数据科学是一个新兴领域，对于企业应当如何使用数据没有硬性规定，也没有捷径可循。这意味着，具备“不断提出新的数据收集、解释、分析以及提取策略方法的能力”，将十分有价值。 未来，企业的“数据明星”将是那些有能力找到新数据来解决业务问题、并提出新的数据应用分析方法的人。

针对同一款产品的数据分析，一定要根据产品的生命周期（PLC, Product Lifetime Cycle）来做分析工作，不同时期数据分析的重心也有所区别，下面就从产品的几个重要时期——初创期、成长期、成熟期、衰退期，结合案例来聊聊。 这一阶段是检验产品定位和运营对用户与市场判断是否正确的时期，即验证产品或服务是否解决了某个群体的问题，也即常说的痛点；对运营来说，则是能否找到用户与产品的契合点，并根据用户的反馈快速迭代调整产品，以此获取第一批种子用户并扩大他们的影响力。

留存用户和留存率通常能够反映不同时期 App 获得的用户流失情况，分析这个结果不仅能帮助 App 找到用户流失的具体原因，还能够通过这些数据来更深入的了解你的App，从而进行运营策略调整。但是很多用户对留存的计算有疑问，下面较详细的解释了日/周/月留存数据的使用价值和算法。

过去很多人说互联网产品经理没有门槛，有想法、对产品使用体验留点心就可以入门，特别是移动互联网兴起的那几年，行业内人才空缺大，凭着对产品的热爱和薪水红利很多人就扎进来了。 恩，发展到现在，这个行业也开始洗牌，各行业领域都出现了成熟的商业模式，他们制定了规则、定义了标准，特别是在产品设计层，移动端、web端的设计规范、交互规范也都有了些行业标准和用户习惯。这时候，高级和初级的差别也慢慢开始体现了。

关键词确认后，我们需要研究关键词的竞争程度。因为如果是一个新网站，直接用了那些竞争程度很大的关键词，推广效果则需要花很长的时间才能见效。所以为了能在短期内获得一个好的推广效果，建议采用一些竞争适中的关键词，先易后难。99click为大家整理了四种分析方法，分享给大家。

IPython是一个Python库，最初旨在改进Python提供的默认交互式控制台并使其对科学家友好。 在2011年，IPython首次发布10年后，IPython Notebook被引入。 这个基于Web的IPython接口把代码，文本，数学表达式，内联图，交互式图形，小部件，图形界面以及其他丰富的媒体集成到一个独立的可共享的Web文档中。 该平台为交互式科学计算和数据分析提供了理想的门户。 IPython已经成为研究人员，工程师，数据科学家，教师和学生不可或缺的一部分。

对于任何一个在数据领域摸爬滚打的人来讲，取数往往是其数据生涯的开始，通过取数我们了解了公司的业务、系统和数据，没有经历过取数肯定是不完整的数据人生，这也是企业很多数据分析师，数据挖掘师职业生涯的起点。 但你会发现，企业内有人通过取数升级成数据分析师、数据挖掘师，亦或投奔业务，而很多人则一直在取数，捣腾着那一分三亩的数据，很勤奋但没有进步，为什么？

当年谷歌想鼓励用户在搜索框中输入更多的词语时，他们重新加长了搜索输入框的尺寸，于是用户不知不觉中输入了更多的词语，这使得谷歌提供的搜索结果更精准，由此可见，用户的行为是可以“被设计”的，那么用户行为是如何发生的？该如何设计才能让更多用户按照我们希望的路径尽快完成关键行为转化呢？如何衡量行为设计的好坏呢？

目前市面上有很多不同类型的网站分析工具，有免费的和付费的，常见的工具比如Google Analytics、百度统计、99click旗下的SiteFlow等等，但对于很多网站来说，都存在一个弱点，即没有充分利用好工具本身所具有的分析功能与指标，很多人都只是使用了网站分析工具非常基本的配置与分析功能，比如仅仅是用于跟踪页面流量与查看流量来源的数据，远没有达到“用好”一款网站分析工具的程度。如何才能高效的运用好工具呢？我们可以从网站分析工具的使用情况来找答案。

企业可以访问多个数据源，并可以使用收集的数据构建利基驱动的营销活动，以提高竞争力，并允许其为特定市场提供量身定制的产品和服务。 正如Jasmine Morgan所写：“商业智能对于任何零售企业在寻求增长，稳定和消除风险时都具有强大的优势。 开发更便宜的技术变得更容易获得，并且有更多的人可以掌握处理技术，这也变得越来越便宜。“

大家都说现在春节越来越没有了年味儿，很多人对过年也不像小时候那样期待了，但是还有一些人他们可能只有在春节的时候才可以回到家跟自己的亲人团聚，这些人就是春运的一份子，大概只有春运的时候才会使大家感觉到所谓的“年味儿”吧。

我们都想千方百计的“拖”住用户，让他们不能轻松地卸载产品、注销帐号、取消订阅。 但是，Andrew 的这一观点背后的核心理念是：每一个初创企业都是一个向“产品/市场契合（product/market fit）”不断靠拢的迭代学习过程，需要非常高保真的信号来告诉你是否朝着正确的方向发展。 先来解释一下“产品/市场契合”（product/market fit）。马克.安德森（对，就是投资了Facebook、Twitter、LinkedIn 等公司的那个硅谷教父）是这么说的。

要说春节期间哪里人最多，电影院若是第二，估计没人敢说第一。尤其在2018年春节档（2月16日–2月21日）更是创下了近57亿的票房，较2017年的33.4亿增长了70%，成为了内地史上最强贺岁档！ 大年初一当天就揽下13亿票房，不仅刷新往年春节档的纪录，更是创造了全球单日票房纪录，其中《捉妖记2》首日票房5.54亿创中国影市十项纪录。

oCPC、oCPM、oCPA：在CPC，CPM或者CPA前面加上“o”，表明这些广告投放的出价方式是经过“优化了的”。如果没有“o”，CPC、CPM和CPA（见后面CPC、CPM和CPA词条）则是分别按照“点击”、“展现”和“行为”来为广告的投放定价。而加上“o”，则意味着，广告投放系统会为实现可被该系统追踪到的最优化的效果来进行广告投放的人群选择和出价。

