数据化分析：用数据化解难题，让分析更加有效（全彩）_林骥_9787121450082

在大数据时代，我们并不缺少数据，缺少的是利用数据分析的思维和工具去解决实际问题的能力。数据化分析是运用恰当的方法和工具，对数据进行科学、有效的分析，从而提出有理有据、具有可操作性的建议，以解决现实中的难题。本书主要介绍了数据分析的9 种思维、7 种工具、学习方法、基本方法、展现方法、制作数据分析报告的方法，以及数据分析的思维模型。本书适合所有对数据分析感兴趣的读者阅读，特别是在工作或生活中需要经常跟数据接触的人，如数据分析师、产品经理、运营人员、管理人员、财务人员等。

为什么要写这本书

2008 年，作者开始从事数据分析工作，学习运用数据分析的思维和工具，来解决现实世界中的各种难题，并积累了一些数据分析的实战经验。

2012 年，作者给自己起了一个网名叫数据化分析，当时的想法是运用恰当的方法和工具，对数据进行科学、有效的分析。

2016 年，作者给数据化分析赋予了新的内涵：用数据化解难题，让分析更加有效。数据化分析比数据分析多了一个化字，以突出化解难题的作用。数据化分析从收集数据开始，到改善数据，再到分析数据和化解难题，然后又反过来收集更多的数据，形成了一个用数据解决实际问题的增强回路。

数据化分析不是把数据收集、整理好就完成任务了，而是需要运用恰当的方法和工具，对数据进行科学、有效的分析，从而提出有理有据、具有可操作性的建议，以解决现实中的难题。

在大数据时代，我们并不缺少数据，缺少的是利用数据分析的思维和工具去解决实际问题的能力。掌握数据分析的思维和工具，可以让我们去伪存真、化繁为简，通过现象看本质，找到问题的根本原因，进而睿智地解决问题。

为了帮助读者提升利用数据分析的思维和工具解决实际问题的能力，作者把自己十多年的数据分析实战经验总结、分享，并编写了这本书，希望能够对读者有所帮助或启发。作者相信，那些能够对数据进行有效分析的人，在解决实际问题时，能够做出更加明智的决策。

谁适合阅读这本书

本书适合所有对数据分析感兴趣的读者阅读，特别是在工作或生活中需要经常跟数据接触的人，如数据分析师、产品经理、运营人员、管理人员、财务人员等。

阅读建议

纸上得来终觉浅，绝知此事要躬行。

建议读者在阅读本书时，不要只是简单地浏览，而是要采用精读或主题阅读的方式，把本书作为参考书或一个引子，主动进行深入的思考，领悟本书中数据分析的脉络，并且学以致用，把数据分析的思维、工具、方法和模型内化为自己的，并应用到日常的工作和生活中，让自己真正长期受益。

请读者千万不要局限于专业知识，而要多去了解业务的实际情况，多接触一些其他学科的知识（如经济学、心理学等），也能对工作起到很好的促进作用。

数据分析必须结合业务场景才能开展。

数据分析必须符合业务目标才有意义。

数据分析必须付诸行动才能创造价值。

读者服务

如果读者在阅读本书的过程中有任何问题、意见或建议，敬请进入作者的微信公众号林骥，在菜单栏中找到答疑通道书的答疑，即可进入本书的专属答疑通道，在这里可以给作者留言，也可以和其他读者一起交流学习。

作者通过该通道可以调整本书中任何需要增补或修改的内容，让本书像一棵树一样不断生长，内容不断完善。

目录
第1 章数据分析的9 种思维 / 001
1.1理解现状/001
目标思维 / 008
对比思维 / 020
细分思维 / 027
1.2分析原因/0032
溯源思维 / 032
相关思维 / 042
假设思维 / 047
1.3预测未来 /051
逆向思维 / 051
演绎思维 / 056
归纳思维 / 061
1.4 综合应用案例 / 068
应用目标思维 / 069
应用对比思维 / 070
应用细分思维 / 071
应用溯源思维 / 071
应用相关思维 / 072
应用假设思维 / 072
应用逆向思维 / 072
应用演绎思维 / 073
应用归纳思维 / 073
本章复盘 / 075

