数据分析方法论和业务实战

1星价 ¥51.4 (6.5折)

2星价￥51.4 定价￥79.0

作者：陈友洋

出版社：电子工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 计算机理论

暂无评论

图文详情

ISBN：9787121435362
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：203
出版时间：2022-06-01
条形码：9787121435362 ; 978-7-121-43536-2

本书特色

适读人群：数据分析入门，想转行做数据分析、数据分析师本书从数据分析在行业内的应用出发，全面地介绍了漏斗分析、相关分析、RFM用户分群、5W2H等多种常用的数据分析方法，从方法到实践。

内容简介

数据分析的精髓在于能够利用合理的数据分析方法来解决实际的业务问题，本书介绍了互联网行业中数据分析常见的思维和方法，并且呈现了这些分析方法在实际案例中的应用。同时也利用本书解答了大家对于想要从事数据分析行业的一些担忧和困惑。阅读本书，你会对数据分析的工作内容有更清晰、完整的了解，同时对常见的业务问题处理的方法和经验有质的提升。本书适合产品运营、数据分析、数据挖掘人员以及在校计算机数据市场营销等方向的学生。

目录第1 章数据分析基础 1 1.1 什么是数据分析 1 1.2 为什么要做数据分析 5 1.3 数据分析的步骤 12 1.4 数据分析师的日常工作 16 1.5 数据分析师的前景和发展 21 第2 章数据指标体系 24 2.1 数据指标和数据指标体系 24 2.1.1 数据指标 24 2.1.2 数据指标体系 26 2.2 为什么要搭建数据指标体系 27 2.2.1 监控现状 27 2.2.2 反映问题 28 2.2.3 预测趋势 28 2.2.4 评估分析 30 2.2.5 决策支持 30 2.3 常见的数据指标体系 31 2.3.1 互联网产品典型的数据指标体系 32 2.3.2 电商平台的数据指标体系 35 第3 章如何搭建数据指标体系 39 3.1 什么是数据埋点 39 3.2 为什么要埋点 40 3.3 如何设计埋点方案 42 3.4 埋点的开发流程 46 3.5 指标体系搭建方法论 50 3.5.1 OSM 模型 52 3.5.2 UJM 模型 54 3.5.3 AARRR 模型 55 3.6 数据指标体系搭建实战 56 第4 章数据分析方法论 62 4.1 什么是数据分析方法 62 4.2 营销管理方法论 63 4.2.1 SWOT 分析 63 4.2.2 PEST 分析 64 4.2.3 4P 理论 65 4.3 常用数据分析方法论及其应用 67 4.3.1 对比细分 67 4.3.2 生命周期分析法 69 4.3.3 RFM 用户分群法 73 4.3.4 相关性分析 78 4.3.5 用户画像分析 84 4.3.6 Aha 时刻 92 4.3.7 5W2H 分析法 93 4.3.8 麦肯锡逻辑树分析法 99 4.3.9 漏斗分析法 105 第5 章用户留存分析 112 5.1 什么是用户留存 112 5.2 为什么要进行用户留存分析 113 5.3 影响用户留存的可能因素 115 5.4 用户留存的3 个阶段 117 5.5 用户留存分析的常见方法――挖掘Aha 时刻 119 5.5.1 用户留存分析的业务背景和分析思路 120 5.5.2 分析过程 123 第6 章用户特征分析 131 6.1 用户特征分析适用的业务场景 131 6.1.1 寻找目标用户 132 6.1.2 寻找运营抓手 134 6.1.3 精细化运营（用户分层） 135 6.2 用户特征分析的方法 136 6.2.1 用户画像分析 136 6.2.2 聚类分析 137 6.2.3 监督模型 140 6.2.4 RFM 用户分群 141 6.3 用户特征分析和用户预测模型的区别与联系 142 6.4 评估用户特征 143 第7 章用户流失分析 146 7.1 什么是用户流失 146 7.2 用户流失分析常见错误 147 7.3 生命周期和流失 148 7.3.1 产品的生命周期 148 7.3.2 用户的生命周期 151 7.4 流失用户的确定方法 153 7.5 用户流失分析和预测 153 7.6 如何召回流失用户 155 7.7 总结 157 第8 章从零开始完成数据分析项目 159 8.1 项目背景 159 8.2 制订需求分析框架和分析计划 161 8.3 数据的提取和摸底 166 8.4 特征工程 171 8.4.1 什么是特征工程 171 8.4.2 特征工程的重要性 172 8.4.3 特征分布变换 173 8.4.4 生成衍生变量 174 8.4.5 分箱转换 175 8.4.6 特征筛选 176 8.5 初步搭建挖掘模型 177 8.6 完成分析报告和落地应用建议 178 8.7 制定具体的落地方案和评估方案 180 8.8 业务落地实验方案和效果评估 181 8.9 项目总结 181 第9 章关于数据分析师常见的困惑和问题 183 9.1 为什么数据分析师找工作这么难 183 9.1.1 竞争大 184 9.1.2 不懂业务 184 9.1.3 简历和面试 185 9.2 数据分析师的专业选择 185 9.3 数据分析师面试流程 187 9.4 数据分析师*重要的能力 192 9.4.1 讲故事 193 9.4.2 判断项目ROI 194 9.4.3 业务深度 194 9.4.4 信念 195 9.4.5 热情 196 9.4.6 换位思考 197 9.5 常见的数据分析师的困境 197 9.5.1 陷入取数困境 198 9.5.2 陷入报表困境 199 9.5.3 陷入落地难困境 201 9.5.4 陷入成长困境 203

