当我们就读PhD 课程的过程中，如果你已经明确要成为一名数据科学家，那么我并不建议使用传统的学习方法。当我们自主学习时，我们可以从互联网上找到大量可用的学习资料。事实上，我们可以比读一个PhD进步的更快，因为PhD项目有很多循规蹈矩的事情花费我们大量的精力。

数据是量化事物的手段，投射到不同的人身上又会导致解读的结论偏差，因此我能需要“求证”地分析第三方网站提供的调研数据（网站改版案例）。 大量的数据如何为我们所用呢。大概包含以下几点：明确问题本质；了解产品业务；大量深入的产品实践。

数据工作者最长也是有效的一种工作方式是带项目，无论是数据分析还是专项挖掘，项目制能使数据尽量贴近业务并且有效理解业务和数据的各个维度。那么如何建立面向业务落地的数据分析（挖掘）流程？ 在做本篇介绍之前，有以下几个方向需要做一个界定，这些界定是做本篇的前提： 该项目流程是面向业务层的，直接通过模型做代码优化或者以BI技术为方向的不同； 该项目的领导者是具有一定能力的数据分析师，需要具备业务常识、数据理解能力和专项分析挖掘能力，说白了，能接受问题并且能解决问题； 该项目是以业务落地为导向的，那些面向市场分析方向的战略项目等不在此列。

长久以来，我们做网站分析都是基于Visit的分析，无论是指标定义还是分析场景，默认的都是在一个访问区间内。大多数情况下这种分析是没有问题的，因此我们可以解决单个场景的分析，但只针对访问的分析会出现“只见树木不见森林”的问题，原因是访问定义的是一次用户行为，而我们无法获得用户所有访问的完整性认知。 今天，我们来介绍下Webtrekk另辟蹊径基于真实用户和匿名用户整合分析的新方向，即下一个版本的用户管理模块—URM(User Relationship Management)，看看Webtrekk这次带来哪些惊喜。

数据分析工作可以从宏观数据和微观数据(细分数据)说起，这种方式也是我比较喜欢的，宏观数据是对总体趋势的预测，以及对异常数据的敏感性把握。而微观数据分析的来源一方面就是从宏观数据的异动而产生的需求，二者是一种相互依托的关系。 当然如果不是专业做DA工作，也许按照这种方式是没有什么问题的，因为毕竟工作时间和精力不允许有更多的研究工作。从我这个菜鸟DA来说，其实还有很多的工作要做，而采取的形式是另外一种形式，不过其内涵与之前的是一致的。

如果你*大数据科技动向，可能听说过一个叫NoSQL数据库的名词，这可能让人有些云里雾里。其实我们处在一个激动人心的技术更迭时代，以甲骨文为代表的SQL数据库已经称霸了企业市场30年，而近年来的NoSQL则是强有力的更新换代的竞争者。这篇文章就通过问答的方式来给小白解释NoSQL数据库系统是什么，无论你的技术背景如何都能看得懂。

过去的六七年我一直在企业服务领域创业，使用过不少分析工具：GA、Mixpanel、Heap 等等，功能很强大，但是总感觉少了点什么。我们看到了PV/UV这样的概览性指标，但是它们没法指导我们做的更好。在通过这些粗糙的数据得到用户做了什么后，还要看到他们是怎么做的，明白他们为什么做。我们需要实时、全量的用户行为数据，通过对用户行为整体流程的分析，找到转化的关键节点以及用户流失的核心原因，以此帮助我们对症下药，找到可执行的指标，落实为优化行动。

提升激活率的前提是为用户提供有价值的产品或服务，让用户受益。一旦用户在无意中发现并认识到，他能从你的产品中获得确切价值时，激活时刻就到来了。 以GrowingIO的技术论坛为例。某PM访问了该网站，浏览了该网站的技术论坛，对该论坛的产品系列的文章产生非常浓厚的兴趣，此时用户就被激活。剩下的事情就是用户注册转化。 一定要让用户最终可以get到价值并受益，因此为了找到并抓住用户的注意力，你需要不断模拟和重复用户受益的那一刻。

大数据安全分析适用于很多用例，但也不是所有的用例都适用。考虑一下探测和阻挡高持续性威胁（Advanced Persistent Threat，APT）的技术挑战。采用这些技术的攻击者或许会采用慢节奏的、低可见性的攻击方式来避免以避免被探测到。传统的日志和监控技术会漏过这种类型的攻击。攻击的各步可能发生在不同的设备的不同时间段，而且看起来是毫无关联的。

为了提高收入，可以想办法让购买一次的用户再次去消费，降低一次消费用户的比例，提高二次消费用户的比例。提供用户的付费次数，进一步可以提高付费用户对游戏的忠诚度，从而可以提供付费用户的活跃度，降低付费用户的流失率（流失成本偏大）。利用道具之间的关联性，我们可以给购买了道具A的用户推荐购买率最大的道具B，这是道具的角度的出发的，粒度比较细。

大数据技术如火如荼，在大数据挖掘及分析平台技术中，作为海量数据操作及高客户端并发解决方案的 NoSQL 技术特别是 Hbase 首当其冲，在众多项目中得到广泛的应用，但对于 Hbase 表设计模式/IO 考虑/性能调优等实战经验性资料较为匮乏。 本文介绍了 Hbase 的数据模型原理，分析了 Hbase 表扫描/查询操作的时间复杂度，并通过一个游戏公司客户实际案例的讲解，分析了 Hbase 表设计及开发在实际案例中的运用，对比了不同的 Hbase 设计考量对客户端访问模式及检索性能的差异。读者通过案例中 Hbase 表设计模式可以更深刻的理解 Hbase 原理及设计，并且熟悉 Hbase 客户端开发的思路及实现。

数据具有统一性，规范性，那么咱们在聊游戏运营数据的时候，必须先知道，数据可以干什么！ 数据可以告诉我们用户有多少、他们喜欢玩什么、喜欢做什么。 数据可以让我们看清产品全局。 数据是最有力的证据，能够让我们说服渠道，说服投资商。 数据能更直观的表现产品问题。 数据可以告诉我们，投入与产品的合理性…… 终上所述，数据的重要性不言而喻；我们可以从数据中分析各种理论，但我们却无法解释这些数据的原始概念，甚至不知道这些数据怎么来的；心里没底，导致数据分析出现问题，那之后的运营方向发生偏差，手段便成了无用功。

