1. 首页 > 全网神秘学教程 > 身心灵魔法

《数据分析之道: 用数据思维指导业务实战》李渝方【文字版_PDF电子书_推荐】_计算机类 (道荣数据分析有限公司)

如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

《数据分析之道: 用数据思维指导业务实战》李渝方【文字版_PDF电子书_推荐】

《数据分析之道: 用数据思维指导业务实战》李渝方【文字版_PDF电子书_推荐】_计算机类 (道荣数据分析有限公司)

书名:数据分析之道:用数据思维指导业务实战
作者:李渝方
出版社:电子工业出版社
译者:
出版日期:2022-1
页数:236
ISBN:9787121428340
7.3
豆瓣短评
全网资源sm.nayona.cn

内容简介:

本书以数据思维为主题,以数据分析全流程为主线,融合了与数据思维相关的编程语言、统计学基础及案例分析等内容,全书分为4 篇,囊括了数据思维的概念和培养方法、数据来源及体系建设、数据分析三大思维方式及用户流失、用户转化实战等共11 章的内容。本书囊括了数据分析中常用的分析方法,包括经典的海盗(AARRR)模型、麦肯锡的MECE 模型、逻辑树、漏斗分析、路径分析、对比分析、A/B 试验、RFM 模型、K-Means 算法、5W2H 等分析方法,还包括各类方法的实践案例及Python 实操项目。可以说本书是数据分析方法论与统计学知识、编程语言及应用案例的完美结合。

本书适合工作了1~3 年的初级数据分析师;已经掌握了数据分析工具,需要培养数据思维的转行人员;数据科学行业的人力专家和猎头等。

作者简介:

李渝方,网名森夏恩,复旦大学硕士,生物医学专业转行互联网数据分析,先后就职于游族网络、 阿里巴巴,现就职于某互联网大厂担任数据分析师。知乎数据分析话颖的优秀回答者, 公众号“数据万花筒”运营者,累计创作 “100 ”篇数据分析原创文章,原创文章在全网累计阅读量超过百万!

目  录:

