數據分析方法論和業務實戰（全彩）

購買商店

數據分析方法論和業務實戰（全彩）

$474.00

馬上購買

內容描述

數據分析的精髓在於能夠利用合理的數據分析方法來解決實際的業務問題，
本書介紹了數據分析常見的思維和方法，並且呈現了這些分析方法在實際案例中的應用。
同時也利用本書解答了大家對於想要從事數據分析行業的一些擔憂和困惑。
閱讀本書，你會對數據分析的工作內容有更清晰、完整的了解，同時對常見的業務問題處理的方法和經驗有質的提升。

目錄大綱

第1 章　數據分析基礎 1
1.1　什麼是數據分析 1
1.2　為什麼要做數據分析 5
1.3　數據分析的步驟 12
1.4　數據分析師的日常工作 16
1.5　數據分析師的前景和發展 21
第2 章　數據指標體系 24
2.1　數據指標和數據指標體系 24
2.1.1　數據指標 24
2.1.2　數據指標體系 26
2.2　為什麼要搭建數據指標體系 27
2.2.1　監控現狀 27
2.2.2　反映問題 28
2.2.3　預測趨勢 28
2.2.4　評估分析 30
2.2.5　決策支持 30
2.3　常見的數據指標體系 31
2.3.1　互聯網產品典型的數據指標體系 32
2.3.2　電商平台的數據指標體系 35
第3 章　如何搭建數據指標體系 39
3.1　什麼是數據埋點 39
3.2　為什麼要埋點 40
3.3　如何設計埋點方案 42
3.4　埋點的開發流程 46
3.5　指標體系搭建方法論 50
3.5.1　OSM 模型 52
3.5.2　UJM 模型 54
3.5.3　AARRR 模型 55
3.6　數據指標體系搭建實戰 56
第4 章　數據分析方法論 62
4.1　什麼是數據分析方法 62
4.2　營銷管理方法論 63
4.2.1　SWOT 分析 63
4.2.2　PEST 分析 64
4.2.3　4P 理論 65
4.3　常用數據分析方法論及其應用 67
4.3.1　對比細分 67
4.3.2　生命週期分析法 69
4.3.3　RFM 用戶分群法 73
4.3.4　相關性分析 78
4.3.5　用戶畫像分析 84
4.3.6　Aha 時刻 92
4.3.7　5W2H 分析法 93
4.3.8　麥肯錫邏輯樹分析法 99
4.3.9　漏斗分析法 105
第5 章　用戶留存分析 112
5.1　什麼是用戶留存 112
5.2　為什麼要進行用戶留存分析 113
5.3　影響用戶留存的可能因素 115
5.4　用戶留存的3 個階段 117
5.5　用戶留存分析的常見方法——挖掘Aha 時刻 119
5.5.1　用戶留存分析的業務背景和分析思路 120
5.5.2　分析過程 123
第6 章　用戶特徵分析 131
6.1　用戶特徵分析適用的業務場景 131
6.1.1　尋找目標用戶 132
6.1.2　尋找運營抓手 134
6.1.3　精細化運營（用戶分層） 135
6.2　用戶特徵分析的方法 136
6.2.1　用戶畫像分析 136
6.2.2　聚類分析 137
6.2.3　監督模型 140
6.2.4　RFM 用戶分群 141
6.3　用戶特徵分析和用戶預測模型的區別與聯繫 142
6.4　評估用戶特徵 143
第7 章　用戶流失分析 146
7.1　什麼是用戶流失 146
7.2　用戶流失分析常見錯誤 147
7.3　生命週期和流失 148
7.3.1　產品的生命週期 148
7.3.2　用戶的生命週期 151
7.4　流失用戶的確定方法 153
7.5　用戶流失分析和預測 153
7.6　如何召回流失用戶 155
7.7　總結 157
第8 章　從零開始完成數據分析項目 159
8.1　項目背景 159
8.2　制訂需求分析框架和分析計劃 161
8.3　數據的提取和摸底 166
8.4　特徵工程 171
8.4.1　什麼是特徵工程 171
8.4.2　特徵工程的重要性 172
8.4.3　特徵分佈變換 173
8.4.4　生成衍生變量 174
8.4.5　分箱轉換 175
8.4.6　特徵篩選 176
8.5　初步搭建挖掘模型 177
8.6　完成分析報告和落地應用建議 178
8.7　制定具體的落地方案和評估方案 180
8.8　業務落地實驗方案和效果評估 181
8.9　項目總結 181
第9 章　關於數據分析師常見的困惑和問題 183
9.1　為什麼數據分析師找工作這麼難 183
9.1.1　競爭大 184
9.1.2　不懂業務 184
9.1.3　簡歷和麵試 185
9.2　數據分析師的專業選擇 185
9.3　數據分析師面試流程 187
9.4　數據分析師最重要的能力 192
9.4.1　講故事 193
9.4.2　判斷項目ROI 194
9.4.3　業務深度 194
9.4.4　信念 195
9.4.5　熱情 196
9.4.6　換位思考 197
9.5　常見的數據分析師的困境 197
9.5.1　陷入取數困境 198
9.5.2　陷入報表困境 199
9.5.3　陷入落地難困境 201
9.5.4　陷入成長困境 203

作者介紹

陳友洋
畢業於香港中文大學和中山大學，騰訊前數據科學家，
數據分析類公眾號“漁好學”主理人，分享多篇數據相關的干貨文章。
在知乎（知乎賬號：漁好學）上分享的數據分析相關文章的全網閱讀量超2 000 000次，廣受好評。
在數據分析、數據體系搭建、數據科學方面具有多年經驗，積累了豐富的數據分析項目經驗。