逻辑能力较强的人语言表达方面往往是有组织的。说话表达往往有框架有条理，思路清晰。比如，在回答问题时 ta 会喜欢用 “起因-经过-结果”、“案例-问题-分析原因-解决方法” 等框架来进行回答。框架不是为了束缚思维，而是用来整理思路。 在此基础上，一般谈话话题容易跑题*拉不回来的人，以及经常容易表达上前后自相矛盾难以自圆其说的人逻辑可能都是比较差的。

随着越来越多的人的生活向线上迁移，以及数据相关技术的成熟，数据分析的方法也被引入到产品研发、设计、运营等各个环节，越来越多的相关人员开始学习一些数据分析的方法来应用到实际工作中，希望能够为产品演进带来强大的助力。不可否认，由数据驱动产品的改进，确实像驱散了阻挡在产品经理眼前的一层迷雾，让我们在管理产品时能够更客观、理性的认识产品和用户，有针对性地改进。但是，依托于数据来驱动真的是能够帮助我们扫除一切障碍的尚方宝剑吗？也许我们都应该好好思考一下。

分析思维和技术实现能力是科技产品的核心：分析思维的内在形式是工程产品的思维，外在形式是数字营销的思维。也就是说我们可以用工程产品的方法加上数据分析的方法来促进用户和业务的增长。 这种工程和分析的思维就是把一个大的问题细化成一系列小的问题，然后针对每一个小的问题进行迅速的改进，很多小的迭代累积而成大幅度的改进产品整体体验，并最终产生大幅度的商业效果。

PEST分析法用于对宏观环境的分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。 对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。

这套模型是我在运营路况电台2000万用户过程中积累出来的，也是我们团队做产品迭代，运营和产品目标设定最基本的方法。这个产品模型从几个相对不同的维度定义一个产品的关键要素，是测量产品好坏最核心的指标，通过这套模型能迅速发现产品的问题，留住用户的能力并预测产品未来的走向。 这套模型非常实用，我多次给很多兄弟团队做过分享，但是一直受限于时间，没有整理成文，最近因为一个小*要住院，时间比较充裕，才有时间把这套模型整理出来，分享给做产品和运营的童鞋们。

精准化营销一直以来都是互联网营销业务在细分市场下快速获取用户和提高转化的利器。在移动互联网爆发的今天，数据量呈指数增长，如何在移动和大数据场景下用数据驱动进行精准营销，从而提高营销效能，成为营销业务部门的主要挑战之一，同时也是大数据应用的一个重要研究方向。本文通过数据体系架构和技术实现案例，分享美团大众点评数据应用团队在这个方向上的一些尝试和实践经验。

关于数据分析，打开电脑搜索资料可以得到这样的定义“数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。”，简单说就是从大量数据中提取信息。然而作为一次合格的数据分析，定义中提及的过程只能说一次分析中的准备工作。

半年来，笔者有强烈危机感。身处互联网革新年代，社会进步的强度和烈度不亚于“第一次工业革命”，未来3-5年重复性的工作将被程序取代、知识获取门槛越来越低、折旧速度越来越快、高端技术或技能被模块化、简单化；“80后”到40岁将再次面临“失业潮”，体力劳动被机器人取代，高级蓝领的专业和技能面临行业限制（行业存在则生、行业灭失则下岗，可是有长青行业吗？）。 “互联网+”牛逼的不要不要，这年头不谈点“线上线下融合、大数据分析、互联网思维”，别人都认为你这老板low爆了。

当我们写出一条SQL语句后，SQL语句是到数据库中去执行的，具体怎么理解和执行SQL是数据库的事，我们关心的事儿就是如何写好SQL语句，别让数据库对我们的SQL产生误解，造成SQL无法执行或者执行错误就好了。 有句古话，叫做“但行好事，莫问前程”，意思是自身要多做义举做好当下，而不要去牵挂往后的发展，这句话套用在SQL上就是“但行好事，莫问过程”，SQL只管告诉数据库，我要的数儿是什么，而不用管数据库是用什么方法把数据给你一行行提取出来的。

位数据科学家就是一位居住在旧金山的数据分析师玩笑归玩笑，实际上很多公司里面的数据科学家就等同于一名数据分析师。你的日常工作内容可能由以下方面组成，比如从MySQL数据库中拉取数据，在Excel数据透视表方面你也是大拿，并且还得生成基本的数据可视化图表（比如条形或者柱状图）。你可能还会偶尔分析A/B测试的结果，或者掌管公司在Google Analytics注册的账户。对于渴望成为数据科学家并且想摸到窍门的你而言，这样的公司的确是理想之地。

技术能力相对来说是比较好提高的，学R或者Python这类简单的语言是很快的，Java或者C++会比较慢。当技术能力提高到一定程度的时候，就很难跟别人有技术上的差别了。可能工作一年的时候你只会R，等两三年之后相关的工具技术你都会了，这个时候你跟其他同事的区别就在于业务能力。

一般只有很少的成熟公司，产品经理、交互设计师或用户研究人员才会花时间构建用户模型，个人认为之所以这样，至少包含两方面原因： 一个主要原因在于，按照传统方法构建用户模型的成本高、时间长，不是一般公司和团队所能承受的； 另一个原因在于，传统方法对用户模型构建者的要求很高，尤其是对用户的访谈和观察，其中有很多的方法和技巧，不少产品经理不敢尝试，有些人尝试后并没有得到有用的信息，后面往往就不再做了。

假设你为一个中型的电子商务企业设立一个客服中心。为了满足要求，你需要知道客服人员的总人数。这个项目会被外包给一个客服中心，它需要24小时*服务， 而且每名客服的效率是相同的。 按照这种效率，你也估测到了顾客每个电话的时长。这种预测是基于以往客户的行为而进行的市场研究和预测。你可以假设这种预测是准确的，现在你需要预测如下内容。

从行业目前来看，女性数据分析师一般以初级和中级为主，在这两个阶段，女性数据分析师非常有优势，她们细致耐心，可以给业务部门及时提供准确的数据。但在中高级和高级阶段承担的压力会比较大，比如KPI指标设计，可能一个部门一年的绩效奖金都是根据你的KPI来考评，压力可想而知。所以到了中高级阶段，除了技能过硬，自身素质和业务能力，行业了解等整体综合素质都十分重要。在这方面，男性比较有优势。

