本系列是从0开始学习数据分析文章。
从0到1，从工具到思维，系统掌握业务实操型数据分析知识体系。
考虑到内容较多，故分为系列文章，具体多久更完？看吧。。大概15篇
为什么做这期？
数据分析越来越重要。用数据分析解决业务问题：如网站流量分析、留存分析、消费行为、运营策略分析等。汇报展示，打造有说服力的“数据报告”。
我学习数据分析的目的是优化我的应用“公考相伴”社交平台。
整个系列目录如下：
一、数据分析初相识
走进数据分析
多种多样的数据类型
统计指标：集中趋势、离散趋势、分布形态
异常值的识别与处理
数据分析的6大步骤
二、Excel入门到表格分析
Excel功能介绍
核心函数库：文本函数、数学函数、逻辑函数、条件聚合函数
函数对数据进行预处理
数据去重、拆分、排序、筛选
查找与引用函数
使用数据透视表快速汇总
认识图表、床架你图标
实战：大数据人才需求分析报告
三、SQL入门
SQL
表、字段、记录
MySQL与Navicat的可视化工具
增删改查命令
数据筛选和排序
函数计算数据
对数据进行分类汇总
联表查询
存储数据
四、数据可视化理器Tableau
Tableau
如何获取数据
准备数据
构建图表
创建仪表板
创建故事
保存与发布
实战：美妆产品销售分析
五、Python网络爬虫
爬虫
Request库
BeautifulSoup
尝试改写网页
遍历整个网页
登陆问题
爬取整个网站
解析JSON
存储数据到CSV
实战：爬取销售数据
六、Python的pandas、matplotlib
Pandas
读取数据
请理数据：缺失、重复、异常、空值
数据运算：排序与筛选
Matplotlib
画布
绘制直方图、折线图、散点图
调整视觉标签、设置多图并列
七、初识互联网商业模式
互联网行业
行业研究方法
企业研究方法
B2C/C2C商业模式
O2O/B2B商业模式
B2B2C商业模式
八、解析数据指标体系
用户生命周期
用户指标
留存指标
时长指标
渠道指标
功能指标
销售指标
直播类指标
九、构建用户画像
用户画像
创建用户标签
创建用户画像
RFM模型
Excel实现RFM模型
实战：消费者用户画像分析
十、用户引流与转化
网站流量
漏斗分析
AARRR用户增长模型
用户下单基本流程
分析下单路径中的关键优化点
Excel绘制漏斗图
实战：电商推广渠道分析
十一、分析消费行为，优化营销渠道和推荐系统
计算复购率
计算回购率
分析男女用户消费频次是否有差异
分析用户头部贡献了多少成交
分析那类商品最畅销
相关性分析
聚类分析
实战：直播带货数据VS消费者偏好
十二、预售销售额、调整运营策略
销售数据
线性回归模型
线性回归模型预测数据
销售额影响因素
确认销售额优化方向
实战：预测电商双十一销售额
共享单车为什么推广红包车
红包策略引导用户再分布
成本优化解决方案
十三、促进用户活跃度、提升用户留存
用户活跃度
影响活跃度的因素
签到功能、积分体系
实战：如何提升用户活跃度
Excel计算留存率
ahaMoment提升留存
寻找流失点
实战：留存率下降原因分析
十四、AB实验迭代功能
AB实验的基本概念、应用场景
AB实验的统计学原理：假设检验
AB实验的业务基础：流量分层
AB实验的基本流程
AB实验结果的分析与解读
实战：AB实验真的有用吗？
寻找异常下单行为
杜邦分析法
实战：识别电商异常数据
十五、撰写数据报告
数据分析报告结构
数据报告的分析思路与框架
图表展示
PPT排版设计
图文排版技巧
数据报告演讲技巧
本期目录：
数据分析初相识
走进数据分析
多种多样的数据类型
统计指标：集中趋势、离散趋势、分布形态
异常值的识别与处理
数据分析的6大步骤
一、数据分析初相识：
1.走进数据分析
随着互联网的发展，任何岗位都离不开数据分析。
互联网产生数据，数据产生价值，数据分析就是找出价值。
例如中国联通的数据分析JD就是构建用户画像，推荐相关产品。
用户：网上购物——评价、购买量、价格
产品：设计优化——跟踪用户行为、监测数据
运营：成交量——数据指标、有效营销手段
数据分析师需要掌握：
硬性数据处理和分析工具的使用
对事物的认知方式、经验积累
总之，数据分析的流程如下：
确定分析目标
数据获取
数据清洗
数据探索
洞察结论
数据报告
互联网数据分析：
互联网是信息传输的一种载体，通过电子化的方式留存信息、与传统线下基于实物的传输方式相对应。互联网数据分析就是对基于线上产生的数据的规律进行总结、提炼，帮助我们做出决策。数据就是原始的生产材料。
就比如纸币等值于数字货币。
2.多种多样的数据类型
