做数据分析时,你的方法论是什么
当你完成一份数据分析报告时,不知领导是否有问过你,“你的分析方法论是什么?”。如果分析方法论不正确或不合理,那分析结果参考价值几何呢?
相信很多人在做数据分析时,会经常遇到这几个问题:不知从哪方面入手开展分析;分析的内容和指标常常被质疑是否合理、完整,自己也说不出个所以然来。当然我也一样,处在数据分析的学习阶段,对这些问题常常会感到困惑。
这就是为什么强调数据分析方法论。当方法论结合了实际业务,才能尽量确保数据分析维度的完整性和结果的有效性。
数据分析的三大作用,主要是:现状分析、原因分析和预测分析。什么时候开展什么样的数据分析,需要根据我们的需求和目的来确定。
数据分析的一般步骤:
数据分析的目的越明确,分析越有价值。明确目的后,需要梳理思路,搭建分析框架,把分析目的分解成若干个不同的分析要点,然后针对每个分析要点确定分析方法和具体分析指标;最后,确保分析框架的体系化(体系化,即先分析什么,后分析什么,使得各个分析点之间具有逻辑联系),使分析结果具有说服力。
那么,如何保证分析框架的体系化呢?
以营销、管理等理论为指导,结合实际业务情况,搭建分析框架,这样才能尽量确保数据分析维度的完整性,结果的有效性及正确性。
营销方面的理论模型有:4P、用户使用行为、STP理论、SWOT等。
管理方面的理论模型有:PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等。
这里主要说明:PEST、5W2H、逻辑树、4P、用户使用行为这五个比较经典实用的理论,了解如何在搭建数据分析框架时应用它们作指导。
PEST,即政治(Political)、经济(Economic)、社会(Social)和技术(Technological):
P:构成政治环境的关键指标有,政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等;
E:构成经济环境的关键指标有,GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等;
S:构成社会文化环境的关键指标有:人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素;
T:构成技术环境的关键指标有:新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。
eg:仅作举例,不代表只考虑这几点因素
5W2H,即何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much),应用相对广泛,可用于用户行为分析、业务问题专题分析、营销活动等。
该方法广泛应用于企业营销、管理活动,对于决策和执行性的活动措施非常有帮助,也有助于弥补考虑问题的疏漏。
eg:仅作举例,不代表只考虑这几点因素
逻辑树,又称问题树、演绎树或分解树等。它是将问题的所有子问题分层罗列,从最高层开始,并逐步向下扩展。
逻辑树的作用主要是帮我们理清自己的思路,避免进行重复和无关的思考。
逻辑树的使用必须遵循以下三个原则:
要素化:把相同问题总结归纳成要素。
框架化:将各个要素组织成框架,遵守不重不漏的原则。
关联化:框架内的各要素保持必要的相互关系,简单而不孤立。
缺点:涉及的相关问题可能有遗漏,虽然可以用头脑风暴把涉及的问题总结归纳出来,但还是难以避免存在考虑不周全的地方。所以在使用逻辑树的时候,尽量把涉及的问题或要素考虑周全。
eg:仅作举例,不代表只考虑这几点因素
4P,即产品(Product)、价格(Price)、渠道(Place)、促销(Promotion)
eg:仅作举例,不代表只考虑这几点因素
用户使用行为,即用户为获取、使用物品或服务所采取的各种行动。用户对产品首先需要有一个认知、熟悉的过程,然后试用,再决定是否继续消费使用,最后成为忠诚用户。
用户使用行为的完整过程:
可以利用用户使用行为理论,梳理产品分析的各关键指标之间的逻辑关系,构建符合公司实际业务的产品分析指标体系。
eg:仅作举例,不代表只考虑这几点因素
这些方法论并非只能单独使用,可以根据具体情况选择合适的方法论嵌套使用。
明确数据分析方法论的主要作用:
理顺分析思路,确保数据分析结构体系化;
把问题分解成相关联的部分,并显示它们之间的关系;
为后续数据分析的开展指引方向;
确保分析结果的有效性及正确性。
明确数据分析方法论和数据分析法的区别:
数据分析方法论主要是从宏观角度指导如何进行数据分析,它就像是一个数据分析的前期规划,指导着后期数据分析工作的开展。而数据分析法则指具体的分析方法,比如对比分析、交叉分析、相关分析、回归分析等。数据分析法主要从微观角度指导如何进行数据分析。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21