人们通常觉得数据新闻从本质上就比其它类型的报道更客观。数字不会说谎，对吧？ 错了。 和数据打交道时，有太多办法可以欺骗受众，甚至误导自己，这些错误甚至可能是无心之失。过去一年研究数据新闻的第一手经验让我发现，要犯一些最终导致结论完全歪曲的错误实在是太容易了。以下便是过去这一年里我所遇到的糟糕的数据新闻最常见的四大问题。

对于一个实习生来说，让你处理Excel不能说不合理，因为Excel处理是数据分析的基础中的基础，拉拉数据透视表，写写vlookup等函数甚至用vb写一些自动化，一旦熟悉了对于你的数据分析是大有卑益的!还别说，一般公司的数据分析师岗位或者说一些市场调研公司还就只是要求会Excel和PPT。

传统的用户研究方式，选取的因子比较全面，涵盖用户基本属性、行为特征等，要进行用户访谈、问卷等，得到的调研结果虽然比较准确，但花费的时间往往比较长。对追求小步快跑的公司来说，时间太宝贵了，等花费几个月得出报告时，可能就已经错失良机了。 所以，我们可以考虑建立临时用户模型。根据自己对用户的理解，挑选出最影响用户和产品的几个因子来做分析，快速建立用户模型，辅助产品决策。

一般情况下，当运营人员谈到重新获取用户的方法时，通常指的是策划一些活动通过消息推送的方式来激励那些已经流失的用户，使他们重新回来。但这个大家都在用的方法一般都得不到好的效果，为什么呢？原因在于他们是在“战役失败”了以后才采取措施。 当你发现用户流失后，会不顾一切的策划活动。比如：一个很大的折扣或者某些促销手段，但往往换来的是那些给你带来利润最少和维护成本最高的用户。结果证明：这是一个失败的策略。一旦你的应用被用户“打入冷宫”，几乎没有办法唤醒这些流失的用户。你需要做的是，在用户流失之前就抓住他们。这才是正确的选择。

呈现数据是“最后的冲刺”，因为大家已经结束了“战斗”，心理上都有了完成感，而现在要做的只是分享成果。这些都是人之常情。觉的这项任务完成了， 这就是为什么很多人混乱地把幻灯片随便一弄就开始下一项任务了。现在我就来劝说你别这样做，花点时间和心思呈现你的数据。 如果你遵循接下来的六步，你的下一场和老板或者客户的会议不仅仅会更顺利， 你也更有可能达到你呈现数据的目的。

电商数据分析师 是一个数学、计算机、经济管理、电子商务于一体的交叉综合性知识 岗位。对于这样的交叉性学科，对于人的要求那就是非常高。我觉得 物流工程，电子商务，统计学，市场营销，工商管理类 专业 做电商分析师是有优势，不过都需要看着本专业，针对自己缺的知识模块针对性的学习。我也把学习分为4个阶段，就像读大学一样。电商分析师看起来就像一个新的专业，没有学校里面一样有老师教你，监督你，辅导你。全靠自学，买书学习，看视频教程学习。人家在K歌的时候，你在学习。人家在逛街的时候，你在学习。人家再看电影打游戏的时候，你在学习。

移动互联网时代是一个数字化时代，无论是线上行为还是线下行为，一切客户行为都可以被采集和分析。年轻的人群也在不断的分化中，按照不同的维度可以划分成多个群体，每个群体都有不同的特点和金融需求。金融企业需要依据人群特点，为他们提供特有的产品和服务。为所有人提供服务的金融产品，已经不适合客户的需要，金融企业必须利用数据分析来了解客户，分析客户，经营客户。

转化率是网站分析中最受*的指标之一，如何设定转化率目标？哪些用户最有可能转化？他们有哪些特征？如何发现并找到这些用户？这些都是负责网站运营和市场营销的同学最*的问题。本篇文章通过贝叶斯算法对网站中已经完成转化的历史用户数据进行分析，发现购买转化用户的特征，并通过交叉细分对不同用户购买转化的概率进行预测。

SaaS类产品与传统产品的核心区别，就是订阅式的服务：根据需求，客户需要按月，按季度或者按年支付使用产品的费用。这个金额与合同金额不一样，MRR实际是合同金额摊销到每个月的收入，这样能够将不同付款周期的客户统一到月度维度进行统计，MRR能够展现持续的销售额增长，并且能够反映客户流失的情况。

在对互联网产品进行的用户研究中,通过*问卷收集数据是一个非常普遍的方式。 *问卷,不受访问的环境限制,回收速度很快,具有明显的优势。但是由于被访者没有相关的指导,在设备存在差异,回答的态度有不同等,因此数据的质量能否得到保证, 是一个关键的问题。数据质量决定了数据是否具有科学性,是否可以代表用户,是否给出准确的研究结论。因此我们要考虑对*问卷的数据进行质量控制的具体的方法,保证问卷数据的质量。

虽然数据科学风头正盛，但它依然是一个比较年轻的学科，还有很多基础性的问题有待解答。数据科学家究竟是做什么的？成为数据科学家应当接受怎样的教育培训？数据科学家的职业道路是什么样的？最近，我一直在思考一个相关的问题：一个高效的数据团队的标志是什么 说起出色的数据科学工作，我们最先想到的最重要的标准往往是“有没有大量的数据？”而我主张采用一个涵盖面更广的清单，涉及团队采用的流程、为团队提供支持的基础设施，以及团队与公司其余部分之间的界限。如果这些事情安排妥当，让团队专注于他们自己的问题，并减少围绕这些问题产生的摩擦，那么，数据科学家就会拿出优异的表现。

合理市场的天花板限制，满足不了不合理的市场野心，而多元化业务拓展的不顺利，就导致了根本无法用正规手段完成的 KPI，那些纵容作假和欺诈的员工固然有问题，但作为企业负责人怎么能置身事外。 当然，必须说，前段时间那篇 “宣泄，还是逻辑”，有前谷歌的技术大牛澄清，谷歌五亿美元的案件，不是赔偿，是和解，因为无证据证明这是公司主导的，所以问题在于员工的自作主张，那么问题来了，员工自作主张纵容和协助违禁药品广告发布的基础是什么，很抱歉，还是 kpi。所以，即便是员工私人的行为，公司依然需要承担连带责任，五亿美元和解，我们抛开 “和解” 或 “赔偿” 这个关键词的区别，五亿美元总是货真价实的公司责任。

