炸、烤、煮、蒸、焖、拌等烹饪方式。
这些基础的能力在数据分析中就是统计学、相关分析、归因分析等通用分析思维。
正如美食有八大菜系，分别满足不同地域人群的口味，数据分析在不同场景下，也有不同的分析招式来满足不同的业务需求：
●用户分析：同期群分析、漏斗分析、RFM用户分层模型等；
●产品分析：竞品分析、帕累托分析等；
●商业分析： PEST分析、SWOT分析等；
●……
（2）工具技术。
本书第3章主要讲解数据分析中的工具技术。
习得了做饭的方法后，就可以选择几件趁手的器皿，来提高烹饪效率。之所以不是先选择器皿再研究做饭流程，是因为工具始终是工具，完成同一个目标或许有多种工具可以实现，再不济用原始的土灶也能烧饭。对于部分复杂的烹饪需求，则需要选择特定
的器皿才能完成。
对于初学者而言，建议学习高性价比的分析工具，如Excel、SQL、Python、PowerBI等。
（3）项目能力。
本书第4章主要讲解数据分析中的项目落地。
菜做好后一定要及时出锅、装盘、上菜，项目能力强调的是数据分析项目在业务侧的落地。理论的分析方法如何在业务场景中落地赋能，如何体现数据价值，这是很多企业数据团队在讨论的课题。
首先，理解并刻意练习落地思维对数据分析价值的体现大有裨益（第54~57问）。
其次，学习实际场景中数据分析如何落地驱动业务的案例，能为实操提供参考（第64~67问）。
数据分析项目价值落地的最后一公里是报告呈现，学会用数据讲故事，横向跨部门沟通、向上汇报都依赖结构化思维，报告呈现（第68~70问）会有详细的讨论。
小结
本书定位于数据分析的知识框架，更多是横向地补充知识范围，故因篇幅所限，单个知识的纵向深度无法穷尽，但本书已经针对各知识点的核心及高频问题进行回答。在阅读的过程中，倘若对某个知识点有深入学习、探索实践应用的进一步需求，读者可以通过知乎等平台补充学习，在本书的基础上，针对核心方法论，对技术工具做延伸的阅读学习。
此外，笔者团队准备了一份与本书搭配使用的小册子，请扫码获取。本书勘误、知识加餐等内容也会放在小册子中。
可以关注笔者团队的微信公众号：木木自由、数据分析星球、饼干哥哥数据分析，这三个公众号专注于数据分析思维、方法、工具、项目能力及案例的分享。
作者
第 1 章 底层认知
1.1 基础认知
第 1 问：数据分析怎么学？本书学习指南 / 2
第 2 问：数据分析是怎么来的？数据分析极简发展史 / 4
第 3 问：什么是数据指标？ / 6
第 4 问：常见的指标有哪些？ / 9
第 5 问：对于数据分析领域，统计学要学到什么程度？ / 10
第 6 问：数据分析领域主要的岗位有哪些？ / 13
1.2 底层逻辑 / 17
第 7 问：如何建立完整有效的数据指标体系？ / 17
第 8 问：数据指标体系如何应用？数据监控体系 / 21
第 9 问：数据分析的产出价值是什么？ / 24
第 10 问：数据分析的常见陷阱有哪些？ / 26
第 11 问：如何让数据驱动业务？数据分析流程 / 28
第 2 章 思维方法 / 32
2.1 数据思维 / 33
第 12 问：什么是数据思维？ / 33
第 13 问：怎么使用数据思维？ / 35
第 14 问：怎么训练数据思维？ / 38
2.2 通用分析方法 / 41
第 15 问：什么是数据异常分析？ / 41
第 16 问：什么是描述性分析？ / 43
第 17 问：什么是对比分析？ / 46
第 18 问：什么是细分分析？ / 48
第 19 问：什么是归因分析？ / 52
第 20 问：什么是预测分析？ / 56
第 21 问：什么是相关性分析？ / 58
第 22 问：什么是二八定律 / 帕累托定律分析？ / 61
2.3 商业分析方法 / 63
第 23 问：什么是 PEST 分析？ / 63
第 24 问：什么是 SWOT 分析？ / 65
第 25 问：什么是逻辑树分析？ / 68
第 26 问：什么是STP 4P分析？ / 71
第 27 问：什么是波士顿矩阵分析？ / 73
第 28 问：什么是 5W2H 分析？ / 77
2.4 产品分析方法 / 79
