如何对一个行业做数据分析

① 如何快速了解一个行业，并且获取数据，进行初步的分析研究

近几年美国公布的相关数据分析中，薪酬最高、最吃香的行业中便有IT业。IT产业日益崛起，技术也被越来越多的人掌握，而往往最被看重的技能是：数据分析、风险管理、机器人技术、信息安全、网络技术。数据分析排名第一最受青睐。接收到这样的信号，一定有很多非专业人士也想成为数据分析师吧，如何速成数据分析师？下面的技能让你事半功倍。

技能一：理解数据库。

还以为要与文本数据打交道吗？答案是：NO！进入了这个领域，你会发现几乎一切都是用数据库来存储数据，如MySQL，Postgres，CouchDB，MongoDB，Cassandra等。理解数据库并且能熟练使用它，将是一个基础能力。

技能二：掌握数据整理、可视化和报表制作。

数据整理，是将原始数据转换成方便实用的格式，实用工具有DataWrangler和R。数据可视化，是创建和研究数据的视觉表现，实用工具有ggvis，D3，vega。数据报表是将数据分析和结果制作成报告。也是数据分析师的一个后续工作。这项技能是做数据分析师的主要技能。可以借助新型软件帮助自己迅速学会分析。如大数据魔镜—首款免费大数据可视化分析工具可视化分析软件(“魔镜”)既可以满足企业需求，也可以适应个人需要，是进行数据分析的一个新型而精准的产品。

技能三：懂设计

说到能制作报表成果，就不得不说说图表的设计。在运用图表表达数据分析师的观点时，懂不懂设计直接影响到图形的选择、版式的设计、颜色的搭配等，只有掌握设计原则才能让结果一目了然。否则图表杂乱无章，数据分析内容不能良好地呈现出来，分析结果就不能有效地传达。

技能四：几项专业技能

统计学技能——统计学是数据分析的基础，掌握统计学的基本知识是数据分析师的基本功。从数据采集、抽样到具体分析时的验证探索和预测都要用到统计学。

社会学技能——从社会化角度看，人有社会性，收群体心理的影响。数据分析师没有社会学基本技能，很难对市场现象做出合理解释。

另外，最好还能懂得财务管理知识和心理学概况。这些都将会使你做数据分析的过程更容易。

技能五：提升个人能力。

有了产品可以将数据展示出来，还需要具备基本的分析师能力。首先，要了解模型背后的逻辑，不能单纯地在模型中看，而要放到整个项目的上下文中去看。要理解数据的信息，形成一个整体系统，这样才能够做好细节。另外，与数据打交道，细心和耐心也是必不可少的。

技能六：随时贴近数据文化

拥有了数据分析的基本能力，还怕不够专业？不如让自己的生活中充满数据分析的气氛吧！试着多去数据分析的论坛看看，多浏览大数据知识的网站，让自己无时无刻不在进步，还怕不能学会数据分析吗？

拥有这些技能，再去做数据分析，数据将在你手里变得更亲切，做数据分析也会更简单更便捷，速成数据分析师不再遥远。

② 行业的数据分析报告是怎么做的

看达数据可以提供行业、品牌、品类、店铺等数据分析报告的分析与制作。

③ 数据分析行业怎么样，做数据分析需要什么条件

数据分析行业算是目前的朝阳行业，像金融，销售，产品，新媒体，推广等等，这些行业都离不开数据分析，大多数职位都要求你具备利用数据优化和增强你工作的能力，所以数据分析行业前景都是很好的，起码在大城市，不用担心就业问题。
至于条件嘛，因行业、职位而异，可以考个CDA认证，是目前国内数据分析方面的证书，做得比较权威、含金量比较高，很多企业都很认可，CDA数据分析师分为LEVELⅠ、Ⅱ、Ⅲ三个等级，成为一名合格的CDA数据分析师能够胜任企业不同层次的数据分析工作，有企业招标就把CDA LEVEL 2作为资格证书。