数字时代到来之后，企业经营的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来。企业拥有了多维度的数据，包括产品销售数据、客户消费数据、客户行为数据、企业运营数据等。拥有数据之后，数据分析成为可能，企业成立了数据分析团队整理数据和建立模型，找到商品和客户之间的关联关系，商品之间关联关系，另外也找到了收入和客户之间的关联关系。典型的数据分析案例如沃尔玛啤酒和尿布、蛋挞和手电筒，Target的判断16岁少女怀孕都是这种关联关系的体现。

选择指标时，建议分以下三步： 首先，寻找已有的可直接用于满足目标的指标体系，如可以找到，则在上面进行小幅度的修改，以适应目标需求； 其次，如果无法找到直接可用的指标体系（实际操作中这种情况出现比率超过50%），则参考相近指标体系，构建自己的指标。 最后，如果相近指标体系也没有（…………你在搞创新产品咩？带我一个），就要深挖问题的根源，然后自己造指标。但现实生活中碰到这种事的几率实在太低了……

有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

作为一名网站的用户研究工作人员，我曾经碰到过以下问题： 深知服务器日志是一座金矿，但不知道该从哪里开始分析 辛辛苦苦盯着电脑一天，看了1000+条日志，越看越晕，看不出规律，找不到方向… 在众多日志中，发现了一个异常动作，可是，这只是一个用户不小心点错了呢还是由于设计导致的大量误操作呢 。。。。。。 经过一段时间的探索，发现将日志可视化，制作行为序列图，是一个非常直观有效的梳理思路&发现问题的方法，在此分享给大家~

在已统计的数据相关企业中，北京、上海、广东(主要是深圳)和浙江(主要是杭州)的占比达92%，其中北京处于遥遥领先的地位，全国占比接近60%;在北京的大数据企业或产品中，海淀区又占有绝对的优势地位，占北京大数据企业的63%，在全国来看占比在三分之一左右。 根据埃森哲一份报告显示，在发展中国家，分析类专业服务和制药业将创造出最多的数据科学相关就业机会。在未来五年，互联网、金融及医疗行业将会创造大多数的数据科学相关职位。

在以往的企业中，数字化管理更多的体现在日常运维工作中，对于客户端的数据采集虽然从很早以前就已经开展，CRM系统的诞生已经有很久的时间了，但是一直以来客户端的数据维度却十分缺失，其原因在于上述这些途径所获得的数据多为客户与企业产生交互之后到交互结束之间的数据，但是这段时间只是这个客户日常生活中很少的一部分内容，客户在微博，微信上的行为特点，关注的领域或是品牌，自身的性格特点等，可以说一个客户真正的特点、习惯，仅通过与企业的交互是无从知晓的，因此难以挖掘出有效的结论。

实时系统主要的功能是日常的操作处理。假设我们有一个卖煎饼的电子商务网站，那我们的电子商店应用连接的系统就是实时的OLTP系统，这个数据库中的信息永远是最新的，每次有人从我们的网站买煎饼，这个交易都要马上记录在数据库中可以进行发货客服等服务，关心和操作这些数据的人主要是公司的一线职工比如快递小哥以及一线的管理人员比如销售经理。

仪表盘工作顾名思义就是让人一眼就能看到所有想要的数据。找出关键指标，简化复杂联系，让领导们能一目了然地了解公司地相关事宜。想象一下公司CEO每天早上需要五分钟来了解一下公司的运营情况，这里要呈现的东西就是CEO仪表盘的事情。这里以酷我音乐为例。如果要传一份具有仪表盘作用的数据给CEO，数据科学家可能就需要整理出每天的用户量， 用户登陆数量，付费用户比例，人均消费，以及流量转化率和流量价值等等数据报告，这样CEO就能在段时间内对公司走向有个大概了解。

如果是for公司的战略决策，或者产品方向，或者市场策略，或者产品设计，或者广告定价，或者投资，或者任何方向，不同的部分不同的人对行业报告的深浅度需求不一致。所以会需要不同层次的行业报告。 另外，行业报告良莠不齐，需要有一定的经验和对行业的理解来判断，而且不同行业报告的口径不一致，可能导致结论对接不上，所以在行业报告的选择和使用，解读和判断上也需要一定的经验和专业技能，否则引用臆断的行业报告结论来做出判断，危害巨大。

创意人才按照直觉设计出对用户最好的东西，分析人才则提供有深刻见地的洞察分析。而真正的独角兽是那些能够完成从设计、开发、衡量、分析全过程的，并能够结合用户直觉与深度分析，不断迭代和改进产品。 这是 HomeRun 联合创始人 Matt Humphrey 对于增长黑客的解读，“增长黑客”无疑就a是当今互联网领域里的“独角兽”。 增长黑客的目标是用最小的成本实现最大的增长，实现的方式却千差万别，让我们看看 Youtube 、Airbnb 以及 Facebook等 10 家巨头初创时，是怎样实现迅速增长的。虽然有些案例已然不可复制，但是这其中蕴含的经验和思维方式却依旧值得所有产品人参考。

本文分析的数据，来源于中国票房网（cbooo.cn）中『票房』的『年度票房』查询，其标注数据来源于『EBOT艺恩票房智库』。分析年度起始选择第一次出现10亿总票房的年份，故选取2010年至2016年的数据。为便于较为准确、有效分析，每年度选取前10名，数据类型为网站提供，具体依次为『排名：影片名、类型、总票房（万）、平均票价、场均人次、国家及地区、上映日期』。

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

在大数据的时代，数据的产生变得更加多样全面，任何数据都可以拿来分析，这是个数据分析当道的时代。随着数据呈现蓬勃爆炸式的增长，大数据相关的人才也就出现了供不应求的状况，大数据分析师更是被媒体称为“未来最具发展潜力的职业之一”。那么，数据分析师又有哪些特点呢我们也可以通过大数据分析，看看，数据分析师到底是个怎样的物种!