目 录

第1 篇 数据思维

第1 章 数据思维是什么 1

1.1 从数据治理流程浅谈数据思维 1

1.1.1 什么是数据治理 2

1.1.2 数据治理流程介绍 2

1.1.3 从数据治理流程谈数据部门岗位职责 . 3

1.1.4 数据分析师在数据治理流程中所需要的数据思维 . 4

1.2 数据思维到底是什么 5

1.2.1 应用数据思维的工作 5

1.2.2 数据思维是可以培养的 .. 6

1.3 数据思维直观的解释 6

1.3.1 构建有效的监控体系和客观的评价标准 . 7

1.3.2 用合理的分析方法探究原因以及评价效果 . 7

1.3.3 综合运用统计学知识对活动效果进行预估 . 8

第2 章 为什么数据思维如此重要 . 9

2.1 数据思维是数据分析师的技能 9

2.1.1 数据分析师的硬技能 9

2.1.2 数据分析师的软技能 10

2.1.3 为什么软技能比硬技能重要 10

2.2 数据思维是数据分析师成长晋升的技能 11

2.3 数据思维能帮助数据分析师建立影响力 11

第3 章 数据思维如何培养 14

3.1 熟悉常用的数据分析方法 14

3.1.1 三大分析思维 14

3.1.2 不同生命周期的分析方法 15

3.2 树立目标意识,寻找潜在分析点 16

3.2.1 为什么需要树立目标意识 17

3.2.2 通过多问“为什么”,树立目标意识 . 18

3.3 不预设立场,通过客观的标准代替主观的判断 19

3.3.1 不预设立场才能做到客观 19

3.3.2 预设立场与假设检验的区别 20

3.4 基于数据分析结果为业务方提出切实可行的解决方案 21

3.4.1 数据分析师提出合理建议需要经历的三个阶段 21

3.4.2 数据分析师需要避免的几种提建议的方式 23

第2 篇 数据指标体系

第4 章 数据埋点 . 27

4.1 数据埋点简介 27

4.1.1 从数据产生流程浅谈数据埋点 28

4.1.2 为什么需要进行数据埋点 29

4.1.3 数据埋点能够采集哪些用户数据 29

4.1.4 数据埋点与隐私保护 30

4.2 数据埋点分类及主流的数据上报技术 30

4.2.1 数据埋点的分类及方式 30

4.2.2 主流的数据上报技术 31

4.3 数据埋点方案设计 32

4.3.1 数据埋点流程 33

4.3.2 通过六个步骤实现数据埋点设计 34

4.3.3 以电商成交为例实现数据埋点设计 35

第5 章 数据标签体系 . 38

5.1 数据标签体系与用户画像 38

5.1.1 什么是数据标签体系 38

5.1.2 数据标签体系的作用 39

5.1.3 数据标签的分类 39

5.1.4 用户数据标签的层级分类 40

5.1.5 数据标签体系与用户画像的关系 41

5.2 如何构建数据标签体系 42

5.2.1 数据标签体系构建的流程 42

5.2.2 数据分析师在标签体系构建过程中承担的角色 43

5.2.3 以某App 付费用户的数据标签体系的构建为例,浅析数据标签体系构

建过程 44

5.3 数据标签体系的应用场景 47

5.3.1 数据标签体系辅助运营人员进行决策分析 . 48

5.3.2 数据标签体系可提升数据分析师的分析效率 . 48

第6 章 数据指标体系 49

6.1 从中国人口数据初识指标体系构建 49

6.1.1 什么是指标体系 49

6.1.2 为什么需要指标体系 50

6.1.3 指标体系的评价标准及注意事项. 53

6.2 用四个模型梳理数据指标体系构建的方法论 53

6.2.1 构建数据指标体系的方法 54

6.2.2 用三个步骤、四个模型梳理数据指标体系的方法 . 54

6.2.3 以GMV 为例搭建数据指标体系 . 57

6.3 如何搭建一套通用的指标体系并快速落地应用 60

6.3.1 多部门配合搭建数据指标体系的流程 . 60

6.3.2 搭建通用的指标体系 61

6.4 定位异动因素 65

6.4.1 数据波动多少才能称为数据异动. 65

6.4.2 数据波动分析的方法论 65

6.4.3 从数据埋点到指标体系再到指标异动的闭环 . 70

第3 篇 数据分析方法论

第7 章 对比思维 . 71

7.1 利用对比分析得出结论 71

7.1.1 对比分析的作用 71

7.1.2 确定对比的对象 72

7.1.3 如何对比 72

7.1.4 对比分析的可比性原则 77

7.2 A/B 试验设计及容易忽略的误区 . 78

7.2.1 什么是A/B 试验 . 78

7.2.2 A/B 试验能解决什么问题 . 78

7.2.3 A/B 试验的流程 . 79

7.2.4 A/B 试验常见的误区 82

7.3 A/B 试验背后涉及的统计学原理 . 87

7.3.1 什么是抽样 87

7.3.2 样本为什么可以代表总体 88

7.3.3 通过假设检验判断A、B 两组样本是否存在差异 . 90

7.3.4 如何通过样本估计总体 91

7.3.5 如何确定足够的样本量,以达到所希望的边际误差 92

7.3.6 如何衡量试验效果 94

