数据分析之道：用数据思维指导业务实战

　　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。

　　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！ 随书配套的数据资源可在公众号“数据万花筒”后台回复 “数据思维” 获取，或者扫描封底二维码添加博文小助手来获取。

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 数据思维最直观的解释 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必备的技能 9
2.1.1 数据分析师必备的硬技能 9
2.1.2 数据分析师必备的软技能 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必备技能 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