通过整体数据的分析，我们只能知道第二期活动的确不错，但是为什么好、接下来有什么优化机会点却无从而知。接下来如果我们不想去分析繁杂的玩家交易记录(这里说繁杂，是因为网络游戏中玩家的交易行为的确要比现实社会中更加的频繁和随意，而且很多游戏对于这块的日志数据并不会存入数据仓库，或者数据仓库不会进行很好的清洗)，则可以结合活动内容来对玩家的消耗进行分析。

洛杉矶警局与加州大学洛杉矶分校合作，采集分析了80年来1300万起犯罪案件，用于进行犯罪行为的大型研究，通过算法预测成功将相关区域的犯罪率降低了36个百分点。可见，算法不仅仅可以帮助运营人从用户数据挖掘中获得灵感，同样，如果不是简单地分析以往的犯罪规律，而是采用预测式警务的做法，分析人员就可以利用之前犯罪行为表现出来的规律，全神贯注地分析下一个可能发生犯罪行为的地点并重点干预。

数据团队的工作可以分成两大部分，一部分是建设数据存储和计算平台，另一部分是基于数据平台提供数据产品和数据服务。 平台的建设者包括三种人群：基础平台团队对hadoop、spark、storm等各类大数据技术都非常熟悉，负责搭建稳定、可靠的大数据存储和计算平台。数据平台团队主要负责各类业务数据进行清洗、加工、分类以及挖掘分析，然后把数据有组织地存储到数据平台当中，形成公司的数据中心，需要团队具有强大的数据建模和数据管理能力。

定义问题(重要步骤之一)： 1)首先，要搞清楚问题的实质，准确、完整、真实地表达问题。 2)其次，弄清楚为什么要解决这个问题 3)最后，解决这个问题的意义何在是必须解决还是无关紧要，或是需要马上解决这个问题还是不太着急。 收集整理信息： 搜集、整理关于要解决问题的历史资料、类似情况和现状。例如，从现有的报表数据中就能看到当前问题点的数据情况或者一段时间的趋势; 选取分析方法： 1)分析涉及到的主要维度，为后面提取数据需求做准备; 2)选取的分析软件以及分析方法(统计学相关方法); 数据提取整理(重要步骤之二)： 1)根据分析内容以及分析方法，提出分析所需的数据需求; 2)对于反馈回来的数据，需要进行部分加工，以便更能反映所要分析的问题;

数据分析是一种高强度的脑力活动，有时候你的大脑真的非常需要稍作休息，不要盲目不管不顾自己的身体给业务取数、给老板写报告，“取数狂、SQL狂、Excel达人”绝对是不可取的工作方式。每周工作80小时，听上去很牛X，但是你的工作效率肯定要打一个问号，甚至一不小心会犯个不可饶恕的小错误然后前功尽弃。

回归分析用来描述自变量x和因变量Y之间的关系，或者说自变量X对因变量Y的影响程度，并对因变量Y进行预测。其中因变量是我们希望获得的结果，自变量是影响结果的潜在因素，自变量可以有一个，也可以有多个。一个自变量的叫做一元回归分析，超过一个自变量的叫做多元回归分析。下面是一组广告费用和曝光次数的数据，费用和曝光次数一一对应。其中曝光次数是我们希望知道的结果，费用是影响曝光次数的因素，我们将费用设置为自变量X，将曝光次数设置为因变量Y，通过一元线性回归方程和判定系数可以发现费用(X)对曝光次数(Y)的影响。

一个数据分析师应该选的这家公司，应该凭借数据学来做到自己与其他竞争对手之间的「切割」。请注意，有可能数据学可以用来支持更低的价格，更优质的产品，更快的配送速度，但是它绝对不是实现这些优势的主要原因。直接，且主要的原因通常情况下是规模经济造成了更低的价格，专利和品牌带来了更加优质的产品，自动化的技术使得配送速度提升。如果公司核心竞争力是构建在数据和分析工具上，那么它会迅速跟其他竞争者拉开几个身位。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实际应用中，数据分析可帮助人们作出判断，以便采取适当行动。当然，在我看来数据本身并没有任何价值，正是由于分析方法的存在使得原本毫无价值的数据大放异彩。

本文主要研究气象数据对销售的影响，进而利用气象数据特性完成天气驱动行业销售的预测。我们以两个零售行业的销售数据为例，结合气象局提供的天气数据进行分析。同时，我们在分析中加入了经济因素，如上证指数和CPI数据来提供外部环境支持。与传统的预测不同，在气象数据中，我们不仅知道目前时间点的数据，也有目前公众唾手可得的未来七天精确天气预报。

大家觉得分析是在数据之前还是之后？是否一定要有数据我们才能开始分析？其实分析更多是基于对业务的理解，而数据是用来验证你的分析和判断的。现在有一句话很流行”人人都是数据分析师”，就是因为只要我们能够理解业务，即使没有数据，也可以制定出分析思路。而假如你对业务的理解跟不上对方，那你只能沦为取数的工具，只能取数去验证对方的分析思路是否正确。从而把自己从一个脑力劳动者变为体力劳动者。新入行的数据分析师特别容易掉进这种状态。

自余额宝推出以来，互联网金融的产品如雨后春笋般出现。移动互联网正在逐渐渗透到传统金融的各个环节，目标是使金融能够以更低的成本、更多样化的方式、更优质的体验覆盖更多的人群。网络信贷平台将小额信用贷款用互联网的方式进行了改造，从而更多的小微企业和个人有了融资渠道，并且这一过程变得更加便捷。

互联网公司选择开源或自研，而不是商用，首要的原因是多数商用软件的设计目标并未考虑过互联网公司面临的高并发、海量用户场景，所以根本无法满足基本需求;其次，互联网公司业务变化快，在线业务通常是面向最终消费者，强调用户体验，出现问题需要第一时间及时响应处理。倘若核心技术不是自己深度掌握，很难有足够快速的问题解决能力;最后，公司发展到一定规模之后，使用商业软件会带来不菲的成本支出问题。

数据其实就是对事物特征的定性指称以及量化描述，比如一个人的身份证号，年龄，收入，身高等就构成了一组数据：{id:001,age:45,income:10000,height:176}——如果把很多人的这些数据汇成表，便构成了“结构化”(也就是比较规整一致)的“数据空间”。 但是呢，有一些或者大部分的数据都不是规整的，也就是分布比较杂乱或者不是按照我们想要的那样分布的(比如一个网页中的文本数据分布)，称之为“非结构化”的数据空间。