④ 如何做数据分析

数据分析行业应用,一般数据来源：智能手机 感知装置 物联网 社群媒体等 云计算存储.cda官网有很多行业案例,比如
风能发电业务场景
风力发电机有一个叶片，时间长了就要换，否则不安全，过去这个叶片一般10年换一次，因为没办法知道具体产品的使用情况，只能根据以往叶片老化的情况来估算。但这家公司在叶片上装了传感器，就能检测每个叶片的具体使用情况了，风大的地方，叶片老化快，可能8年就要换，风力均匀的地方，有些叶片可能用15年，这样就能节省资本更新的成本了。
而且，过去这家公司只生产设备，这些设备被卖到国外，具体安装到什么地方，他是不知道的，有了传感器，公司就能知道这些发电机被安装到哪里，这些地方的风力是大是小，一年四季哪天有风哪天有雨，这些数据都可以获取。根据这些数据，就能知道哪些地区风力资源丰富，有重点地规划未来市场。传统的行业利用大数据，就能更好地实现市场预判和销售提升，分分钟实现逆袭。

⑤ 怎么做商业数据分析

商业数据分析一般分为5个步骤：收集、清洗、对比、细分、溯源。

1. 数据收集
   

当我们在做数据分析时，第一步要解决的问题肯定就是数据源的问题。Allen通常把数据分为二大类。第一类是直接能获取的数据，通常都是内部数据。无非就是从网站后台或者是自己家的数据库里面导。第二类就是外部数据，需要经过加工整理后得到的数据。

典型的数据来源有：网络指数、阿里指数、梅花网、cnzz等。

2. 数据清洗

清洗数据（筛选、清除、补充、纠正）的目的是从大量的、杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据。清洗后、保存下来真正有价值、有条理的数据，为后面做数据分析减少分析障碍。

3. 数据对比

对比，是数据分析的切入点。因为如果没参照物，数据就没有一个定量的评估标准。通常情况下我们从二个点去切入进行数据对比分析：1.横向对比 2.纵向对比

横向对比，与行业平均数据，与竞争对手的数据进行比对。举个粟子，比如你家的APP用户留存率是60%，而行业平均留存是70%或竞争对手的用户留存率是70%，那就说明你家的产品在留存率方面有待加强！

纵向对比，与自家产品的历史数据进行对比，围绕着时间轴来对比。还是用用户留存率来进行举粟子吧，比如，APP改版前30天，新用户留存率是70%的，而新版APP发布后，新用户留存率降了10%或者升了5%，这就产生了问题，到底是那些因素导致数据产生了异常呢？

4. 数据细分

数据对比发现了异常，我们当然想知道是什么原因导致的。这里就要用到数据细分了，数据细分通常情况下先分纬度，再分粒度。

何谓为纬度？按时间分类就是时间纬度，按地区分类就是地域纬度，按来路分类就是来源纬度，按受访页面分类就是受访纬度。今天APP访问量涨了5%，咋回事不知道，你细分一看，大部分网页都没涨，某个频道某个活动页涨了300%，这就清楚了，这就是细分最简单的范例，其实很多领域都通用。

粒度是什么？你时间纬度，是按照天，还是按照小时？这就是粒度差异，你来路纬度，是来路的网站，还是来路的url，这就是粒度的差异；纬度结合粒度进行细分，就可以将对比的差异值逐级锁定问题区域，就可以更容易地寻找出发生问题的原因了。

5.数据溯源

通常情况下，通过数据细分就能分析出大多数问题的原因并推导出结论了。但也有特殊的情况，即使具体到粒度了也得不出有说服力的结论。

这时候我们再进一步，通过数据溯源就能找出问题的原因。依据锁定的这个纬度和粒度作为搜索条件，查询所涉及的源日志，源记录，然后基于此分析和反思用户的行为，往往会有惊人的发现。

⑥ 数据分析行业做哪些工作

数据产业的每个环节都需要依靠专业人员完成，因此，必须培养和造就一支掌握数据技术、懂管理、有数据应用经验的数据建设专业队伍。目前数据相关人才的欠缺严重阻碍数据市场发展。据 Gartner预测，到2017年，全球将新增440万个与数据相关的工作岗位，且会有25%的组织设立首席数据官职位。

