不论是小白还是已经入行1-2年的新人，了解数据分析流程，熟悉各流程中需要注意的事项，都是很有必要的，这次特意帮大家梳理了一下。
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。
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，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。
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。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。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。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。
其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。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。数据库数据这里就不细讲了，我们只要知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。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。
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。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。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
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
...........
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
............
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。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。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。
相关阅读：