数据分析解决方案的提供商是比较多的，甚至说数据分析本身也成为了创业的一种可能。友盟、CNZZ、Talking Data、腾讯云都提供了成套的数据解决方案。以下我将试着以自己的思维模式建立一套《APP数据分析思维模式》。数据分析建模类似于数学的排列组合理论，选择基础指标配合具体的业务需要，因此在数据建模之前有必要掌握常用的数据指标。万丈高楼平地起！

互联网公司中常用的方法有：内部体验测试、客户调研以及客户问题总结等。但是这些常用的办法存在很多缺陷，例如调研成本高、内部测试不具代表性、客服问题总结不全面等等。 现在越来越多的企业开始重视用户行为数据分析，希望借此优化产品设计、提升用户体验。因为用户行为数据是用户体验的原生反馈，是最真实的、最值得产品经理*的数据。尤其是随着增长黑客、精细化运营等概念不断普及，互联网企业在数据采集和分析方面投入了更多的资源。 那么，通过用户行为数据分析来发现用户“怒点”，应该怎么做呢？

数据分析师最需要的基本素质是什么，很多人会回答，不是要统计学知识吗，不是要会一些工具吗，说得对，也不对，统计学等只是数据分析的术，而我更强调的却是道，做好数据分析与写诗文一样，真正的关键在技巧之外，即业务能力、思考能力及沟通能力三样，这些能力很多人天生就有，而很多人需要艰苦的训练获得，甚至训练也不可得。

从小就特别喜欢数学，高考146，大一时特别顺理成章的参加了数学建模的校内比赛，接着一直到大三，参加各种数学建模比赛，也是在比赛中，认识了我一辈子的好朋友——我的队友。大二时拿了大学生数学建模四川省一等奖，大三拿了美国大学生数学建模比赛一等奖。直接引导我想走数据这条路的，是我在大二时修的统计学基础的课程，老师讲得特别好，上课时讲解样本、抽样这些概念时，我听得津津有味，也是那时候，大数据的概念慢慢火起来，我买了当时最火的一本书——《大数据时代》。那时，第一次听说了啤酒与尿不湿的故事。接着，上网百度了大数据时代，好嘛，说行业欣欣向荣，人才需求旺盛，好嘛，哥来了，无论如何要投入大数据的怀抱！

在网站和移动产品设计和开发中、以及互联网产品运营中，我们经常会面临多个产品设计和运营方案的选择，比如某个按钮是用红色还是用蓝色，是放左边还是放右边。传统的解决方法通常是集体讨论表决，或者由某位专家或领导来拍板，实在决定不了时也有随机选一个上线的。虽然传统解决办法多数情况下也是有效的，但A/B 测试（A/B Testing）可能是解决这类问题的一个更好的方法。 在软件开发中，产品需求通过多种技术手段来实现; A/B测试实验提供了一个有价值的方式来评估新功能对客户行为的影响。 在运营过程中，AB测试用得更加普遍，比如发送邮件或者广告，先拿小样本，测试多个版本，数据表明哪一个广告或邮件的转化率高，就用哪一个邮件或广告。

数据分析的应用，能极大的让商家更好的洞察的一些商业本质，但如何针对性做出调整，及时做出反应，仍需商家本身基于行业趋势，做出自己合理的判断。 电商商发展到现在这个阶段，了解自己，了解对手已经是基本常态需求。拍脑袋决策，只会越走越窄。

数据可视化是随着数据图形化展现技术发展起来的，它的功能不仅仅是展示数据，它还将很多分析的方法、维度、样式与分析逻辑相结合，以更加形象和贴近业务应用场景的方式向用户展示数据要表达的现象或问题。 要实现数据可视化，不是只有可视化工具就可以了，这背后也要求使用者对数据背后的业务逻辑、图形意义等内容有深刻的理解。

某广告公司分析人员发现：每月广告投入越高的用户，越不容易流失，而广告投入低的用户群则很容易流失，从而得出结论：“高投入会降低客户流失率，建议销售引导客户提高首月广告投入，从而降低新客流失率”。而实际情况是，新客户初期的投入常常都比较少，看广告有了效果之后，才会逐步扩大广告投放预算，投入高的客户流失率低是因为认可广告投放效果，而不是因为花的钱多。 关联性很容易判断，如何判断是否是因果关系呢？

在潘多拉，里奥斯敏锐地观察着科学家的招聘以及数据科学团队的组建方式。对于哪些做法可行，哪些不可行，他能提供难得的洞见。眼下，不论是在大型科技公司还是小型初创企业，数据科学的重要性都日益凸显，所以，知道如何在这方面最大限度地提高生产效率，就变得愈加重要。 在此次专访中，里奥斯谈论了潘多拉公司数据科学工作的演变，以及如何分配资源、确保高效的管理并保持灵活的沟通，以促成数据科学工作的顺畅开展，在这方面，有三大重要经验可供大家借鉴。

最近十几年，数据的收集和处理能力大大提升，越来越多的传感器和数据收集，许多大公司的数据正在从TB级别走向PB级别。互联网公司之间的模式竞争，也转战到对于数据价值的挖掘的能力上，很多时候也就是速度和效率的竞争。不要迷信数据，更不要忽视数据。很多时候，数据是你业务的指南针和护城河。

信度与效度的概念最早来源于调查分析，但现在我觉得可以引申到数据分析工作的各方面。 **所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性**取数逻辑是否正确？有没有计算错误？这属于准确性；每次计算的算法是否稳定？口径是否一致？以相同的方法计算不同的对象时，准确性是否有波动？这是稳定性。做到了以上两个方面，就是一个好的数据或指标了？其实还不够，还有一个更重要的因素，就是效度！

现在确实是属于数据分析师的天下了。如果你有能力，有经验，充满好奇心以及永不倦怠的热情，作为数据分析师的你可谓前景广阔，有一大批公司乖乖站在你家门前挂着牌子等着你的挑选。但是在评估到底去哪家公司的平台上施展你的才华的时候，却是有着很多考量的。即便是一个从业多年的老手也不可能在各种大小规模不一，发展阶段不同，拥有各自的企业文化的公司待过。他们也不可能横跨多个领域，掌握多种技术。但是，在本文中却给出所有有志于从事数据分析师这个职业的年轻人一些经验。大体上总结一下就三点内容，凭借这三点内容，你可以非常理性、客观地分析出来眼前的这家公司到底是否值得去。

