导图社区数据分析

数据分析

这是一篇关于数据分析的思维导图。

编辑于2022-03-01 10:45:30

槿伊

他的近期作品查看更多>>

数据分析

社区模板帮助中心，点此进入>>

槿伊

他的近期作品查看更多>>

相似推荐
大纲

数据分析

岗位相关

主要工作

数据异常排查

前期准备

业务理解

指标口径，例如激活时按照imie还是其他指标

当前进程产生过程

方法论

判断是否异常

时间轴拉长，看最近异常还是历史（3个月）异常

看和该指标关联的其他核心指标是否也异常

找关键人物沟通（产品/数据）

最大概率法则原因归类

假期效应

热点事件

活动影响，例如双11，618，竞品以及公司层面的影响

政策及监管影响

产品层面，是否有发版或者新功能上线影响

底层系统故障：数据传输、存储、清洗是否有问题

统计口径：业务逻辑更改，指标计算方法更改

验证，形成闭环

持续跟踪后期数据是否再次异常

记录、沉淀、文档话

邮件化：只有确认了没问题再发邮件，描述影响范围和主要结论即可

专项分析

特点

有目标-紧贴kpi

有节奏-2-3周时间输出一份完整报告

有闭环-所有的报告说人话，做人事

方法论

案例：2015年进入头条app新用户次留、7日留存与竞品相比，留存率均低5%绝对值，并且新用户流失速度要高于竞品，因此要在数据分析基础上进行产品优化提升用户5%绝对值

第一阶段：新用户整体留存分析

目的：摸清数数据现状，同时找到若干切入点

关键点：不要太注意细节，该过程讲究报告产出的时效性，让其他人员感受到分析师的存在

思路

第二阶段：寻找优化切入点，一般是1-2个。如1关键路径数据发行pv到点击pv的CTR很低，围绕这个点细致分析：对应新用户，应该曝光什么，在什么时候，什么位置曝光等；某个量大的二级渠道留存数据明显低于其他渠道，围绕这个点分析，该渠道留存较低时因为：渠道质量存在问题？用户已经安装竞品？当前产品设计与渠道用户不太匹配？同时高留存渠道本身的特征是什么？……结合AB测试，逐步验证

第三阶段：

不断重复前面两个阶段，继续寻找其他的切入点；

进行竞品分析、营销活动分析、用户流失分析等

注：整个过程就是在不断的试错，每一次分析报告都要有能落地的点，并且真的落地了，形成闭环

埋点

指标分类

面试必问的三个问题

流量波动-分析师的经验

案例以及分析点：

手机里常用的三个app-分析师的思路深度

尽可能说跟应聘岗位相关的app

可能涉及问题：对产品的最喜欢的点，最想吐槽的点；针对你吐槽的点，如果你是产品经理该如何解决；怎么样评估你的改进方案的效果；说一下你对AB测试的理解

商业模式-对商业的最终目的是否敏感

举例说明一款产品的商业模式或者讨论前公司的商业模式；该商业模式的收入主要来自哪里？商业化提升的痛点是什么，之前做过什么优化方案，效果方案

业务型数据分析师需要具备的能力以及自我评估

产品理解能力：各种数据熟悉度、用户从哪里来，进来后做了什么用户反馈最多问题是什么，竞品数据如何

分析方法论：常见分析方法有哪些，ad测试，最大概率法则，28定理，幸存者偏差理解

可视化能力：数据可视化软件使用的如何，ppt功能如何；专题报告逻辑性、金字塔原理、审美怎么样

演讲能力：表达能力、讲故事能力、形象化能力、抗压能力

协作能力：跟产品、业务、研发沟通的时候的软技能，如何在团队中定义好自己的位置并且让其他人很舒服

逻辑思维：分析推导过程的全面性、合理性、价值性

技术：excel常见操作；SQL熟练、R能不能搭建模型并知道有哪些坑、python是否能用上

优化路线：指标体系方法论——流量分析方法论——路径分析方法论——产品分析方法论——营销活动分析方法论——用户流失分析方法论

数据分析整体流程

数据分析多元思维模型

中观能力

专业度，包括技术理解，逻辑性，价值点

技术理解

数据处理中，有一个点是数据标准化，常见的都是max-min方法、z-score方法，指数对数法；只有理解到数据标准化的本质目的是去除量级的差异性，才能用户这个方法

案例

逻辑性

案例

价值点

数据分析中，有些就是描述性统计，价值不大，不需要花费较多时间；对于指导性、预测性分析，价值最大，最花时间，但一定要注意到价值点（有没有价值不是分析师说了算，是业务方说了算，有些点很好但是暂时无法落地，可以降低其优先级）

微观能力

在中观能力相同的情况下，具有想象力、敏感度、快速发现提问、快速解决问题能力、高位视角的分析师表现更加优秀

有效沟通的两个技巧

黄金思维圈法则：在了解业务的情况下，反问业务房为何要做这件事，寻找切入点

做一些准备工作再沟通，提前了解会议主题以及准备好相关业务知识和数据

宏观能力

能够把业务与实际社会热点，行业风口联系起来，提前预判，获得更好的决策

案例

营销分析

营销活动前理清楚

谁开发，靠不靠谱

活动形式及测试体验，文案可能存在问题

大概哪些指标，提前想一想

活动前准备工作：1-2周

和运营方沟通本次活动目标

和研发沟通好埋点

搭建好指标体系和报表

定好数据输出格式

活动中好好观察

第1天数据-详细看指标体系报表数据，看是否有异常

观察1-3天数据-预计活动目标的完成度，看是否要做适当调整

定时输出活动战报-每天早上输出

活动一周后输出数据-进行一次详细复盘并同步给管理层

活动后好好复盘-尽量在1-2周内输出报告，如果活动涉及收入和品牌传播各项指数，也可以加上去；如果涉及到活动使用金额，最好让业务提供

活动对大盘的影响，

活动的短期效果

活动的长期效果

活动存在的问题

用户增长模型

基本模型

优化版模型

未来可能模型