做互联网运营的数据分析，首先就是学会“分解”。将数据分解，将问题分解。所有的数据都可以层层向下分解，找出更多的“子数据”，通过对子数据的挖掘和优化，往往能逐个击破，找到方向，提升最后的“关键指标”。这个重要的思路也贯穿了本文章下面几乎所有的内容。很多时候我们找不到努力的方向，往往是分解的能力还不够，只盯着最后大的成交额指标不放，不去挖掘这个指标下面的相关因素，而这些因素就是所谓的细节，做好了，就成为“极致”。

会员流失严重，缺乏忠诚度，粘性低，这时候就要想想是否忽略了一个重要的指标“复购率”呢？产品再好，活动做得再如何高大上，没有复购率，一切都是空谈。如何提高复购率？这是每个产品经理都必须要思考的问题。 何为复购率？ 复购率即重复购买率，指消费者对该品牌产品或者服务的重复购买次数，重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。在这里决定复购率的则是用户（会员），所谓的回头客，复购率体现的是用户对产品的信任度。

一个数据产品是一个公司开发出来，可以用于销售给其他客户从而赚取回报的东西，这个东西几乎可以涉及方方面面。 数据产品为什么有价值？ 因为数据产品给客户提供了非常有用的信息。 如今的数据产品通过高速数据处理，使用最新的算法以及并行计算等方式来获得之前人类无法获得的信息。 一个数据科学家需要挑选出结果中最有价值的相关数据（数据选择），然后把它包装成为最终的用户可以看明白的形式。 一个数据产品其实就好像是一个人人都能随身带在身边的数据分析专家，如果你需要信息的话，可以付很少量的钱来购买一些信息。

每一次面试后，面试官会对面试者进行全面打分，包括其技术能力。技术能力的打分范围是 1~4 分，1 分代表“资质一般”，而 4 分代表“非常棒！”。在我们的平台上，通常 3 分及 3 分以上就意味着这个面试者能力不错，可以进行下一轮面谈。 这时候，你可能会说，这听上去还不错，但也没什么特别的吧？很多公司都将这类数据收集在它们的渠道之中。而我们的数据与众不同的是：同一位面试者可以进行不同的面试，每次和不同的面试官或者不同的公司进行面试，这就可以进行一定程度可控的、有趣的对比分析。

这里说的研究报告主要指定性的研究报告，因为定量研究的报告相对来说没有这么复杂，只要围绕着通过数据发现问题——通过数据找到原因——结合业务提出建议的思路即可，有需要的话可以以后再写。 上面这张金字塔，从下往上，是报告撰写的顺序，也就是归纳的过程；从上往下，是进行汇报的顺序，也就是让听者带着What、Why、How的疑问往下听往下看。

市场营销从来就是一门玄学，到底是使用多图轮换来尽可能多地向顾客展示产品信息好，还是用静态图片只传递单一信息有效呢？到底哪一种能带来更高的商业转换率呢？本文作者告诉大家，与其一味随大流地在网站主页上使用“图片轮换”，不如看看调查数据和听听专家的意见，再做决定，毕竟跟谁走，都不如跟钱走来得实在。

如果你就职的公司有“客户成功部”，那么你对于“客户旅程”这个概念应该并不陌生。客户旅程指的是客户从最初访问到目标达成的全过程。企业的目标是让客户在该过程的每一个环节都感到舒服，因为客户舒服，才会留在产品中，不断续费。我们也可以得出一个结论——客户的成功就是企业的成功。

分析一款产品，要重点关注三项内容：用户，需求和数据。 大部分人都会关注用户和需求，但会忽略数据。一方面，主观上不重视，不会关注。另一方面，觉得不是份内事，运营小伙伴做就好了。 实际上，数据对产品经理来说很重要。功能上线后，关注数据的变化能了解用户的态度，这个比看用户反馈要客观得多。反馈表达的是个体的声音，数据量化的是群体的行为，要客观得多。

电商是一个伴随数据而生的行业，数据在电商平台上高速运转，由此也诞生了非常多的电商信息化平台，有物流系统、供应链系统、OA系统、流量分析平台等，由此，各平台产生的数据都被分散在各个系统中，无法发挥出数据的价值。时至今日，数据统一存放在一个平台上，通过数据分析挖掘其中的价值，将对业务产生有效指导。

注意数据集中的空值或“null”，除非你知道它们的确切含义。如果数据是年度数据，那么有没有哪年的数据没有被收集到？如果是一项问卷调查，有没有受访者拒绝回答问题？当你在处理缺失数据时，应该问自己：“我知道这个值的缺失是什么意思吗？”如果答案是否定的，你应该检查你的数据来源。

针对2018年应届毕业的校招工作基本接近尾声，以下是浙江执御今年的数据分析师笔试题A卷，每年虽有更新变化，但考核的点基本差不多，分享出来供大家学习参考。

虽然每个领域几乎都服务于特定群体，但在统计和探索等方面，使用R语言更为普遍。在不久之前进行数据探索时，比起Python，R语言花的时间更少，而且使用Python还需要花时间进行安装。 这一切都被称为Jupyter Notebooks和Anaconda的颠覆性技术所改变。 Jupyter Notebook：增加了在浏览器中编写Python和R代码的能力; Anaconda：能够轻松安装和管理Python和R。

从2018下半年开始，租金海啸汹汹来袭，资本狂欢，官方默然，房东纠结，租客尖叫。 这不是一方的过错，而更像是一场全社会的“集体谋杀作品”。最令人不安的是，过去房地产的那套玩法和上涨逻辑，今天正在转移到房租上。 房租暴涨的不只是北京。有数据显示，7月份北京、上海、广州、深圳、天津、武汉、重庆、南京、杭州和成都十大城市租金环比均有所上涨。其中北京、上海、深圳的租金涨幅最猛，北京7月份房租同比上涨3.1%，有小区甚至涨幅超过30%。

