声明：本网站所有内容均为资源介绍学习参考，如有侵权请联系后删除
资源推荐：15天入门互联网数据分析教程完结
课程适合人群：
数据分析零基础的产品经理、运营、市场人等
帮助系统性建立数据分析基本框架及方法
学会用Excel常用功能做数据分析
掌握数据驱动运营的要领
意向成为数据分析师的零基础学员
建立互联网数据分析的基础知识框架
课程目录：
00.开刊词：为什么有这门课以及你将收获什么
01.开课典礼
02.第一章数据分析是什么
— 01.数据分析是什么？
03.第二章数据分析的流程
— 01.数据分析的流程
04.第三章如何做数据分析
— 01.数据类型及数据收集和整理方法
— 02.如何构建全面的数据分析体系
— 03.常用的数据分析框架
— 04.常用的数据分析方法
05.第四章如何通过EXCEL快速实现数据分析
— 01.Excel 操作方法一数据处理
— 02.Excel 操作方法一数据分析
— 03.Excel 操作方法一展示
06.第五章数据驱动运营实例
— 1.渠道效果分析
— 2.优惠券分析
— 3.用户留存分析
— 4.商品分析
07.第六章数据报告撰写
— 1.类型、思路及展现
— 2.数据报告撰写案例
08.结课典礼
举一个最简单的例子：比如一个标准的电商网站，网页浏览量——PV是一个通用的衡量网页被用户浏览的量级的指标，早期的网站统计工具也都会用这个指标来衡量网站的流量，但如果只看这个指标，对于后续需要采取什么行动的指导意义其实并不大，因为这个指标可能是很多人每人只看一页，或者是很少人，每人看了多个网页造成的，所以如果将它升级成为能够驱动行动的指标，不妨可以使用每次访问页数，这个代表的含义就是用户每次来访参与的平均深度了，它的升高和降低直接能够对应到网站的运营者需要如何来优化用户体验和内容，如果再将它升级，因为背景是电商网站，所以还可以升级成为商品详情页浏览量占总浏览量比重，这个升级对于电商网站的运营就更能明确方向了，鼓励用户每次来访查看更多的商品详情页，对于网站销售的情况是有非常明显的推动作用的，这其实在大量案例中被验证，这是一个非常良好的驱动行动的指标。
与移动端相比，PC端具备更完善的研究环境。移动端收集的数据量级、维度、角度都会少一些。作为研究者或理论的关注者，我还是建议把PC端当做一个研究的环境看待。那么PC端数据分析到底怎么做？
一、制定规划
一制定商业目标。对很多企业来说，真正进入数据分析前，商业目标并不是十分明确。在你的商业目标不清晰的情况下，数据收集是没有大方向的，甚至你的企业运营因为商业目标不准确而形成比较大的风险。所以建议根据企业规模、所属行业、发展阶段，提炼出1-3个清晰的商业目标。
二规划KPI。商业目标本身不是一个数据，它不是量化的，而是属于比较概括性的东西。所以它和数据之间需要有“桥梁”的连接，KPI就是这个桥梁。KPI虽然也是数据，但它是非常精炼的，每个部门甚至每个人的KPI可能都不太一样，所以KPI也是需要做一些完整的规划。
三规划数据指标，即应该采集什么样的数据。企业需要的数据不是你能采集到什么决定的，而是由你需要什么决定的。商业目标对应KPI，来检测你的数据指标，这是我们常用的方法论，能够帮助企业更清楚地把数据体系搭建起来。
按照这个顺序规划了清晰的数据需求，再开展数据的采集和分析工作，可以避免数据分析方向偏差。
二、数据标签化&采集
首先，数据标签化。数据最常见的问题是数据污染、数据不清晰甚至混乱。造成这些问题的罪魁祸首，可能是数据收集前就没有做到非常清晰的标签化，但用户是需要标签的。只有把前期准备工作做到位，后期才不会陷入数据混合无法拆解，无法做数据细分和聚焦分析的境地。
第二，选采集工具。不同工具的需求不同，我认为比较常见考量工具有五个角度。
一是可用性。你的工具是否能满足当前提出的数据需求，或者说能不能满足99%以上的需求。重点在于它是否能支持你的数据采集、实时查看数据、订单数据的完整收集。
二是易用性。一个非常好的工具，但它解读起来很困难，工作流程非常繁琐，这种情况会降低我们的效率。如果工具不易用就会造成用户对数据的抵触甚至恐惧情绪。
三是智能性。现在很多工具都加入了人工智能的因素，比如谷歌分析GA中加入了机器算法告诉你哪些用户的质量高哪些用户的质量低。智能性是为网站分析锦上添花的，并不是非常基础的东西，它只是决定了人使用电脑工具效率的高低，并不会关系到工具能不能用。
四是扩展性。第一项是数据整合，第二项是数据应用的方向。谷歌分析有个其他工具望尘莫及的优势，它很好整合了谷歌所有的营销工具，并且能把数据轻松地推到谷歌营销平台上，对这些用户进行精准的定向营销。
五是经济性。包括收费方式和收费水平，需要综合收益去考虑投入是否合理，是否在你的接受范围之内。
现在企业在选择分析工具时通常有个误区，会恰好把这个优先级排序反过来，把经济性作为首要考量因素。一个工具收费一百万，企业首先一个反应就会觉得很贵不想用，但既然它在市场上存在即有它的合理性，应该考虑的是企业该如何驾驭这个工具获取更高的数据价值。
