1、確定指標口徑
例如活躍，是日活還是月活？是有效活躍還是正常活躍？每個問題都有自己的背景，確定口徑是首先要做的
2、確定指標準確性
確定口徑後，要確定資料的準確性。
1）、直接排查該指標，思路一般採用二分法思路，例如展示層、ods層、中間彙總層、中間明細層，提高排查效率。
2）、通過間接的指標排查，例如看該指標相關的衍生指標（分子or分母的指標），可以間接判斷資料準確性。這種方法，一般要求你必須對衍生指標的有一定敏感度，知道在什麼區間內是個合理值。
以上都是完成了具體指標跌降原因解釋，下面就要涉及到確定好壞、給出建議並綜合評價的部分。
4、找基準，確定好壞
某個指標漲降，一定要尋找乙個基準線，用來判斷好壞。尋找基準線，無非是拉趨勢，找同期，看週期。
例如，某個指標在近期一直降，那麼就需要特別關注，提醒管理層問題。但是要是同期比，降得反而少，那預計就是週期性下降，但是業務整體較同期比較做的更好了。
找基準，一定要特別注意週期(年月日特殊事件點都得看)，才能評價好壞。
5、給方向，給建議，給方案
方向，定性的，業務層面大得方向都是比較容易談得，從產業、從組織架構、從人群方面，都可以定性得說(當然，這部分還是很重要得，你對業務大方向得思考還是要有得才能講出來，還需要繼續在這個方向上深耕細作)。
建議，定性+少量定量，定性得確定方向，比如某個方向，在特定時間段內，做多少，就能抑制下降or保持上公升，這種就需要你結合業務+資料模型解釋。資料模型，也是基於上述3得出得。
方案，定性+準確定量，我得理解是這部分，資料模型足夠準確，業務思考足夠深刻才能獲得得。
6、綜合評價
5做好後，那麼就需要基於業務的發展階段和最終方案的落實情況，綜合判定這方案的有效性。
定位：一般公司的資料團隊，都是用來輔助決策的。輔助決策，那麼要看你服務的部門，本身的決策權是如何的。其次，再看你服務的部門，高層管理者對於資料決策的需求是怎麼樣的。然後，再看資料部門的老大，是如何定位整個部門(資料支援to資料包表to資料分析to資料策略)的。最終，也要看你個人，是如何看待自己的定位。
個人與組織，一定是相輔相成的。我們只能豐富自己的能量，提公升自己，然後才能獲得乙個好的組織，發揮足夠的作用。
分工：不論資料團隊大小，大塊來看，一定是有兩個方面，一是數倉，二是業務分析，再深入的分析，就是資料科學，這種一般也就大公司的大團隊才有。
數倉，是基礎建設，地基不夯實，往上走的天花板一定很低。但是你只做數倉，天花板會更低。
數倉，核心價值是結合業務，設計一套貼合業務的數倉結構，提公升資料質量和效率，也是這個職業的高壁壘所在。成長方面，能做的就是提效，不能一味的只接需求，需要彙總需求並深入分析需求的背景，用更好的方法去解決這些問題，這是數倉能成長的方面（觀點from木東居士，非常認可大佬）。另乙個方向，那就相當於轉行，做業務分析，這樣既懂數倉技術，又懂資料分析，是個好的人才，如果再懂資料科學，那就更棒了。目前，自己的方向就是，往這個方向走，後續去做策略也好，還是要看機會，不論如何，先夯實自己的專業度才說。
業務分析，表哥，首先還是出各類報表，其次，能夠接特定需求，進行基礎的解釋。最核心的，還是要研究分析框架模型，用來全方位的解釋業務情況，判定好壞，給到建議。這個事情，可高可低。這種就是偏管理
資料科學，用演算法搭建模型，解釋業務情況，偏產品設計。例如abtest，內容推薦等等。
一次性寫完了自己最近的一些想法，下篇講ltv，講留存模型吧。都是基礎的東西，我也不知道深入的東西都是些什麼，保持學習。
關於資料分析崗位的工作思考
2020年來了，到了展望全年工作，提出思路的時候了。資料分析工作是根據業務部門的需求，對企業經營資料進行分析，在分析過程中，除了分析企業內部資料，還經常需要企業外部的資料補充或者驗證分析結果，充分有效的資料 對資料分析工作非常重要。面對海量的企業經營資料，採用合適的資料分析演算法及技術，才能快速有效...
關於資料分析的一點思考
資料分析應該分為兩個階段，乙個是前大資料時代和大資料時代，在前大資料時代，人們在統計學的統治下分析資料，受限於儲存 計算等軟硬體，只能通過抽取樣本，用概率統計的方法，去發現一些規律，這樣也有助於簡化分析的任務 而在大資料時代，首先儲存的硬體達到，每天可儲存數以億計的資料量，其次計算的方法，比如雲計算...
資料分析（三）
pandas的資料結構 匯入pandas 資料分析三劍客 numpy pandas matplotlib 三劍客 import numpy as np import pandas as pd import matplotlib.pyplot as plt from pandas import ser...