通过本文，你可以对数据科学及其几大分支，包括商业分析、数据分析、商业智能、先进分析、机器学习和 AI 有初步的认识。 数据科学，这个时下流行的热词，许多人曾尝试用成功案例去定义它。 谈起这个问题，我们就得从数据科学相关的其它领域说起——商业分析、数据分析、商业智能、先进分析、机器学习以及最后的 AI。 我们意识到数据科学的“绝对定义”需要知道许多“数据科学”的背景才能理解，这是一个死循环……这里的假设是统计学家或程序员对数据科学的理解比历史学家或语言学家容易得多，因为前者已经以某种形式接触过数据科学。

你为成为数据科学家做好了充分的准备。你参加Kaggle比赛，看了大量的Coursera课程。你感觉已经准备好了，但数据科学家的实际工作将与你的预期大不相同。 本文探讨了数据科学家新手的5个常见误区。这是我在Sébastien Foucaud博士的帮助下一起总结的，他在学术界和行业领域指导年轻数据科学家有超过20年的经验。本文旨在帮助你更好地走向数据科学家进阶之路。

当市场细分越发被企业所深刻了解的时候，企业的产品线也在随之延伸，基于品牌战略规划指导下的产品定位也越显”时尚”做法。当一款新产品出现之际，往往被赋予了更多的责任，越是功能强大、技术先进的产品也就越被看作具备”明星品牌”的潜质。

我仍然清楚地记得，我在 2017 年 11 月期末考试后的第二天就开始阅读教材：《统计学导论：基于 R 应用》（An Introduction to Statistical Learning — with Applications in R），这是我在非常基础的统计学层面第一次接触机器学习。 我一掌握这些概念之后，我就开始学习 Andrew Ng 在 Coursrea 上教授的机器学习课程，这门课程非常流行。事情并不像起初看起来那么容易，但是 Andrew Ng 总是能够吸引人们的注意力，尽管他讲授的概念非常复杂，但他简化了这些概念，其他人都能够消化。我想这就是让我真正迷恋机器学习的方式。试试吧，你会发现这个流行词“机器学习”并不像它听上去那么复杂。

大数据时代，最了解你的人不是你的亲人和朋友，而是BAT巨头们。你的行动轨迹、消费记录、购物偏好、人脉关系等数据都被巨头们收藏着。从理论上讲，你的工作家庭地址，你的社会关系，身材尺码喜好什么颜色或事物，有没有第三者等等都可以通过收集的数据分析出来。当然大数据对隐私的边界是可以挖掘群体特征，不挖掘个体细节，可以贴标签但不场景化。 大家其实也不用太担心，法律会站在我们一边。企业如果过度使用我们的隐私数据无异于搬起石头砸自己的脚，疼的是企业，当然受伤的是消费者。今天就分享两个知名企业砸自己脚的案例。

账户优化是指通过改变推广中的关键要素（预算、时段、素材、出价、落地页等）不断提升推广效果的过程。推广中的三个重要阶段分别是：赢得曝光机会 ；赢得客户点击 ；获得转化。三个阶段息息相关，推广优化的目标就是把每一步都做好，从而实现推广效果的最大化。 优秀的推广效果，一般需要满足转化量大、转化成本低这两个条件或者其中之一，当发生推广效果不佳的情况是，我们可以依次排查，寻找关键制约点，然后优化。

随着互联网的发展、业务逻辑越来越复杂，数据的分析也就变的越来越重要。对数据的分析可有效避免逻辑的混乱，防止在繁杂的业务理解上逻辑不清、判断错误。 道家曾强调四个字，叫“道、法、术、器”。 层次分别为： “器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”； “术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术； “法”是指选择的方法，有句话说“选择比努力重要”； “道”是指方向，是指导思想，是战略。

互联网时代是一个不缺流量的时代，但是也是一个缺少流量的时代，为什么这么说呢？互联网平台拥有大量的流量，可是再细分下去的话，绝大多数商家能够得到的就很少，流量都给到了头部，而站在身后的只能分得一碗汤，过去网络广告得形式都是海量投放，曝光很高，但是实际转化却很差，而在新媒体广告中，一直再强调大数据精准营销，那什么是精准营销呢？

在各个行业，我们看到业务数据的分析职位空缺激增，但是所有这些职位都需要完全相同的技能组合吗？我收到了许多关于数据分析行业职业发展的问题。这些问题通常来自那些在数据分析领域寻求突破、寻求向上发展的人，或者那些已经在该行业工作并正在寻找更深层发展的人。 在本文中，我们将看看分析行业中可用的主要角色。我还会提出一个框架，在业务分析领域思考你的职业生涯。

咱们先来设想一个场景，一个会议室里坐满了人，正在做报告的年轻人西装笔挺，头发书的一丝不苟，PPT上列满了数据和图表，他正在论证一个什么东西。年轻人讲了很多，可是在台下听报告的一个穿着随意的大佬，有点不耐烦了：“你不用说那么多，我就问你几个问题。” 大佬问了几个问题，年轻人马上被难住，于是大佬否决了年轻人的整个方案。

所谓数据分析的势、道、术，就是指数据分析的方向、方法和工具，也是提出问题、分析问题、解决问题的思维逻辑。供应链上的数据是从制造型企业，到物流企业，再到零售业的过程。而这三者均是传统型企业，而如今更多的商流数据是通过互联网，而实际的企业经营、运营数据仍旧是在供应链上的各个企业手中。本文从一个传统型行业如物流、零售、制造业等的角度来看数据分析，而并非如今数据分析做的很火的互联网或金融行业的角度。

“数据整合是当今数据分析面临的最大挑战。”SAS公司的业务解决方案顾问，数据治理专业组织（DGPO）的首席发言人Anne Buff说道。 实际上，许多公司只是简单地将数据堆积在一起，并未对不同来源的数据进行整合。就拿身份认定来说，比如一套系统下“路人A”的信息与另一套系统下“路人A”（甚至可能是重名）的信息之间，没有进行关联，这样的话，就无法对“路人A”的身份进行完整性描述。