7.3.7 多重比较中P 值修正的三方法 96

7.4 Python 实战:A/B 试验在广告方案选择中的应用 96

7.4.1 试验背景 96

7.4.2 数据基本情况探索 97

7.4.3 A/B 试验结果分析 98

第8 章 分群思维 . 102

8.1 从用户生命周期浅谈分群思维 102

8.1.1 什么是分群思维 102

8.1.2 为什么需要用户分群 104

8.1.3 用户分群方法论 106

8.2 用数据分箱进行结构化分析 107

8.2.1 结构化分析是什么 107

8.2.2 如何更加高效地做结构化分析 109

8.3 同期群分析解读用户生命周期,剖析真实用户行为和价值 110

8.3.1 同期群分析是什么 111

8.3.2 做同期群分析的意义 112

8.3.3 数据分析师如何快速地做同期群分析 113

8.4 Python 实战:基于RFM 模型及K-Means 算法实现用户分群 . 115

8.4.1 RFM 模型与K-Means 算法介绍 116

8.4.2 RFM 模型实现用户分群 . 118

8.4.3 K-Means 算法实现用户分群 123

第9 章 相关与因果 . 133

9.1 相关性分析简介 133

9.1.1 相关性分析与相关系数 133

9.1.2 常用的三种相关系数 134

9.1.3 相关系数实战 136

9.2 因果推断方法论 138

9.2.1 相关性不等于因果性的示例 139

9.2.2 从辛普森悖论谈因果推断 139

9.2.3 因果推断的三个层级 141

9.2.4 因果推断的方法 141

9.2.5 因果推断常用的框架 144

9.3 Python 实战:利用DoWhy 框架实现因果推断 . 144

9.3.1 DoWhy 因果推断框架简介 . 145

9.3.2 数据来源及预处理 145

9.3.3 数据相关性探索 148

9.3.4 因果推断实现 149

第4 篇 数据分析案例实战

第10 章 用户流失分析 159

10.1 用户流失分析方法论 159

10.1.1 用户流失分析总体方法论 160

10.1.2 定义流失用户的方法 161

10.1.3 分析用户流失的原因 164

10.1.4 生成流失用户标签 164

10.1.5 预测潜在流失用户 165

10.1.6 分层运营及用户召回 165

10.2 案例分析:用5W2H 方法分析游戏用户流失原因 165

10.2.1 情景介绍 165

10.2.2 5W2H 方法介绍 . 166

10.2.3 以游戏用户流失为例,详解5W2H 方法 167

10.3 用5 个理论模型构建外部因素分析框架 170

10.3.1 通过SWOT 模型全面认识产品 . 171

10.3.2 PEST 模型分析外部宏观环境的四个视角 171

10.3.3 用波特五力模型分析竞品的五个维度 . 172

10.3.4 用4P 理论指导竞品分析 173

10.3.5 用户体验五要素模型优化产品功能,减少用户流失 . 174

10.3.6 几个模型之间的关联 175

10.4 如何设计问卷验证用户流失的原因 176

10.4.1 问卷可以做什么 176

10.4.2 如何设计问卷 176

10.4.3 问卷的投放 180

10.4.4 数据分析及报告撰写 181

10.4.5 通过问卷获取信息可能存在的问题 181

10.5 Python 实战:通过生存分析预测用户流失周期 182

10.5.1 生存分析 182

10.5.2 数据基本情况探索 184

10.5.3 探索变量之间的相关性 188

10.5.4 用KM 模型分析用户留存率 189

10.5.5 Cox 风险比例模型 190

第11 章 用户转化与付费分析 197

11.1 用户转化与付费分析概述 197

11.1.1 从用户转化谈数据分析师的职责 197

11.1.2 用户转化与付费常用的分析方法介绍 198

11.2 贝叶斯公式在用户转化中的应用 198

11.2.1 贝叶斯公式简介 199

11.2.2 用贝叶斯公式预估特定群体的转化率 199

11.3 案例分析:用漏斗模型分析某电商平台换货业务,提升用户转化率 201

11.3.1 什么是漏斗分析 201

11.3.2 漏斗分析的核心步骤 202

11.3.3 以某电商平台逆向上门取件换货业务为例,详解漏斗分析法. 203

11.4 用营销增益模型实现用户分群,辅助运营人员识别营销敏感人群 208

11.4.1 什么是营销增益模型 208

11.4.2 为什么需要营销增益模型 209

11.4.3 营销增益模型的建模方法 210

11.4.4 营销增益模型的评价指标 211

11.5 Python 实战:利用营销增益模型识别营销敏感人群 212

11.5.1 数据初步探索 212

11.5.2 数据预处理及数据可视化 214

11.5.3 构建营销增益模型 216

附录A 缩略词及中英文对照 . 219

参考文献 . 221

浏览器不支持脚本!