第2 章数据分析的工具 / 077
2.1 Excel：应用最广泛的数据分析工具之一 / 079
2.2 Tableau：敏捷的商务智能展现工具 / 080
2.3 SQL：结构化的查询语言 / 081
2.4 SPSS：老牌的统计分析工具 / 082
2.5 SAS：强大的统计分析工具 / 083
2.6 R：专业的数据分析工具 / 084
2.7 Python：重要的数据分析工具 / 085
本章复盘 / 086

第3 章数据分析的学习方法 / 087
3.1 数据分析学习指南 / 089
学习方法 / 089
学习内容 / 090
学习路径 / 091
3.2 精准搜索学习资料 / 093
3.3 高效学习的6 种方法 / 095
3.4 高效学习的36 种思维 / 097
3.5 数据分析的精进之道 / 112
数据分析的材质 / 112
数据分析的造型 / 113
数据分析的装饰 / 114
数据分析的工艺 / 115
数据分析的层级 / 116
本章复盘 / 117

第4 章数据分析的基本方法 / 118
4.1 数据分析的5 个步骤 / 120
确认数据源是否正确 / 120
判断变化的程度如何 / 120
判断数据变化的周期如何 / 120
数据变化的前、后发生了什么 / 121
细分维度有哪些 / 121
4.2 数据分析的8 个状态 / 123
新的需求 / 123
需求确认 / 123
数据确认 / 125
实现中 / 125
交付 / 126
复盘 / 126
等待 / 127
拒绝 / 127
4.3 数据分析的指标体系 / 128
利用鱼骨图找到关键指标 / 128
从业务逻辑出发建立指标体系 / 129
用二八法则管理指标体系 / 129
4.4 提高数据敏感度 / 131
4.5 用数据解决实际问题 / 134
用流程解决问题 / 134
通过分解找到关键问题 / 135
通过交叉视点锁定原因 / 136
依据方程式制定对策 / 136
用数据讲故事 / 137
4.6 数据分析的 9 个问题 / 138
本章复盘 / 140

第5 章数据分析的展现方法 / 142
5.1 数据分析展现的重要原则 / 144
5.2 数据分析展现的常用方法 / 146
5.3 数据分析展现的图表选择 / 150
类别比较 / 150
时间趋势 / 151
占比构成 / 152
关联 / 153
分布 / 154
增强 / 155
单值 / 156
提示 / 156
本章复盘 / 157

第6 章制作数据分析报告的方法 / 158
6.1 数据分析报告的3 个层级 / 162
是什么 / 162
为什么 / 162
怎么办 / 162
6.2 数据分析报告的4 种情景 / 165
首次数据分析报告 / 165
常规数据分析报告 / 165
问题数据分析报告 / 166
总结数据分析报告 / 166
6.3 数据分析报告的5 类问题 / 167
是多少 / 167
好不好 / 167
为什么 / 168
会怎样 / 168
怎么办 / 168
6.4 数据分析报告的6 个步骤 / 170
明确目标 / 170
数据收集 / 170
数据处理 / 171
数据分析 / 171
数据展现 / 172
结论建议 / 172
6.5 数据分析报告的7 个模块 / 173
标题封面 / 173
目录导航 / 174
背景说明 / 174
思路方法 / 174
结论建议 / 175
分析正文 / 175
附录及封底 / 176
6.6 数据分析报告的8 种颜色 / 177
红色 / 177
橙色 / 178
黄色 / 178
绿色 / 178
蓝色 / 179
紫色 / 179
黑色 / 180
灰色 / 180
本章复盘 / 182

第7 章数据分析的思维模型 / 184
7.1 理解现状类思维模型 / 187
正态分布模型 / 187
幂律分布模型 / 188
帕累托分析模型 / 191
本福特分析模型 / 192
同期群分析模型 / 194
SWOT 分析模型 / 195
PEST 分析模型 / 197
7.2 分析原因类思维模型 / 201
杜邦分析模型 / 201
矩阵分析模型 / 203
RFM 分析模型 / 209
销售漏斗模型 / 212
聚类分析模型 / 215
KＡＮＯ分析模型 / 216
标杆分析模型 / 218
7.3 预测未来类思维模型 / 220
决策树分析模型 / 220
生命周期模型 / 223
福格行为模型 / 224
夏普利值模型 / 225
A/B 测试模型 / 227
线性回归模型 / 230
本章复盘 / 233
后记 / 234
致谢 / 235
参考文献 / 236

你还可能感兴趣

我要评论