先来看看事情的经过。 9月5日，《纽约时报》发表了一封匿名来信《我是特朗普政府中的一名抵抗者》，作者自称特朗普总统身边的高管，对特朗普的执政大肆批评并揭露了不少白宫内幕，称政府内部存在针对特朗普的“抵抗力量”。来信中他表示，为了美国的利益，自己一直“潜伏”在总统身边，让总统的很多错误决定无法执行。

你如何可视化数据？就像无数的小原子一样在空中穿梭？或者它更像是一个巨大的电子表格，你不断添加和交叉引用？ 也许您宁愿完全避免可视化数据，仅仅因为它太难以想象。但是，将您的数据链置于清晰，可视的格式可能是您今年创业的最佳方式。因为数据和创新是企业家的阴阳。在技术密集的创业环境中，您需要在自己的创新背后需要紧迫感，动力和信息，以确保您有效地继续前进，而不是盲目地进行实验。

说起来我的背景似乎和做增长完全沾不上边，生物本科毕业，虽然读了 MBA，但是在美国咱是老外，文化上的壁垒很明显，语言上的功底也不是一朝一夕可以补上，学校就业中心和各位师兄师姐都一再规劝我外国人想做市场相关工作很难。而 MBA 毕业之后我也是曲线救国地在做市场数据分析。 之后我有幸在 GrowthHackers.com 做 Growth 产品经理，非常幸运地和 Sean Ellis（ Growth Hacker 概念的提出者） 一起工作，我从他身上学到了很多增长和创业的知识。我现在在 Acorns ，一家小额投资的 App 公司，负责用户增长的工作。

“爸爸的奥迪，妈妈的迪奥，孩子的奥利奥”一直以来被认为是中产阶级家庭的标配。中国人长久以来对奥迪车情有独钟，据不完全统计，全国范围内，基本每3辆豪华车品牌中，就有1辆是奥迪，这一群体有何共同特征？MobData今天就带领大家揭开奥迪车主的神秘面纱！ 男性！老司机？

所谓热点图就是通过使用不同的标志将图或页面上的区域按照受关注程度的不同加以标注并呈现的一种分析手段，标注的手段一般采用颜色的深浅、点的疏密以及呈现比重的形式，不管使用哪种方式最终得到的效果是一样的，那就是，眼前豁然开朗。

“目标客户优化模型”其实是一个从理解到验证的循环过程。在这个过程中，我们通过商业理解，提炼出不同维度的“目标客户”指标，通过数据的获取、建模与分析，刻画出真正“目标客户”的特征，对这个人群采取行动，获得反馈数据，再放回我们的模型中，验证其有效性。

取数是数据工作的一个基础内容，也是大多数“入门”级别数据工作人员（例如数据分析师）的基本职责，取数对于前期的数据概况和业务需求会是一个熟悉和渐进了解的过程，因此这个过程必不可少，特别是对于刚入职的新人。 但是，如果一个数据工作者长期从事取数工作（例如超过2年，这里的时间取决于企业的数据规模和复杂度），那么其价值确实会很小，为什么这么讲呢？ 这里，首先要谈谈取数这个工种的特点，就八个字：上不着天，下不着地。

小红书已成为中国发展最快的社交媒体之一。与微信和微博不同，小红书专注于美容和时尚领域。其实小红书的早期阶段内容比较多样，主要围绕各种生活方式。由于小红书尚未上市，该公司几乎没有公开数据。为了更好地用数据来分析理解该平台，我通过爬虫来获取用户信息，并根据爬取的信息进行数据分析。

时间序列分析+音乐=？ 时间序列分析是一种常用的处理随时间变化数据的统计方法，它通过寻找数据过去的规律来预测其未来的发展趋势。时间序列分析广泛应用于自然科学和社会科学的各个领域，比如天气预报、销量预测等等。 而音乐，是反映人们现实生活情感的艺术，是人类的精神食粮。时间序列和音乐，两个听起来不太相干的事物能碰撞出什么样的火花呢？让我们在下面的故事中寻找真相。

通过对各大招聘网站上的100万条招聘数据对比分析发现，在过去的7月份中，共计有26140条知名互联网公司职位招聘信息发布（其中剔除了销售、行政等非常规互联网职位以及非知名公司）。 与5月、6月相比，人才需求下降幅度由15%增加到了27%。7月份虽是招聘淡季，但人才流动仍十分频繁，人才需求也同样非常强烈。而对于所有程序员来讲，最关注的势必是薪资一块，综合北上广深知名互联网公司数据后我们发现，位居第一名的互联网金融公司的平均月薪高出了第二名滴滴近 5K。

数据预处理一方面是为了提高数据的质量，另一方面也是为了适应所做数据分析的软件或者方法。一般来说数据预处理步骤有数据清洗、数据集成、数据变换、数据规约，每个大步骤又有一些小的细分点，当然了，这四个大步骤在做数据预处理时未必都要执行。

对于电商而言，节日促销活动的策划并非是凭空臆想出来的，而是都要有决策依据的，大数据时代，数据分析无疑是最可靠的决策依据。 节日促销策划活动并非是一时兴起，拍脑袋一蹴而就的，一般活动开始前需要进行预热，时间是一周到两周的时间，这个是为正式活动做铺垫。预热时间也会根据节日氛围、活动大小来调整。 活动预热准备包括选品决策、备货决策、广告位决策、会员营销四方面。

我们知道，在线上广告尚未普及推广的时候，大部分线下广告都采用时间+位置买断的方式来走，然后这种方式顺其自然的引入到了早期在线广告的很多场景里，典型的就是CPT（Cost Per Time）广告。 时间段很容易理解，然后线下广告牌的位置与线上例如WEB站点Banner轮播位置，是一样的逻辑，同样都是花钱买位置买时间，这是一种流量端完全不考虑效果转化的一种形态。 随后，合约广告开始出现，所谓合约，即约定了一定的前置条件，流量方必须要满足约定的条件才可以拿到广告主的广告费。以CPM（Cost Per Mille）为典型代表的合约广告，其核心约束力为约定的总曝光量，以及CPM单价，即每千次展示的价格。

