数据分析原理：6步解决业务分析难题

　　本书系统地介绍了数据如何始于业务、取于业务、用于业务。既有扎实的理论铺设，又有具体的案例支撑，通俗易懂地回答了数据“怎么来”和“怎么用”的问题。同时，本书总结出了解决业务分析难题的六大步骤，包括对最终数据分析产生关键影响的数据源的选取方法，以及通过对业务模块的判断确定分析方法的适用场景，最终推演、验证、分析出结论，并选择分析结果展现方式，让数据分析全过程形成闭环。本书的内容从底层原理出发，帮助读者打好数据分析基本功。在原理的讲解过程中，通过提问、思考、解答、案例分享的方式，结合三位专家十多年的行业经验，让读者从根本上理解数据分析、学会数据分析。本书适合数据分析从业者、数据分析爱好者阅读，也适合大中专院校数据相关专业的老师和学生使用。

　　周文全，暨南大学毕业，10多年工作经验，先后在中国电信、阿里巴巴、腾讯从事数据分析工作，亿级App商业增长负责人。 微信公众号“数据分析学习之道” 运营者，教授全网畅销课“Spring数据分析思维案例实战”。 优秀讲师，创作型职场从业者，擅长思维发散、问题分析与解决、探索新技术。 黄怡媛，本科为暨南大学经济学专业，硕士为英国巴斯大学创业与管理专业。毕业后在腾讯、阿里巴巴等国内一线互联网企业工作，参与过亿级toC产品的运营，也参与过toB产品从0到1的搭建，有5年多的产品运营和数据运营经验。擅长业务分析和策略制定，关注商业和科技行业动向，乐于探索新领域。 马炯雄，本科为广东工业大学信息管理与信息系统专业。毕业后在腾讯工作，有超过十年的产品运营和数据分析经验，对问题的拆解和数据指标体系的搭建有自己独特的见解和方法。

目 录
第1章　数据分析始于懂业务，切于指标体系 001
1.1　怎样才叫懂业务并高于业务视角 002
1.1.1　懂业务的三个标准 003
1.1.2　什么是高于业务视角 008
1.2　如何才能成为懂业务的专家 014
1.2.1　多想一步，不做只为完成工作的“机器人” 015
1.2.2　主动思考，培养批判性思维 018
1.3　四步法建立指标体系 021
1.3.1　指标的含义 021
1.3.2　指标体系的定义 022
1.3.3　指标体系建立的四个步骤 023
1.4　五大行业的业务目标和指标体系 028
1.4.1　能源行业的目标和指标体系——以中石化为例 029
1.4.2　政务行业的目标和指标体系——以粤省事为例 033
1.4.3　金融行业的目标和指标体系——以建行App 为例 035
1.4.4　教育行业的目标和指标体系——以腾讯课堂为例 037
1.4.5　互联网行业的目标和指标体系 039

第2章　良好的目标拆解能够让分析事半功倍 043
2.1　目标拆解的核心法则 044
2.1.1　MECE 法则是什么 045
2.1.2　如何做到完全穷尽和相互独立 046
2.1.3　MECE 法则实践案例 051
2.2　利用公式法进行拆解 055
2.2.1　公式法的定义 055
2.2.2　生活中的问题用公式法拆解 055
2.2.3　销售中的问题用公式法拆解 057
2.2.4　互联网中的问题用公式法拆解 059
2.3　利用路径法进行拆解 064
2.3.1　路径法的定义 064
2.3.2　路径法的案例：分析某清理工具App 的日活趋势 064
2.4　利用模块法进行拆解 068
2.4.1　模块法的定义 069
2.4.2　模块法的案例：利用商业画布模型拆解商业问题 069

第3章　数据的选取对最终分析产生关键性的影响 075
3.1　常见的数据类型和获取途径 076
3.1.1　数据的类型 076
3.1.2　数据的获取渠道 078
3.1.3　外部竞争对手数据的获取 081
3.1.4　内部数据的提取 082
3.2　选取数据和数据预处理 092
3.2.1　选取数据的原则 092
3.2.2　数据预处理 095

第4章　业务模块决定分析方法的适用场景 103
4.1　行业分析 104
4.1.1　行业分析的目的确认 105
4.1.2　系统性资料搜集和整理 108
4.1.3　找到行业的痛点 112
4.1.4　形成自己的策略和观点 114
4.2　市场规模预测分析 117
4.2.1　时间序列预测法 117
4.2.2　用户构成预测法 121
4.3　渠道质量评估 125
4.3.1　渠道的定义、分类和管理 126
4.3.2　渠道质量分析法 128
4.3.3　渠道反作弊分析法 133
4.4　产品分析 136
4.4.1　产品的功能设计合理性分析 136
4.4.2　产品的健康度分析 143
4.4.3　产品精细化分群运营分析 145
4.5　运营活动分析 150
4.5.1　活动目标拆解分析法 152
4.5.2　设计活动内容之选品分析法 155
4.5.3　活动前上线预热之优惠券营销分析 157
4.5.4　活动正式上线之指标体系日常监控分析 160
4.5.5　活动后效果复盘之整体效果分析 161
4.6　用户增长分析 163
4.6.1　用户留存率增长分析 165
4.6.2　用户流失率降低分析 171

第5章　推演、组织、验证出正确的结论 177
5.1　合理推演，避免谬误，从而得出正确的结论 178
5.1.1　过度简化因果谬误 178
5.1.2　滑坡谬误 180
5.1.3　忽略常见原因谬误 182
5.1.4　事后归因谬误 183
5.1.5　以偏概全谬误 184
5.2　分析结论的组织：金字塔原理的使用 186
5.2.1　结论的三个层次 186
5.2.2　什么是金字塔原理 189
5.2.3　如何运用金字塔原理 190
5.3　多数分析结论都需要靠AB 测试来验证 193
5.3.1　AB 测试的应用场景 193
5.3.2　AB 测试四步法 194
5.3.3　AB 测试的常见误区 198

第6章　数据分析的展现方式 201
6.1　图表是数据分析结论的最直观展现方式 202
6.1.1　“图表三千，只取一瓢” 203
6.1.2　根据论证逻辑，选择合适的图表 203
6.1.3　锦上添花的其他图表类型 209
6.1.4　图表需要优化：图表优化的三大原则 211
6.2　分析报告能把数据分析的结论和思考进一步升华 216
6.2.1　克服拖延症最好的办法：“先把手弄脏” 216
6.2.2　搭好基础框架就完成了至少80% 的工作 216
6.2.3　细心打磨，增强专业说服力 217
6.3　把数据分析的结论娓娓道来 218
6.3.1　汇报是达到业务目的的手段 218
6.3.2　用讲故事的逻辑组织你的汇报 220
6.3.3　优秀汇报的成熟模型：SCQA 和ZUORA 222
6.3.4　说在最后：准备好面对问题和挑战 225