有需要联系v;hx-hx4

摘要:《数据分析之道: 用数据思维指导业务实战》是一本计算机类的电子书,作者为李渝方。本书主要介绍了数据分析的方法和思维,以及如何通过数据指导业务实战。全文分为四个部分,分别阐述了数据分析的重要性、数据分析的基本技术、数据分析的实战应用和数据分析的未来发展。

1、数据分析的重要性

数据分析是当今信息时代的重要工具之一,它可以帮助企业了解用户行为、市场趋势和业务状况。本书首先介绍了数据分析的基本概念和原理,以及数据分析对于企业决策的重要性和影响。接着详细介绍了数据分析的三个关键步骤:数据收集、数据清洗和数据分析。通过学习本书,读者将了解到数据分析在企业中的重要性和应用价值。

数据分析的重要性体现在以下几个方面:

首先,数据分析可以帮助企业了解用户行为和需求,从而优化产品和服务。通过对用户数据的分析,企业可以了解用户的使用习惯、偏好和需求,从而针对性地改进产品和服务,提高用户满意度。

其次,数据分析可以帮助企业了解市场趋势和竞争对手情况,从而制定营销策略。通过对市场数据的分析,企业可以了解市场的变化和趋势,发现竞争对手的优势和不足,从而制定相应的营销策略。

最后,数据分析可以帮助企业了解业务状况和问题,从而改进经营管理。通过对业务数据的分析,企业可以了解业务的盈利情况、效率问题和风险状况,从而及时采取相应的措施,优化经营管理。

总之,数据分析对企业的发展和竞争力具有重要的影响和作用。

2、数据分析的基本技术

数据分析的基本技术是进行数据分析的基础,本书介绍了数据收集、数据清洗和数据分析等基本技术。首先,数据收集是数据分析的第一步,本书介绍了各种数据收集方法和工具,包括在线调查、日志分析和传感器数据等。接着,数据清洗是数据分析的重要环节,本书介绍了数据清洗的方法和技巧,包括数据去重、数据填充和异常值处理等。最后,数据分析是数据收集和数据清洗的综合应用,本书介绍了数据分析的各种方法和技术,包括统计分析、机器学习和数据可视化等。

数据分析的基本技术对于进行有效的数据分析至关重要。只有掌握了数据收集、数据清洗和数据分析的基本技术,才能进行准确和可靠的数据分析,为企业决策提供有力的支持。

3、数据分析的实战应用

数据分析的实战应用是将数据分析应用到实际业务中的过程,本书介绍了数据分析在各个领域的应用案例。首先,本书介绍了数据分析在市场营销中的应用,包括用户画像、市场细分和营销策略等。接着,本书介绍了数据分析在金融领域的应用,包括风险控制、信用评估和投资决策等。最后,本书介绍了数据分析在运营管理和产品优化中的应用,包括供应链管理、生产调度和质量控制等。

通过学习本书,读者将了解到数据分析的实战应用,并且能够将数据分析应用到自己所在的行业和业务中,提高工作效率和决策精度。

4、数据分析的未来发展

数据分析的未来发展是本书的最后一个部分,本书介绍了数据分析的趋势和未来发展方向。首先,本书介绍了大数据和人工智能对数据分析的影响和推动作用。接着,本书介绍了数据分析在互联网、物联网和人工智能等领域的应用前景。最后,本书讨论了数据分析在企业决策和战略规划中的重要性和作用。

数据分析的未来发展充满了机遇和挑战,只有不断学习和更新知识,才能跟上时代的步伐,为企业的发展提供持续的动力。

总结:

《数据分析之道: 用数据思维指导业务实战》是一本介绍数据分析方法和思维的计算机类电子书。本书分为四个部分,分别介绍了数据分析的重要性、基本技术、实战应用和未来发展。通过学习本书,读者可以掌握数据分析的基本概念和原理,了解数据分析的重要性和应用价值,学习数据分析的基本技术和方法,掌握数据分析的实战应用案例,了解数据分析的未来发展趋势。数据分析在当今信息时代具有重要的意义,只有掌握了数据分析的方法和思维,才能在竞争激烈的市场中获得优势。本书由nayona.cn整理。

点击联系需要东西方神秘学学习资料,专业的咨询

本文采摘于网络,不代表本站立场,转载联系作者并注明出处: https://sm.nayona.cn/xinnengyuan/255087.html

联系我们

在线咨询:点击这里给我发消息

微信号:hx-hx3