对于线下企业，传播推荐其实比线上更为重要，因为这种推荐往往是即时性的，在购物时直接看到推荐，会比线上推荐促进成交快的多。但是这种传播又是难以跟踪的，需要一定线上线下结合的手段进行跟踪。 总之，对于AARRR模型，线上线下均可以应用，但是应用范围可能会有所不同，应用的方法也应该有所区分。

之前我们有说到过广告就算是品牌广告最终其追求的核心本质都是转化，只不过路径长短而已，但是合约广告的模式平台方承担的只是量的保证，对于效果层是不进行保障的。 对于平台方来说，其核心追求的是流量变现，即使用同样的用户流量，带来最大价值化的广告变现，而合约广告的模式约束过大，包括价格，量的要求，以及整体的周期，整个交易过程的效率都比较底下。 分析两者其实会发现一个问题，一个追求更高流量价值的变现，一个希望付出有所得（转化），为何不打通这个逻辑呢！

数据科学家需要发现重要信息，能够对不同来源的数据进行数据清理、处理并运行高级算法。同时，需要很强的沟通描述能力，以及可视化技能。 我经常会遇到许多优秀的数据分析师，他们非常想进阶为数据科学家，但苦于没有机会，或不知道该如何开始。这也是促使我写本文的原因之一。

我们可以可以看到，价格只是影响到广告主和广告平台的广告预算维度，最多了不起到媒体的流量价值变现的诉求上有体现。 所以实际上，除了竞价带来的价格优势，对于哪个广告匹配哪个流量，还有两个核心点需要处理的： (1) 让广告匹配的更加精准，要知道大家竞拍可是单次点击的价格，如果点击转化率下降，不管是对于平台方还是广告主都是有损的。 (2) 让整体商业合作更加的长久和平稳，其实我们之前包括探索GSP也好，VCG也好，或多或少都期望模式稳定，但其实还有其他考量点，就是如何评估长久合作的效果。

在一般的数据分析中，我们用到最多的就是筛选、聚合、排序、对比这些常规分析方法。然而在某些情况下，我们也会遇到一些需要通过调参来实现数据的动态调整，进而根据不同结果来采取最优决策的分析场景。 有一个专有的名词用来描述这类分析场景——What-if分析。 在企业日常的运营中，善用What-if分析将对决策分析起到十分重要的帮助。而在观远BI中，我们可以使用动态参数功能，来轻松构建What-if分析。所以接下来，我们将通过几个案例，来教大家如何通过灵活使用参数功能，来实现What-if分析的强大功能！

​我们知道广告生态里有多个参与方，每个参与方的诉求也是不同的。 而为了满足他们之间的诉求，具体的交互过程，是由各种各样的在线广告产品以及系统平台关联起来的，承担着各种不同的职责。 当然，这些产品的出现也是经历了各种阶段的发展，最终形成了相对复杂的逻辑关系，由于市场足够大，而参与到在线广告游戏里的玩家也越来越多，不过这不是我们关注的重点，我们这篇的重点是理清楚所有参与到其中的产品逻辑关系和承担的职能。

通过与数据的紧密合作：收集数据、分析数据、汇总数据、解释数据等等内容，很快就会发现在沟通能力有所提升，尤其体现在术语和与其他数据分析师之间的交流上。简而言之，学习了分析学的语言，它可以使与其他分析师的交流变得非常直观和高效。 但是在企业中很可能会遇到某些特定的人，尤其是相关利益关联者，可能不太喜欢如此深入地处理数据。虽然数据分析师可以流利使用分析语言，但利益关联者能够熟练掌握项目管理语言，或者使用企业业务营销语言，当你需要提交一份报告或做一个展示你工作成果的演示时,如果你分析的“语言”,与“那些”人不相同,那么这些“语言”将达不到预期的效果,且可能会被质疑甚至被反驳。

波特五力模型是企业制定竞争战略时常用的战略分析工具，任何产业的竞争规律会体现在波特五力模型的五种竞争作用力上。战略的分析和制定听起来离我们的生活很遥远，但实际上企业新开一家门店，开发一个新产品，都可以用到这个模型。 波特五力模型是将大量不同的因素汇集在一个简便的模型中，以此分析一个行业的基本竞争态势。五种力量模型确定了竞争的五种主要来源，即供应商的讨价还价能力、购买者的讨价还价能力、潜在进入者的威胁、替代品的威胁、来自同行的竞争。

在过去的三年里，我看过无数的招聘广告，也面试了一系列的公司。因为我想知道在我完成硕士学位之后，我在职业方面会有哪些选择。也因此，我将这些我看过的招聘广告，面试过的公司都进行了分析。我现在已经是一家公司的数据科学家了，在过去的六个月里，我面试了很多想要进入我们公司的数据人。下面这些求职准备，是我们建议每个数据科学求职者去做的。

平常我们在公司看报告、在网络上看新闻，接触到的各种图表，在读图的过程中，会经常遇到一些困扰：读图要花费了大量的时间、看得云里雾里的、被图表误导了、被图表忽悠了……反正就是被一些图表各种折磨~ 其实这可能并不是你的问题，而是作图者有很多细节没有注意，但是我们身处的环境就是这样，所以我们就要练就一身识别错误图表的本领，以便提升我们解读报告的效率。

对数据感兴趣：是不是看到一行行的数字就头大，选择直接跳过还是愿意花些时间研究这些数字背后意味着什么如果你看苹果的发布会的话，会看到乔布斯的幻灯片里出现最多的就是数字，卖了多少部，分了多少钱，厚度减少到多少毫米之类的，他相信数字简单明了。

在企业中实现商业智能不仅仅是简单地上一套系统、收集数据, 而是将这些数据转换为可操作的业务方案。企业可以从各种来源收集的数据看到业务表象下,哪些流程在起作用, 并帮助团队为未来的业务发展趋势做好准备。然而, 如果没有适当的分析和理解你收集的数据, 你所拥有的只是没有上下文的数字和数字。

