最接地气的数据分析详细流程，看这篇就够了！

什么是数据分析?

无论你是刚接触数据分析，还是一位分析大神，我想很多人都不知道，数据分析究竟是什么，或者说数据分析的本质是什么。

其实很多公司和企业，也不明白数据分析是什么，很多人从网上看到公司招数据分析师，进入了之后发现是做什么的呢?就是天天用sql取数给业务用，十分机械而且也没成就感。

这叫做数据分析吗?当然不叫!所以我们要先对数据分析有个整体的认知。

先看一下教最接科书上的定义：

数据分析是用恰当的统计分析方法对收集来的大量数据进行分析，然后加以处理和加工，以开发数据的功能、挖掘数据的价值，主要目的是为了清洗出有用的信息并形成结论。

这个定义过于繁琐，很多刚刚接触数据分析的人都不一定能看得懂，因此我自己给数据分析下了个定义：

数据分析，就是针对某个问题，将获取后的数据用分析手段加以处理，并发现业务价值的过程。

大家可以看到我把五个关键词给标红了，地气这一句话，基本上可以包含数据分析所必须的流程点，我们一个个讲。

一、问题

首先第一个关键词是“问题”，我们可以把这个词解释“发现问题”或者是“目标”。

数据分析一定要有目标!哪怕业务人员给你提出的问题或者需求，根本不是那么明确和清晰，你也要找到自己要分析的目标!举个最简单的例子，业务方最近新上线了一个功能，想让你分析一下目前这个功能的使用情况。这时候你该怎么做?

你会觉得“分析业务的数功能情况”是目标，然后根据这个模糊的目标你只能做一些描述性的统计分析，告诉业务方每天UV的最大值，最小值，中位数，平均数，方差，标准差……看起来很厉害的样子，但这些数据有啥意义呢。这样子的目标就是在做样子，应该怎么做呢?

要明确业务方的需求是什么，然后分析业务最终的目的，把这个目的进行拆解;比如刚才的例子，业务真正想要了解的是什么，是这个新功能的目的，是为了提升客户的留存率?还是为据分了提升客户的转化率?还是其他的?然后再把这个目的给拆解，确定我们的指标，然后再进行分析。这才是真正的目标思维。

二、获取

第二个关键词是“获取”，叫做“数据获取”或者“数据采集”

数据采集就是将原始数据从数据库中取出来，主要工作是：搞清楚数据放在哪里+怎么把数据取出来。

1、数据存放在哪里?

很简单的答案，很多人都知道公司的业务数据一般都是放在数据库里的，但是相同的数据库，数据源不一析详样相同，我们所取的数据一定保证数据源的一致，否则会造成数据混乱。

比如说，不同的数据存储系统，mysol、oracle、sqlserver等等，数据仓库结构以及各库表之间的关联方式也可能有所不同，星型?雪花型?数据指标是否相同，名称、含义、字段类型、约束条件等等?是否经过了ETL处理，清洗规则是什么样的?这些都是我们在进行数据提取之前所必需了解的。

2、那么怎么把数据取出来呢?

其细流实只要搞清楚了数据放在那里，取出来就是水到渠成的事情。一般来说SQL是进行数据采集的必备技能，目前也是数据分析实际业务场景中最常使用的取数方式。当然了，能取出什么样的数据，也要看你是否精通sql，比如单张数据库表的提取很容易就做到了，但是跨表查询提取的时候很多人就不行了。再比如更为复杂一点的复杂查询、联机处理等等，这些做数仓的人用的很多，我们数据分析师不必设计这么深，我们程，只要熟练掌握就行了;当然，有很多数据分析师最后也做了数仓师、架构师，如果你以后考虑往这个方向发展，sql肯定是要精通的。

三、数据

第三个关键词是“数据”，这里说的数据是广义上的数据，包括数据库中的数据，也可以概括为数据场景，也可以理解为经过清洗后的数据。总之，这个数据指的是我们可以直接拿来分析的信息，而不是一堆脏乱差的原始数据。

1、数据库数据

数据库数据这里就不细讲了，我们只要知看这道数据库中的数据都有哪些就行了，比如业务数据、日志数据之类的。

2、数据场景

很多人都问我为什么看资料看的好好的，一到实际业务场景中都歇菜了?这是因为在实际业务分析中，我们分析的不是数据，而是场景。那我们怎么根据场景找数据呢?最重要的方法是建立分析指标体系：

我很喜欢用点线面体的定义来解释指标体系，如果用点线面来解释，搭建分析指标体系就是分析整个“体”，将分析框架的体系化，明确篇就每个点都是什么指标，任何一个分析路径都能对应到指标。指标体系搭建一般都是要放在数据提取之前做的工作，方便我们这一步的数据清洗。以电商为例，我们在取数前遵循“人货场”的思维逻辑，这就是我们的体，我们的大体指标框架。然后我们要找人货场各自的业务逻辑，也就是场景，电商常用的业务分析场景有哪些呢?无非就是销售、商品、渠道、竞品、会员等等，这就是我们的面。而商品可进一步细分为商品的够了库存、商品的利润以及关联销售分析，这就是线和点。

总结起来就是，在整个业务分析体系中，确保先分析什么，后分析什么，从体及线，从线及点，有了点，我们就知道该需要什么数据了。

3、清洗数据

数据分析工作里数据清洗基本上比较占时间，包括脏数据的排除、重复数据检索、无效数据等等，如果你的数据源比较混乱，那么还需要筛选数据指标、整合核心数据等等工作，总体来说比较耗费精力。最后要注意一点，很最接多人喜欢采集大数据，认为数据越多越好，不管什么规则、质量好坏，这是不对的，我们在进行数据获取的时候，一定要保证我们数据的质量，避免脏乱差数据。

四、分析手段

这里就是我们狭义上所说的数据分析了，根据实际场景需要可以分为四种：描述分析、统计分析、挖掘分析、建模分析

1、描述分析

其实就是数据分析思维，其实业务很喜欢让你做描述性的分析，因为不会用到算法之类的东西，业务能看得懂，就能跟你扯皮地气。描述分析包括：

对比、细分、趋势等三大基础思维 结构化、演绎推理、假设等常用分析思维 指标思维、系统思维等常用业务思维

2、数理分析

数理分析，基本要用到一些数理统计学基础的分析方法，比如：

分类分析 聚类分析 相似分析 假设检验分析 回归分析 ...........

3、建模分析

第三个是建模分析，也就是数据分析模型，常见的一些我们都会讲到：

波士顿模型 ABtest模型 RFM模型 购物篮模型 .......的数....

4、挖掘分析

最后就是挖掘分析，基于我们的一些数据分析和挖掘工具，比如常用的excel和python、BI等，这里不多做介绍。

五、业务价值

最后一个关键词是“业务价值”，这是数据分析最核心也是最终的目的企业是做什么的呢?企业的作用是向市场提供产品或服务，为客户创造价值。那我们数据分析就是为企业提供服务和产品，为企业创造价值。价值体现在两点：一是将盈利时间拉长，一是将单位时间内盈据分利量做大。第一点，需创造的价值让越来越多的客户知道并认可，获得用户粘性，从而实现持续增长，其实就是用户体验;第二点，需提高企业创造价值的效率。所以我们要做的数据分析也要跟紧紧贴合这两个点，这就要求我们在进行数据分析最后一步——数据可视化、数据报告等等时，要紧紧贴合业务，给领导或者业务最想看的数据，这也是一门学问。