三、数据清洗
在做分析之前，一定要对数据进行一次清洗，我非常建议把这两块数据最大程度上剥离出来：无效和无用的数据。无效的数据就是假的数据，无用的数据是真实的数据，但是对分析没有作用，最典型的是测试数据。
数据清洗不能做到百分之百可信，最大也是最常见的问题是数据偏差的问题，数据偏差的修正也是数据清洗的一个步骤。很多客户会非常在意数据偏差，因为他们有后台数据，尤其是销售数据和订单数据，当他们在机器里看到的数据和自己的后台数据有10%到20%的偏差，有些用户就会走极端，觉得里面差距那么大，就不相信不参考这个数据了。
所以作为网站分析师，需要有能力判定数据偏差对分析结论到底会不会造成重大影响，这是数据分析师的基本素质。在分析过程中，我比较建议侧重过程的分析，而不要特别在意结果的对照，因为如果数据偏差是稳定恒定的，那么数据分析的结论就是合理的，跟真实情况不会有太大的差异。
四、真正进入数据分析
准备工作做完之后，才开始真正的数据分析工作。在网站分析方面，我们分析的数据通常会分为四个模块。
第一个模块叫做用户属性分析。分析你的用户是谁、在什么地方、使用什么样的设备、平时有什么样的兴趣等等，相当于做人物画像。
第二个模块叫做流量分析。包括流量质量的评估，流量的效果，流量之间的配合效率。
第三个模块叫做内容分析。针对你网站呈现的内容顺序做一系列分析，来发现用户的行为习惯。
第四个模块叫产品分析。对于需要体现价值的产品、服务、内容进行分析。
可能有人按照网站分析工具的惯例会认为应该是做目标分析，但我认为最后一个模块不应该作为一个单独的模块，而应该融入前面的三个模块里面，转化分析实际上对于前边的模块体现的是验证的作用。
五、改善行动
我认为在做改善之前应该再做一步测试，很多分析师会忽略这个环节。比如，得到了一个数据分析结论却没有人采纳。对于一些重大的决策，决策者会用一些比较高的代价去做决策，这个决策也会带来比较大的风险。缩小结论到行动之间的距离，降低决策风险和抵触心理，不妨采用一些测试的方法，比如A/B测试，到底哪个营销策略更有效测试一下就会得出结果，这个测试的代价确实非常小，而且出来的结果立竿见影。真正的数据改善行动唯一要多做的一件事情是，利用数据做追踪，来验证改善的最后成果。
这五步会形成一个完整的循环，随着企业的运营和深入，会有一些新的需求产生，也会有一些新的问题的排查，会不断进入这个循环中。
电商
电商的数据分析方法有三种，在不同的场景下可能会用到不同的分析类型。
第一种是验证型分析。基于一些数据基准，在新数据里拿出同口径的数据做比对，进而发现问题或验证结论。它本身对发现深入的问题和解决问题并没有很大帮助，但对于分析师的数据粗犷解读和了解数据特性是非常重要的。
第二种是诊断型分析。诊断型分析比较常见的方法是对数据的分解剖析，相当于对一个结果数据层层拆解，一直拆解到最小单位的数据为止。举个简单的例子，如果订单提交的量变少了，你只看订单页面可能得不出来结论，它上一步还有订单填写，往上还有提交购物车订单，还有把商品加入购物车。其实每一步过程数据都会造成最后结果数据的变化。所以整个数据分析就是拆解，最后定位到问题到底出现在哪一个环节。
第三种是预测性分析。它的原理也比较简单，就是基于你的历史数据并结合你的商业目标，找到数据里存在的特征和规律，建立数学模型。当未来产生一部分数据时，你可以通过数学模型演算出其他数据应该是什么。如果你做用户价值的预测，可以根据历史数据得知产生这种特征的人有多大几率在未来一年之内能够给你带来多少销售额。如果你定位到一个高价值用户，那么你接下来要做的就是对这个的高价值用户进行各种方式反复的营销，充分挖掘他的价值。
金融
我认为这个行业比较特殊，它和传统的生意不太一样。
第一个特征是占用资源。资金放到平台并不是马上就能得到回报，而是有一定的回报周期，用户的决策难度比较高，信任就变得很重要。你要关注用户到底跟你交互了多少次，或者什么样的元素打动他跟你发生第一笔交易。
第二个特性是提供价值的方式跟传统的行业不一样。传统行业提供价值的方式是货币交换，互联网金融是钱换钱，钱生钱，通过时间的累积，把固定的钱变成预期的更多的钱。互联网金融赚了还是赔了、有没有回报都是非常清楚的，所以他的客户对价值比较敏感。
这里涉及三个指标：用户生命周期价值、用户响应率、用户粘性。
用户生命周期价值相当于你对一个用户有一个总的价值判断，他会对你产生多少种价值，你挖掘到了什么程度，还要怎样进一步去挖掘。
用户响应率是个比较特殊的指标。当你有一些新产品或者新的促销政策时，你的所有用户里有多少人会响应你的产品，比如产生购买、关注、收藏、咨询。响应率非常重要，它直接验证了产品的价值，验证你的产品的吸引力和认可度。
粘性可以使用用户的复购率来反映。当用户完成第一次商品交易之后，产品到期时是不是能够有效产生第二个商品的购买，或者在第一个商品上继续续约，这对于分析用户对于产品的忠诚度很重要。