人人可做數據分析：從數據分析到數據驅動運營

近幾年，數據分析、人工智能、大數據平臺等概念十分火爆，有些人感嘆：雖然學會了調用軟件算法庫文件，在面對真實的業務問題時卻不知道從哪裡下手；雖然接觸了一個又一個能做數據分析的軟件工具，真要處理一個業務問題時，卻發現自己需要什麽樣的數據反而成了第一道門檻……“道不遠人”，好的東西不應該只作為高深莫測的內容讓人敬而遠之。本書將數據分析的思維作為主乾，銜接數據分析的各個環節，輔之以案例，幫助讀者建立體系化的數據分析知識，使數據分析成為一個普通技能，在工作和生活中發揮分析並解決問題的作用，最終實現“人人可做數據分析”。

第1章 緒論 001
1.1 數據分析話題的“樹模型”知識框架 001
1.2 數據分析話題同樣存在“量變引起質變”的問題 004
1.3 數據分析與其他學科的關系 006
第2章 數據採集、存儲與整理 008
2.1 什麽是數據，數字就是數據嗎 009
2.2 不同的應用場景對應不同的數據採集方式 010
2.3 工業協議採集數據 011
2.4 網頁埋點採集數據 014
2.5 數據庫及合並表單 017
2.6 數據清洗 022
2.7 數據整理，多維度拆解 026
2.8 數據集 035
2.9 數據估算 042
第3章 大數據平臺架構 045
3.1 大數據時代的傳統數據處理方法 046
3.2 大數據架構 048
3.3 大數據平臺的數據採集、處理、輸出與展示 056
3.4 大數據平臺不是核心 064
第4章 數據思維之基礎問題 065
4.1 數據算法VS數據應用 065
4.2 AI高大上，傳統手段失效了嗎 067
4.3 以前常用的一些方法論，如5W2H法不靈了 068
4.4 信息摘要的敏感性，抓重點的能力 070
4.5 物聯網等技術的發展催生了新的數據應用場景 071
4.6 對數據分析的預期，要有合理的參照系 072
第5章 數據思維之數據素養 074
5.1 數字時代，數據素養是重要的技能 074
5.2 把一個具體業務問題轉化成一個數據可分析問題 076
5.3 層層拆解，才見真章 081
5.4 細致拆解與辛普森悖論 084
5.5 減熵：把事情流程化，把關系圖譜化 086
5.6 指標思維 090
第6章 常見的數據分析綜合方法 096
6.1 針對業務問題的“假設檢驗” 096
6.2 分類利器：波士頓矩陣與RFM模型 100
6.3 行動步驟利器：AARRR模型與UJM模型 109
6.4 業務分析框架OSM 113
6.5 成交總額GMV 116
第7章 數據可視化 120
7.1 數據可視化的意義：探索性分析 120
7.2 常見的數據可視化圖表 122
7.3 數據可視化舉例 125
第8章 人工智能與傳統數據分析的關系 130
8.1 數據分析、傳統算法、人工智能之間的範疇關系 131
8.2 目標的一致性及適用場景的區別 132
8.3 以統計為主的傳統數據分析及其工具 134
8.4 機器學習 139
第9章 數據驅動運營 147
9.1 不同業務層次都有哪些數據分析需求 147
9.2 不同行業領域都有些哪些數據分析需求 148
9.3 數據驅動運營概述 150
9.4 牛刀小試的一個例子 156
9.5 數據分析與公司戰略地圖 161
參考文獻 168