产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都是一个量化事物的手段，就像身高、体重一样，都是一个数字指标，它代表了现实存在的事物的一个客观情况。 正是因为数据的客观性，让数据变成了发掘问题本质，寻找事物规律所需要用到的最有利的手段之一。 但是，数据虽然客观，有时也是会骗人的。在与数据打交道的过程中，我们可能经常会犯一些错误，导致分析的结论出现较大的偏颇。

作为一个小市民，俺的问题就是那么直白：哪里涨的快？！ 有没有更性感一点的回答呢？ 先放个去年上海的房价增长地图。 总体，我觉得预测未来很难，房子能涨多少,和金融政策、地产政策、未来规划都有关。对于政策,也许每任领导有各自的思路。分析过去,分析现在还是有用的？

在家里面拆过米袋上面的线的同志们，很多人都会有这样的困惑，“为什么有些人不用剪刀，单凭手刺啦一下就能扯开”，而更多的人则需要拿着剪刀一下一下的把所有线头都剪开才行呢？ 这就是找主干的用处。能够手工扯线头的人，他们一是有仔细观察过，二是能找到“主线”。 *不知道如何描述解开线头，百度一下，上面竟然还有口决，“双线对着我，需从左边扯，剪断出线头，两边一拉得“。你看，高手在民间，具备数据分析思维能力的人，在生活中也能如鱼得水，怡然自乐。

一份名为《AnalyticsWeek和BusinessOver Broadway数据科学调查》的报告揭示了数据科学所扮演的角色、数据科学技能的熟练度以及项目结果满意度在各行各业的差异。信息技术行业拥有最多的数据科学家。在雇佣数据科学家最多的十大行业中，有六个行业的研究型数据科学家数量超过了其他类型的数据科学家。与其他行业的数据科学家相比，专业服务行业的数据科学家在数据科学的三大技能——商业、技术和数学/统计方面，都拥有非常高的熟练度。

09-10年，杭州的房价轰轰烈烈，09一年， 杭州出让土地获得收入1200亿元，相当于当年度预期内财政收入的一倍左右，超过北上广深四大一线城市成为全国最高。当年许多楼盘确实几乎翻了一倍，成为有房的大爷大妈最快乐的谈资。 那年我拿着千把块工资，怀着屌丝愤世嫉俗的心态，读着高晓松的《不买房，买梦想》, 心想这房价tm到头了，机会早tm没了，不买才tm对的！虽然后来几年，当我用同样酸爽的心态丈量北京和上海的房价被煽了无数巴掌，可杭州的房价确实不紧不慢地躺了许多年。

市场的同学拼了命在找各种付费／免费渠道拉新用户，而app的日活跃／月活跃用户（此处定义：每天／月独立的访问用户量）增长非常缓慢甚至有所下降。那么，就有可能是大批量的老用户“离你而去”了！每天的活跃用户只能靠费大力气拉进来的新用户和小部分老用户艰难支撑着，这个过程是异常的痛苦，因为这样你的活跃用户量永远没法提升。除非不断增加投放费用提升新用户量，但是这样是处于一个不健康的状态。必须正视和自检：站内对老用户的运营和维护是否存在很大的问题。

随着数据仓库被更多的各行各业的公司所采用，我们见证了可以创建的报告的形式的逐渐改变，报告被展现给分析师和决策者，以及准备报告的人。在早期（80年代末90年代早期），商务智能报告由技术专员创建，他们也是通过向数据仓库提供函数和查询来得到报告。这些报告被封装（例如，它们可以被修改，但是有很大难度，且只能被同一个创建报告的技术专员所修改），并在计算机打印纸上呈现。后来，尽管这些报告仍然被封装，它们可以在电脑上通过专门的报告程序来呈现，再后来，可以呈现在包括智能电话和手持终端运行的网络浏览器上。

真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。产品改进的关键点，是藏在用户的行为中。 想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

从上帝视角看，对地球这个产品的用户（即人类）的进行划分，得到的同期群就是「70后」、「80后」、「90后」、「00后」……（按新增即出生时间划分）。 对您的产品来说，对用户划分得到的同期群就是「本周新增的用户」、「上周新增的用户」、「上上周新增的用户」……当然也可以按天或按月划分，时间颗粒度可大可小，但重要的是按新增时间划分。

黑八比赛的规则是双方各有7个球，黑八公用，先把自己的球打进，再打进黑八算赢，既然是目标就是把球自己的球打完，那么最简单计算每杆收益的方法就是，这一杆能打进一个球就算1，打不进就算0。这样计算简单直接，结果就是先把好打的都打进了，一开始就领先，但是剩下几个贴库，粘连的球，费了很多杆才打进，最后还是输掉了比赛。

从业至今一直从事于互联网数据分析师这一职业，且较多精力都是致力于游戏行业的数据分析。一直以来经常被人问到：数据分析师到底是干什么的？你们能创造什么价值？刚开始的时候，每当被问到这种问题，一时语顿，还真不知道怎么去解答。但是随之从业时间的沉淀，感觉自己也有那么一丝觉悟。犹如练武之人，练久了，虽还不能打开任督二脉，但是气血确实旺盛了不少。只不过其中的来龙去脉还不能整理清晰道出个明白。

今天要讲的不是【思维】，更像【方法】。也是数据分析入门最容易的一课。 如果你以为数据分析是一门多高深的手艺活，如果你因为恐惧而不敢去步入数据分析的大门。那么，这篇文章会给你信心。让你明白，数据分析是多么容易的一件事。

跳出固有的思维模式不仅仅是老生常谈，它还意味着以创新的方式来解决问题，以不同的方式概念化问题，并以您之前从未设想过的方式了解您在某些特殊情况下可以持有的立场。这对于应用开发人员来说至关重要，因为成功的应用程序经常会面临一些企图复制其功能和概念的竞争对手。 但是，应用程序如何在竞争激烈的市场中处于顶尖位置呢这实际上是没有标准答案的。我准备撰写三篇文章，通过一些图框解释说明，帮助您在移动领域保持领先地位。本文是这一系列文章中的第一篇，重点介绍了用户研究技巧，以便您评估用户的需求。