第 29 问：什么是生命周期分析？ / 80
第 30 问：什么是 AB 测试分析？ / 83
第 31 问：什么是竞品分析？ / 88
2.5 用户分析方法 / 90
第 32 问：什么是用户画像分析？ / 90
第 33 问：什么是漏斗分析？ / 96
第 34 问：什么是 RFM 用户分层分析？ / 100
第 35 问：什么是同期群分析？ / 104
第 3 章 工具技术 / 107
第 36 问：分析工具如何选？常用场景说明 / 108
3.1 Excel / 109
第 37 问：用 Excel 做数据分析够吗？ Excel 的学习路径 / 109
第 38 问：Excel 中有哪些重要的函数或功能？Excel 高频常用函数介绍 / 110
第 39 问：如何用 Excel 做数据分析？Excel 透视表最全指南 / 114
3.2 SQL / 127
第 40 问：什么是 SQL ？SQL 的学习路径 / 127
第 41 问：SQL 基础操作有哪些？ / 129
第 42 问：SQL 有哪些高频函数？ / 130
第 43 问：SQL 的表连接该如何做？ / 130
第 44 问：什么是 SQL 的窗口函数？ / 137
第 45 问：SQL 要学习到什么程度？SQL 在数据分析中落地 / 147
3.3 Python / 151
第 46 问：什么是 Python ？Python 的介绍与开始 / 151
第 47 问：Python 基础语法有哪些？ / 152
第 48 问：Python 数据分析工具包 Pandas 是什么？ / 160
第 49 问：Python 数据可视化工具包 Matplotlib 是什么？ / 177
第 50 问：Pandas 如何解决业务问题？数据分析流程详解 / 183
3.4 PowerBI / 195
第 51 问：什么是商业智能？商业智能与 PowerBI 入门 / 195
第 52 问：PowerBI 的核心概念有哪些？一文看懂 PowerBI 运行逻辑 / 198
第 53 问：如何用 PowerBI 做数据分析？PowerBI 完整数据分析流程案例 / 208
第 4 章 项目落地 / 222
4.1 落地思维 / 223
第 54 问：数据分析的结果该如何落地？ / 223
第 55 问：数据分析没有思路怎么办？数据分析中以终为始的思考逻辑 / 226
第 56 问：如何从不同层次理解业务？数据分析中点线面体的思考逻辑 / 229
第 57 问：数据分析怎么做才有价值？数据分析中的目标管理 / 231
4.2 理解业务本质 / 235
第 58 问：常说的业务场景是什么？从营销角度出发构建业务场景模型 / 235
第 59 问：零售行业常说的人货场是什么？从人货场模型看落地场景中的数据
分析 / 240
第 60 问：如何深入理解业务？利用点线面思维构建业务模型 / 242
第 61 问：如何梳理业务流程？从线的层次思考业务 / 245
第 62 问：如何看懂公司的商业模式？从面的层次思考业务 / 250
第 63 问：从战略层次全局看待业务？从体的层次思考业务 / 254
4.3 互联网产品数据分析实践 / 258
第 64 问：如何分析用户行为数据？还原实际业务中的落地分析流程 / 258
第 65 问：如何定义问题？AARRR 模型中获取阶段的落地分析 / 263
第 66 问：如何形成分析思路？AARRR 模型中促活阶段的落地分析 / 268
第 67 问：如何给落地建议？AARRR 模型中留存阶段的落地分析 / 274
4.4 报告呈现 / 279
第 68 问：为什么要做数据分析报告？向上汇报与横向沟通 / 279
第 69 问：如何用数据来讲故事？报告结构与金字塔原理 / 281
第 70 问：如何制作一个图表？数据可视化的逻辑 / 284
4.5 项目复现实战 / 287
第 71 问：游戏行业，如何分析活动？ / 287
第 5 章 展望 / 298
第 72 问：数据分析师的前景及如何成长？ / 299
书单推荐