展开全部

节选

1. 什么是用户画像分析我们经常在淘宝网购物，作为淘宝方，他们想知道用户是什么样的，年龄、性别、城市、收入、购物品牌偏好、购物类型、平时的活跃程度等，这样的一个用户描述就是用户画像分析。在实际工作中，用户画像分析是一个重要的数据分析手段，帮助产品策划人员对产品功能进行迭代，帮助产品运营人员做用户增长。作为产品策划人员，需要策划一个好的功能，获得用户*大的可见价值与隐形价值、必须价值与增值价值，那么了解用户并做用户画像分析，是数据分析师帮助产品策划做更好的产品设计重要的一个环节。作为产品运营人员，比如针对用户的拉新、挽留、付费、裂变等的运营，用户画像分析可以帮助产品运营人员去找到他们的潜在用户，从而用各种运营手段去触达。因为，当我们知道群体特征时，也基本可以判定潜在用户也是类似的一群人，这样才可以精准地寻找新用户，提高ROI。总的来说，用户画像分析就是基于大量的数据，建立用户的属性标签体系，同时利用这种属性标签体系去描述用户。 2. 用户画像分析的作用用户画像分析的作用主要有以下几个方面（见图4-22）。（1）广告投放。在做用户增长时，我们需要在一些外部渠道投放广告，吸引可能的潜在用户，比如，B站在抖音上投放广告。我们在选择平台进行投放时，有了用户画像分析，就可以精准地进行广告投放，比如，抖音中主要的用户年龄为是18～24岁，那么广告投放时就可以针对这部分用户群体，提高投放的ROI（见图4-23）。假如我们没有进行用户画像分析，那么可能会出现投了很多次广告，结果没有人点击的情况。（2）精准营销。假如某个电商平台需要做一个活动，给不同层次的用户发放不同的券，就需要利用用户画像分析对用户进行划分，比如，划分成不同付费次数的用户，然后根据不同付费次数发放不同的优惠券。给付费次数在1～10次的用户发放10元优惠券，依此类推（见图4-24）。（3）个性化推荐。个性化推荐即精确的内容分发，比如，我们在音乐类APP中会看到每日推荐，这是因为运营人员在做点击率预估模型（预测给你推荐的歌曲会不会被点击）时，会考虑用户画像属性，这样才有可能推荐用户喜欢的类型。比如，根据你是“90后”，喜欢伤感的音乐，喜欢周杰伦这些属性，推荐类似的歌曲给你，这就是基于用户画像推荐。（4）风控检测。风控检测主要是金融或者银行业涉及得比较多，常见的问题是银行怎么决定是否放贷给申请人。普遍的解决方法是搭建一个风控预测模型，预测申请人是否有可能不还贷款。模型的背后就有用户画像分析的功劳。用户的收入水平、教育水平、职业、是否有家庭、是否有房子，以及过去的诚信记录，这些画像数据都关系到模型预测是否准确（见图4-25）。（5）产品设计。互联网的产品价值离不开用户、需求、场景这三大元素，所以在做产品设计时，要知道用户到底是怎样的一群人，他们的具体情况是什么，他们有什么特别需求，这样才可以设计出对应解决他们需求和痛点的产品功能。在产品功能迭代时，我们需要分析用户画像行为数据，发现用户的流失情况。典型的场景是用漏斗模型分析转化情况，就是基于用户的行为数据发现流失严重的页面，从而优化对应的页面。比如，我们发现从下载到点击付款的转化率特别低，这可能是付款按钮做得有问题，可以有针对性地优化按钮的位置等。同时，还可以分析这部分转化率主要是在哪部分用户群体中低，假如发现高龄用户的转化率要比中青年的转化率低很多，则有可能是因为字体的设置及按钮位置不显眼等，或者操作不方便。（6）数据分析。在进行描述性数据分析时，经常需要用户画像的数据，比如，描述抖音中某美食类博主的用户群体特征，可以关注他们观看其他抖音视频的情况，关注其他博主的情况等（见图4-26）。简单来说，用户画像分析可以帮助数据分析师更加清晰地刻画用户。 3. 如何搭建用户画像。用户画像架构如图4-27所示。