大数据时代已经来临，但是今天我们不聊这么高大上的东西，哈哈，我也不会，我们今天要聊的是网站数据分析。我们知道它是网站运营中必不可少的一部分，怎么才能知道自己的运营效果，最好的办法就是通过数据分析。但是对于新手朋友来说，这是个比较头疼的问题，通过安装数据统计代码，每天也能收集大量的网站数据，但是越看越头大，更别提从里面发现问题了。这种现象就会直接影响你网站运营中一个很重要的环节——优化。

对于大多数“理工男”学科的数据分析师而言，把数据报告做出来后，用outlook一发，便意味着这项分析工作的完成。 但是，我们辛辛苦苦做出来的数据，别人能接受吗？接受了50%，还是80%？看到数据后，有没有引起他们其他方面的联想和疑问？这些联想和疑问对下一次数据分析是否有修正作用？—-对于这样的反馈性数据，其实都是被他们忽略(丢弃)的。

也许你还未毕业，也许你才刚刚步入职场开始接触数据，也许你已经是做数据分析好几年的老炮了… 不管你属于哪一类，在出发之前都得知道，你现在在哪里 因此，*把数据工作者分为三类人 讲“数据分析师如何炼成”之前，我们先来看看，你在哪里 第一种人只会做数据，他们被叫做“表哥”“表姐” 第二种人会在做数据的同时，进行关联思考 为什么要做这份数据这份数据说明了什么我的取数逻辑与分析模型是否正确我的论点是否与需求匹配…… 这种人，他们被叫做“数据分析猿”。 第三种人在做数据的同时，会站在零售与商业的高度，把数据用活 这份数据对公司现有运营体系有什么指导 对公司后续的战略如何形成补充与支撑意见… 这种人，他们就是自带荣耀光环的，数据分析师!

还记得你的分析报告怎么出来的吗？领导的灵感一现？套用各种挖掘算法的结果？业务部门随口一提的延伸？等等。 不管是哪种，不管是谁提的，让我们一起来想想，你分析的需求站的住脚吗？是伪需求还是真实需求？为什么会有此需求？最关键的是这个需求是数据能够解决的吗？

分答是由提问者付费提出问题，回答者回答。问题公开，答案是语音形式。围观者可花1元偷偷听答案。围观偷听的费用由提问者 和回答者各得一半。从上图可以看出，分答将提问者、回答者和围观者三者的闭环连接起来，无论是提问者、回答者、围观者都能从中有所收获，包括知识和金钱。 提问收入驱动提问者提出更多好问题并将之传播，以便获得更多。围观者只需1元便能获取60s语音信息，也可能驱动这批偷听者去提问，开通分答，从而让整个 闭环更加流畅。

数据分析不是脑筋急转弯。我们没必须在别人提出问题的3秒内就给别人以答案。 聪明人的做法是，用一系列的问题，去反问提问者，找准提问人的“动机”与“目的”，然后再试图去帮她分析问题，解决问题。 简单的说，向提问者发问，找准动机，在问题中找到答案，这就是迂回。 用一个“闺蜜之间翻船”的故事来说明迂回的重要性。

在过去十几年中国互联网企业往往是流量驱动的运营模式，通过投放、地推等方式获取用户进入产品内，进而希望一部分用户最终转化为付费用户。近几年，随着市场成本的提高，这种粗放式的流量模式不可持久。尤其是在大企业（资金充足）占领了主要的市场渠道后，对于中小型企业再花多少资金去获取流量都是不现实的。 因而我们逐渐提出以产品设计、产品运营为王的理念。在美国硅谷非常流行的Growth Hacker概念的核心就是海盗法则——AARRR模型，该模型就是以产品设计和运营为核心，获取用户，迅速转化，提高留存，然后变现和传播。这些都是以产品设计和运营为核心的！

经典的冰淇凌销量和游泳溺水人数成正比的数据，这并不能说明冰淇凌销量的增加会导致更多的人溺水，而只能说明二者相关，比如因为天热所以二者数量都增加了。这个例子比较明显，说起来可能会有人觉得怎么会有人犯这样的错误，然而在实际生活、学习、工作中，时不时的就会有人犯这样的错误。

在实践中，我们总结出以数据为核心的“智慧城市”体系结构。针对我国城市发展现状，提出各行业协同实现“感知-应用-共享信息”的模式。 我们的城市数据运营实践，主要包括智慧城市顶层设计、城市数据的获取与感知、数据分析以及城市数据实验室与数据平台四个部分。 智慧城市在顶层设计方面，应该是帮助政府如何建立一套数据生态系统。如果缺少这个环节，我们就无法获得所需要的数据。智慧城市顶层设计方法论的基本原则，就是“以问题为导向，以数据为核心”，包括了“发现问题“和”解决问题“两个环节。

分析，是一个需求量呈指数增长的行业。随着越来越多的数据可以以数字形式展现出来，而更加智能、快速和基于数据的决策是目前唯一增长的需求。因此，我用下列的这几个事实来阐述一下我的论点： 根据哈佛商业评论期刊（2012年10月），数据科学家将是21世纪最吸引人的工作。 根据麦肯锡全球研究所在2011年5月的报道指出：在2018年的时候，美国将会面临14万到19万分析行业人才的短缺，同时也将面临150万善于使用大数据进行有效决策的管理人员和分析人员的短缺。 想象一下这在全球将是一个多大的数目…….

一款新产品横空出世后，首要问题便是获取用户，推广就成了产品运营环节中的上游，成功的宣传推广能够帮助产品运营人员筛选出最为精准的目标用户，这些用户获取App的主要方式还是来自于渠道(这里的渠道是广义的，任何用户可以下载App的地方都可以称之为渠道)。然而每个渠道用户的质量参差不齐，不同渠道的用户又有着不同的属性特点，而不同渠道又要求不同的合作方式，在不同的渠道上对用户进行测试之后，如何通过数据对用户的质量进行甄别呢又如何评估某个渠道含有产品目标用户的多少呢这个渠道适不适合投入大量人力物力财力进行推广呢这便是我们本文需要重点探讨的问题。