資料分析雜談

筆者只是乙個客戶端工程師，不是專業的資料分析師，只是碰巧在工作中與資料打交道比較多，做過客戶端的資料傳輸sdk,客戶端無埋點sdk，寫過hive指令碼，也折騰過spark,也做過不同通道資料的差異分析，僅此而已。本文試圖從筆者自身有限的經歷中，給大家普及些資料分析的入門知識。

分割線——————————————————————————

什麼是資料分析？資料分析說白了就是讓資料變成生產力的一部分，是從海量的資料中窺視背後的業務邏輯，尋找出新的業務增長目標，或者及時發現業務潛在的問題。資料分析其實是服務於業務需求的，脫離了業務需求的資料分析就是在「打黑工」。

本文會嘗試從資料分析的流程，分析技能，名詞，指標體系，分析方法，商業化模型幾個方面簡要介紹資料分析涉及到一些知識。

資料分析流程是乙個思維框架，主要幫助和指導我們如何去做資料分析。目前業務資料分析標準流程為crisp-dm(cross-industry standard process for data mining)資料分析wiki;整個分析流程分為六個部分

如特徵描述，分布特性

所有的資料分析問題，不管是技術資料，還是產品資料都可以按照這個流程去進行分析，該流程可以很清晰地指導每一步需要做什麼，不會毫無頭緒，不知道從**入手去進行分析；

資料指標體系是指針對一種具體的業務場景，為了完成該場景的分析目標（分析問題和解決問題），搭建的技術體系，將業務的不確定性的描述轉化為確定性的資料描述。

我們在建立資料指標體系時，最好需要包含乙個指標文件，文件裡需要有以下內容：

資料分析需要具備一定的理論知識和分析思維

概率分析：離散概率分布，連續概率分布；

統計推斷：置信區間、假設檢驗、抽樣

rfm(recency,frequency,money)模型一般是用於篩選出需要重點運營的使用者：

一般可以通過對rfm資料進行標準化標準化，把rfm模型變為打分模型，通過可以有效圈選出可持續運營的高質量使用者

作用：找到增長的切入點，拉新，提頻，收入；

可以通過對使用者行為資料的分析，對使用者進行分類，進而視當前產品所處階段，採用不同的運營手段；