大家都知道，在网上买东西的时候，经常会碰到“卖家秀”和“买家秀”看上去完全不是同一个商品的情况。抛开一些色差、光线等客观原因不提，当消费者买到这种差别极大，货不对板的商品时，第一反应就是“被骗了”，”不值得”，得到了极其负面的体验，还可能会要求退货。而商家大概率会失去一个客户，这个客户还有可能向周边的朋友家人，或是在社交媒体上传播负面评价，导致商家失去更多的潜在客户。总结下，商品在展示时给消费者的预期，和消费者拿到商品后的实际感受，如果差距太大，对消费者体验伤害很大，对商家也是弊大于利。

从整体的角度来看，其实相对还是比较完善的了，基本把整个广告技术逻辑，以及各个部分的角色阐述清晰了，但从个人的角度来看，更期望的是更偏技术的逻辑，甚至是数据流转的逻辑来理解这么个整个技术体系。 所以，我们围绕具体一些的技术选型方案以及数据流转的动向来理解整个在线广告的技术架构逻辑可能会更容易理解一些。

在过去，在互联网远没有盛行的时代（Web时代之前），大部分广告的载体是纸质媒体，或者线下实体广告牌，然后紧接着是电视广告，各种LED富媒体广告。随着互联网流量的加大，很多广告的形态开始出现在互联网上，紧接着是移动互联网的到来，各种移动应用，移动载体APP等，都能看到广告的身影。 对于新一代来说，纸媒估计接触的很少了，而线下类型的广告关注度也不是很高，诸如电视我已经好久没有怎么看了，更遑论电视上插播广告，但我们大量的时间都花在了互联网上，所以我们这里所说的广告，更多的是指互联网在线广告。

作为数据分析师，经常跟软件，系统和数据打交道。如果你对技术理解有好奇心，并愿意继续学习这些技能，以跟上技术的发展，那么这将会为你成为优秀的数据分析师打下良好的基础。 端到端的流程中涉及到许多系统和数据，掌握技术诀窍将使你更容易理解它们的连接方式以及由谁负责哪个部分，对数据价值链了然于胸，也就能够更好地将分析内容插入报告的上下文中。

推荐系统和计算广告的相通之处 对于推荐系统或者广告来说，其本质相同点都是候选资源的有效排序问题。 所谓候选资源在广告领域里当然是指广告池，而对于推荐系统来说可能就很丰富了，需要看不同的业务场景，比如电商里就是商品，资讯里就是各种资讯，视频场景里就是视频，当然也存在跨类型导流的推荐场景。 而所谓的有效排序，则是立足在匹配度的角度上出发的，当然本质目的都只有一个，就是效果转化（品牌广告也同样，只不过他周期太长，难以追踪，但目的是不变的）。

每个商业等式都不是大数据的答案。但是，并非所有类型的数据都可以存储或用作大数据，例如： 金融服务提供商每天存储客户银行转账描述的内容。这些数据不能称为大数据，它是任何一方无法共享或分析的个人数据。同一个提供商在注册时存储用户的ID，这两者都不能称为大数据。这是公司内部数据，应存储在专用的数据仓库服务器中。另一方面，支出交易无疑可以被视为消费者行为，而这是大数据。一旦分析了这些数据，公司就可以为用户提供更加个性化的服务，从而优化定价策略，从而提高客户保留率，获得竞争优势等……

“销售运营相关领导者必须高度准确地预测其广泛而多样化的业务，”Gartner高级总监分析师Steve Rietberg表示，“为了实现这一目标，他们应该将业务分成几个部分，并选择最能预测每个细分市场未来行为的分析指标。” 这样的细分分析将使区域经理能够更深入洞察其所在地区的消费趋势，了解内部销售数据和外部市场环境如何影响业务的每个部分，准确诊断问题，并更有效地指导他们的销售。

做数据分析，不能根据“老客成交金额减少”本身来判断“老客成交金额增加就好”或者“老客成交金额减少所以不好”。我们应该意识到，根据单纯的数量“增加或者减少”“多或者少”只能看到表面的结果，而无法真正到到解决方法。 只有将“老客成交金额”进一步分解为：老客总数*回购率*客单价，掌握具体哪个因子出现问题，才能针对性改进。

每次数据分析之后，不管是什么形式，PPT或者Word甚至说是Excel报表，都需要把数据分析的结果和得出的结论进行汇报。而编写数据分析报告往往是数据分析师头疼的事情，很多数据分析师仅仅是罗列数据处理的过程，却无法把握重点，最后落得报告无法落地。那么今天我们就介绍一种数据分析报告的书写架构——基于麦肯锡金字塔原理的SCQA架构。 麦肯锡金字塔模型揭示了如何运用SCQA架构，即“情境（Situation）、复杂（Complication）、问题（Question）、答案（Answer）”架构来确定你打算在文章中进行阐释的中心思想以及你的观点的安排次序。

经常有刚从事数据分析的职场萌新，问我做数据分析工作要学些什么，应该怎样规划学习路径。我会告诉他：如果你Excel还用的不溜的话，就先学学Excel，当你用Excel处理和分析一些小数据集没有问题的时候（具体表现就是：常用函数公式信手拈来，数据透视表，筛选，排序，图表绘制操作熟练），你就去学习SQL语言，然后用BI去分析去熟悉业务。然后到了一定阶段，你可以上手R或者Python。后面如果你能更进一步，可以去了解一些Spark等大数据框架。

面对数据异常，我们经常会出现“好像是A原因引起的？”“貌似和B原因也相关？”“有可能是C操作不当”的主观臆测。 或者，拿到一个分析议题，分析“11月销售数据下降的原因”，是先从产品层面，还是渠道层面着手的茫然无措。 显然，这样的思维是乱的。 做数据分析，首先你得具备看待一个事物的逻辑化思维，其次用数据去证明他。