数据，是对事物的描述和记录。
根据计量层次，进一步对数据进行分类。
2.1定类数据
按照类别属性进行分类，各类别之间是平等并列关系。
这种数据不带数量信息，并且不能在各类别间进行排序
主要数值运算，计算每一类别中的项目的频数和频率
2.2定序数据
可以进行排序、比较优劣
可以将编码进行排序，可以表示之间的高低差异
2.3定距数据
具有一定单位的实际测量值
精确性比定类数据、定序数据更高
可以计算各变量之间的实际差距(加/减)
2.4定比数据
可以比较大小，进行加、减、乘、除运算
定距尺度中，0表示数值，定比尺度中，0表示没有
定比数据中存在绝对零点的，而定距数据不存在
以上4种类型数据，统称为定性、定量数据：
定性数据：一组表示事物性质、规定事物类别的文字表述型数据。（包括定类数据、定序数据）
定量数据：以数量形式存在着的属性，并因此可以对其进行测量。（包括定距数据、定比数据）
把这些数据以一定的标准组合起来的时候就是数据矩阵/二维数据表
3.统计指标
体现总体数量特征的概念和数值。
根据数据分析的目的不同，统计指标也会变化。
如房屋设计中，统计对象是建筑面积、竣工面积等。
又如提升用户转化率中，统计对象是网站浏览量、着陆页、跳失率。
统计指标根据它要体现的内容分为总体、相对2大类。
基础统计指标如下：
总量指标：特定条件下的总规模、总水平或工作总量。如GDP、总人口、销售总额。即常说的总和SUM。是一种最基本的统计指标
平均指标：用一个数字显示其一般水平。也叫集中趋势指标
相对指标：体现相对情况的指标。通过2个有联系的现象数值相比得到的比率。描述的是相对关系，而不是总体情况。
比例=各数据/总比%
比率=数据项：数据项
倍数可以突出上升、增长幅度。
学过行测的都知道r增长率，考查销售情况可以通过环比、同比增长率求得。
环比更注重短期的涨幅表现，同比更注重长期的涨幅表现。
4.统计指标：集中趋势指标
数据分析过程中，常遇到这些问题：
简单的方法可以通过平均值来了解不同选择的平均水平，进而得出初步结论。
平均值是集中趋势指标中的一种。
集中趋势指标，用于体现数据一般水平的指标，帮助我们最快速了解样本数据的概况。最常用的就是平均值。
平均值=所有数据相加/数据的个数
中位数，按顺序排列后，居于中间位置的数。
众数，出现次数最多的数值。反映的是局部特征、密集度。且众数可有多个。
可见，对于集中趋势指标，不同的统计方式，统计标准，都是从不同的维度反映样本特性。
5.统计指标：离散趋势指标
离散趋势指标，体现内部差异度的指标。
极差
平均差
标准差
极差，相距最远的2个点之间的距离。体现数据内部最大的差异情况。
平均差，一组数据与平均值差异的平均差异。
其公式：
事件启动型的数据，在样本量较小的时候，容易导致误差。其对离散值数据更敏感。
标准差：
相对于平均差，标准差更能代表离散程度的指标。更加放大了他们之间的差异程度。
可见标准差更能体现差异程度。
标准差也是最常用的离散指标。
6.统计指标：分布形态指标
分布形态，将一组数据通过点线面的方式呈现出来的形态。
上图就是示例分布形态。
分布形态还可以是正太分布。
对于一组数据的分布形态而言，
高度意味着一般水平
宽度意味着离散程度
除了正太分布，还有：
分布形态的基本形态：
左偏分布
右偏分布
正太分布
7.判定、处理异常值
样本量没有那么大的情况下，可以通过与均值相除计算倍数的方式快速筛选异常值。
筛选出异常值后，需要对异常值
检测异常值：与总体差异度。
7.1判定异常值：
异常值的产生是有很多场景的，主要有：
错误记录
错误添加
真实、正确：判断是否反映特殊事件对异常值修改调整即可。如果是周期性数据就不做处理
7.2处理异常值：
对于需要进一步处理的数据，
错误数据：填充空值、填充样本平均值
真实、正确需要做调整的数据：根据实际情况调整：数值*需要调整比率
8.数据分析的流程
目标确定：解决什么问题？达到什么目的？
数据获取：字段设计、数据提取(SQL)
数据清洗：保证数据的可用性。主要针对异常值、空白值、无效值、重复值
数据整理：格式化（如日期的处理、行列格式化）、指标计算（基础的计算，如平均值、总额）
描述分析：数据描述（数据的基本情况）、指标统计（分析实际情况的数据指标）
洞察结论：数据报告核心，体现数据分析能力
撰写报告：报告背景（业务现状）、报告目的（解决什么问题）、数据基本情况（数据可信度）、可视化图表（数据的可理解程度）、策略选择(提出解决方案)
感谢读者和我一起从0开始，用数据解析世界！
yinlei你的鼓励是对我最大的支持！