数据科学家是当前无论硅谷还是国内都很稀缺、炙手可热的职业，优秀的数据科学家更是寥寥。数据科学家这个职位，对专业和综合素质都要求很高，需要“一专多能”，就是常说的T形人才。 数据科学家要有基于数据指导业务和分析预测的能力。具体来说，需要具备的素质有:大数据平台实战经验、理解企业业务、懂数学软件和编程、掌握分析的理念、熟悉算法跟编程。所以数据科学是对业务思维能力、数学建模能力和工程开发能力要求都很高的行业。

SQL全称是 Structured Query Language，翻译后就是结构化查询语言，是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理关系数据库系统。 至于 ORACLE、DB2、Sybase、SQLServer、MySQL、MS Access等都是数据库，虽然语法上有差异，但是基本上都是大同小异。作为一名数据从业者，虽然市面上有很多很智能很自助的数据工具，甚至有的拖拖拽拽就能实现，但作为一名报表工程师、数据分析师，不懂一点SQL是绝逼不行的。

RAWGraphs是一个在线的数据可视化开源工具，经常被用来处理Excel表中的数据。你只需要将数据上传到RAWGraphs中，设计出你想要的图表，然后将其导出为SVG格式或PNG格式的图片。此外，上传到RAWGraphs的数据只会在网页端进行处理，保证了数据的安全性。

对于IT来说，夸大其功效的炒作越多，外界对其的误解也会越大，数据分析当然也不例外。数据分析是当今信息技术最热门的领域之一，可以为企业带来显著的业务收益，但这些误解可能将妨碍分析过程的及时、顺利交付，并影响业务用户和最终客户。 随着企业创建或扩展其分析策略，这里有12个他们需要格外注意的关于数据分析的误解。

如何对数据进行综合分析，相关分析？这个是很考验逻辑思维和推理能力的。同时分析推理过程中，需要对产品了如指掌，对供应商很了解，对采购流程很熟悉。看似一个简单的数据分析，其实是各方面能力的体现。首先是技术层面，对数据来源的抽取－转换－载入原理的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；最后是专业度，对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个好的数据分析应该以价值为导向，放眼全局、立足业务，用数据来驱动增长。

两类能力和工作内容有较大区别，但经常企业在招人的时候都叫：数据分析师。这常使想进门的新人感到困惑。今天，我们就来科普一下业务与技术的那些事。业务 or 技术业务类分析师，往往在战略发展部，市场部，会员中心，销售部，运营部。根据服务的业务部门的不同，他们也可能叫数据运营，经营分析，会员分析，商业分析师等名字。因为各个业务线具体考虑的问题不同，分析思路与体系均有不同，所以会有这种区别。

广义的零售行业，是一个非常大的概念，其中包含便利店、商超、商城、步行街、餐饮、服装、图书、健身等多种业态。而零售注重的是快速把握流行趋势、快速把握客户的情况，从而进行精准的营销。而如今线上商城的冲击、成本的不断提高，零售行业需要全面的转型升级。那么在这样的新零售情况下，如何做好会员的运营，如何做好CRM甚至说如今的SCRM就非常重要。

主要观点： ​房产信息服务平台高效连接房产供需双方，平台上的房产信息更全面准确透明，供需双方找房卖房效率更高、也能获得更好的体验和服务 房产信息服务用户规模在过去一年呈稳步上升趋势，今年6月份用户规模达5,488万人 垂直平台中，安居客、贝壳找房、链家的活跃人数位于前三甲，今年6月份MAU分别为1931.5万、614.4万、408.5万 用户满意度方面，用户对安居客的满意度评分最高，其次为58同城和贝壳找房

在数据分析中，数据分析思维是框架式的指引，实际分析问题时还是需要很多“技巧工具”的。就好比中学里你要解一元二次方式，可以用公式法、配方法、直接开平方法、因式分解法。 数据分析里也有技巧，在一些通用的分析场景下可以快速使用，而且对未来构建数据分析模型也有帮助。 接下来就分享常见的5种数据分析方法，分别是：公式法、对比法、象限法，二八法，漏斗法，常常多种结合一起使用。

存量客户维系的本质是通过改善产品和服务来提升客户和企业之间的双赢关系，增加客户的满意度和忠诚度，从而达到客户维系的效果，主要体现在三个方面：客户保有、话务激发及新业务提升。价值指数:客户价值评估的目的是准确衡量客户对公司的贡献大小，从而识别存量客户的重要性，最终实现公司资源与客户之间的良好匹配，提升公司的综合价值。

数字化管理就是将现代化管理思想、管理方法、管理技术、管理手段充分加以数字化，从而全面提高管理的效益和效率。电子技术发展，尤其是互联网的发展为数字化提供了更加快捷和便利的方式。通过统计技术量化管理对象与管理行为，实现研发、计划、组织、生产、协调、销售、服务、创新等职能的管理活动和方法。面对激烈的市场竞争和整体制造业水平的提升，产品和服务质量是品牌的基石。传统的方法效率低下，问题不容易定位，导致决策往往是靠拍脑袋，而不是依据数字做理性的分析。

广告和电商，看着是两者关联度不大的领域，一个是卖广告的，一个是卖货的。但是，据2018年网络广告市场调研相关的公开报告可以看到，电商广告占了整个网络广告的31.7%，居首位，且呈持续的增长趋势。 是的，不冲突，广告嘛，什么东西不可以打广告，卖货打广告再正常不过了，要卖货嘛，总是要有人买的，而广告就是其中重要的一种流量来源。 不过今天我们要具体分析的，不是常规的电商，以及电商广告，而是二类电商。什么是二类电商？既然有二类电商，那肯定有一类电商。

“思考特性而不是算法”，这是在机器学习背景下评估数据的另一个有用方法。友情提示：数据扩充可能改善你的现有模型，在某些情况下，甚至有助于缓解冷启动问题。大部分数据科学家可能已经利用开源数据或者通过第三方数据提供商，来扩充他们的现有数据集，但我发现，数据扩充有时会遭到忽视。人们觉得，获取外部数据、使之规范化、并利用这些数据进行实验，这不像开发模型和算法那么具有吸引力。

现在,数据分析的力量正深刻影响着商业格局。抓住数据发展带来的机遇,增加利润,提升生产力甚至打造全新的业务单元,成为了企业的新需求——这不仅需要信息基础设施领域的人才与投资,也需要变革思想观念,组织一线培训,提高团队的执行力。若没有强大的执行力,要充分驾驭数据分析的巨大浪潮将格外困难。

对于初学者，有的时候并不需要急于苦学R语言等专业工具（当然会也是加分项），因为Excel涵盖的功能足够多，也有很多统计、分析、可视化的插件。只不过我们平时处理数据的时候很多函数都不知道怎么用。 关于Excel的进阶学习，主要分为两块：一个是数据分析常用的Excel函数，另一个分享用Excel做一个简单完整的分析。 这篇文章主要介绍数据分析常用的43个Excel函数及用途，实战分析将在下一篇讲解。

网站天生自带流量吗答案是否定的，有的企业说，找网站建设公司花费数万元做网站，结果是有去无回。很多企业上线网站之后，运营就搁置了，时间长了自然不会有流量，如果一个网站不能带来流量，再豪华的装修也是摆设。 这个时候，有的企业又表示，如果这么说，那我随便做个网站就可以了。这么做好像有点道理，可惜如今已经错过风口，行不通了!早先的草根站长，就是随便搭建一个网站，然后依靠搜索引擎带来的流量，通过点击广告就能获得不菲的受益，而现在，这样的网站几乎灭绝了，因为网站体验差，用户流失快，被搜索引擎毫不留情的给降权了!

大数据时代来临之际，大部分都把注意力放在线上的数据收集和分析了，的确，线上的数据收集更加简单，互联网带来的庞大数据量对我们的决策起到了至关重要的作用。但是，线下零售市场的先觉者也开始关注起了数据带来的帮助。 对于线下的商超、零售店，关注的重点在于如何进行客流统计分析，并应用到商业化的提升之中。目前主流的方案是利用客流统计摄像头来精准采集客流数，跟踪店内行动轨迹，形成热点数据，对接POS/ERP数据，汇总成报表，形成单/多个门店、周期内的变化曲线，并掌握星期、天气、活动等因素给客流带来的影响，促进门店业绩增量。

分析客户人群的购买习惯，并通过客户购买行为做出相关数据分析。 好项目，正好让大家练手Python，于是决定研究亚马逊上Top100的细分品类——女式内衣！！！的销售情况。这个话题，遐想空间很大，各位老司机坐稳咯！ 分析分为三步：数据采集、数据清理、可视化分析第一步，采集数据。没有数据怎么办，用万能的Python爬嘛。爬取商品排名和详情页链接，需要的字段为：排名、商品名、详情页链接。

​今天这篇讲实操，教大家用Excel做一次简单的分析。一是让大家了解数据分析是一个怎样的流程；其次熟练Excel的操作(学的知识要用起来)，包括公式，数据透视表等。 这里我用Python在智联招聘上爬取了约1800条的BI工程师的职位信息，并且将岗位名称、公司名称、薪水、所在城市、所属行业、学历要求、工作年限这些关键信息用CSV文件保存下来。

畅销的产品是不需促销的，只有滞销的产品才需要促销。滞销产品可通过售罄率来确定。一般而言，服装的销售生命周期为3个月，鞋子为5个月。如果在三个月内，不是因为季节、天气等原因，衣服的售罄率低于60％，则大致可判断此产品的销售是有问题的，当然也不必等到三个月后才可以确定，一般而言，三个月内，第一个月尺码、配色齐全，售罄率会为40～50％，第二个月约为20～25%,第三个月因为断码等原因,售罄率只会有5～10%。当第一个月的售罄率大大低于40%时,且无其他原因时,就有必要特别关注,加强陈列或进行推广了。

对于数据分析，我一直强调核心是业务，通过业务的分析逻辑影射到数据分析的处理逻辑，而数据分析工具则是帮助我们实现结果的手段。 但是，你说工具不重要吧，他又很重要，就像什么样的路选择什么样的交通工具，合适的工具能帮我们更快的达到终点。对应数据分析的不同环节，也要选择不同的工具，甚至选择更容易上手。

竞争情报及数据收集，分析及解读是数据分析中的一个重要环节。获取竞争情报及数据的方法有很多种，常见的方法如爬虫数据抓取，官方披露文件，第三方调研机构研报等。从获取难度，数据时效性，数据颗粒度，可用维度及靠谱程度上对比来看每种方法各有利弊。本篇文章介绍如果通过解读公司财报获取竞争情报，这种方法的优势在于数据相对比较靠谱，毕竟数据经过了专业的财务审计，并且有来自证券交易所和做空机构的监管。缺点则在于时效性较差，季报和年报都是对过去的解读。

我们都知道数据的最终价值还是要落实到业务上，得出更好的决策，让利润增加，让成本降低，让风险减少，让效率提升…那数据分析在这过程中扮演的角色就是，用数据把业务的现状清晰描述，让业务更清晰；然后从业务现状里挖掘出有价值的点，利用数据分析的方式提升好的数字，降低坏的数字，让业务做出正确决策。

什么是本地化广告？如果你去百度或者谷歌，其实你很难查到严格意义上定义，因为也没有“官方”的定义，更贴切的一个广告术语是SMB（small and midsize business）广告，即中小型企业市场广告。 而我们上一篇说到的二类电商，其实也是SMB中的典型代表，而本地化广告，在更多的一些广告报告上，可能会贯之以“本地化数字营销”等称谓，总之，都差不多的意思，说的就是这类非常具有独特性的广告。 所谓本地化，即其营销一定是与地域所绑定的，既具有地域特色，或者说地域性的营销诉求。反过来想，具有这些特点的广告主，一定是中小型的企业广告主，针对于地域性的营销，规模不大。 通常一些典型的本地化广告主为各种培训机构，包括常见的英语专业培训，一些儿童能力培训，甚至是一些计能培训机构，美容院，健身房，婚纱摄影或者一些艺术摄影机构，口腔或者专科诊所以及医院等。