数据分析的相关职位需要的是复合型人才，能够对数学、统计学、数据分析、机器学习和自然语言处理等多方面知识综合掌控。未来，数据分析将会出现约100万的人才缺口，在各个行业，数据分析中高端人才都会成为炙手可热的人才，涵盖了大数据的数据开发工程师、数据分析师、数据架构师、数据后台开发工程师、算法工程师等多个方向。因此需要高校和企业共同努力去培养和挖掘。目前大的问题是很多高校缺乏大数据，所以拥有大数据的企业应该与学校联合培养人才数据分析人才。

⑦ 如何做好数据分析

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

⑧ 如何做一份完整的数据分析报告

了解整理数据来源或者采集数据；

理解数据、处理数据；用工具Excel、数据库等对数据进行处理。

掌握数据整理、可视化和报表制作：数据整理，是将原始数据转换成方便实用的格式，Excel在协同工作上并不是一个好工具，报表FineReport比较推荐。项目部署的Tableau、FineBI、Qlikview一类BI工具，有没有好好培训学习，这些便捷的工具都能淡化数据分析时一些重复性操作，把精力更多留于分析。

⑨ 如何成为一个数据分析师需要具备哪些技能

成为一名数据分析师所需要具备的技能总结：

• 数学知识
  

对于初级数据分析师来说，则需要了解统计相关的基础性内容，公式计算，统计模型等。当你获得一份数据集时，需要先进行了解数据集的质量，进行描述统计。

而对于高级数据分析师，必须具备统计模型的能力，线性代数也要有一定的了解。

• 分析工具

对于分析工具，SQL是必须会的，还有要熟悉Excel数据透视表和公式的使用，另外，还要学会一个统计分析工具，SAS作为入门是比较好的，VBA 基本必备，SPSS/SAS/R 至少要熟练使用其中之一，其他分析工具（如 Matlab）可以视情况而定。

• 编程语言

数据分析领域最热门的两大语言是 R 和 Python。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力不足，学习曲线比较陡峭。Python 适用性强，可以将分析的过程脚本化。所以，如果你想在这一领域有所发展，学习 Python 也是相当有必要的。

当然其他编程语言也是需要掌握的。要有独立把数据化为己用的能力, 这其中SQL 是最基本的，你必须会用 SQL 查询数据、会快速写程序分析数据。当然，编程技术不需要达到软件工程师的水平。要想更深入的分析问题你可能还会用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

• 业务理解

对业务的理解是数据分析师工作的基础，数据的获取方案、指标的选取、还有最终结论的洞察，都依赖于数据分析师对业务本身的理解。

对于初级数据分析师，主要工作是提取数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级数据分析师，需要对业务有较为深入的了解，能够基于数据，提炼出有效观点，对实际业务能有所帮助。对于数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

• 逻辑思维

对于初级数据分析师，逻辑思维主要体现在数据分析过程中每一步都有目的性，知道自己需要用什么样的手段，达到什么样的目标。对于高级数据分析师，逻辑思维主要体现在搭建完整有效的分析框架，了解分析对象之间的关联关系，清楚每一个指标变化的前因后果，会给业务带来的影响。对于数据挖掘工程师，罗辑思维除了体现在和业务相关的分析工作上，还包括算法逻辑，程序逻辑等，所以对逻辑思维的要求也是最高的。

• 数据可视化

数据可视化主要借助于图形化手段，清晰有效地传达与沟通信息。听起来很高大上，其实包括的范围很广，做个 PPT 里边放上数据图表也可以算是数据可视化。

对于初级数据分析师，能用 Excel 和 PPT 做出基本的图表和报告，能清楚地展示数据，就达到目标了。对于稍高级的数据分析师，需要使用更有效的数据分析工具，根据实际需求做出或简单或复杂，但适合受众观看的数据可视化内容。

• 协调沟通

数据分析师不仅需要具备破译数据的能力，也经常被要求向项目经理和部门主管提供有关某些数据点的建议，所以，你需要有较强的交流能力。

对于高级数据分析师，需要开始独立带项目，或者和产品做一些合作，因此除了沟通能力以外，还需要一些项目协调能力。

⑩ 如何做数据分析

做数据分析步骤如下：

1.明确目的和思路

首先明白本次的目的，梳理分析思路，并搭建整体分析框架，把分析目的分解，化为若干的点，清晰明了，即分析的目的，用户什么样的，如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

2.数据收集

根据目的和需求，对数据分析的整体流程梳理，找到自己的数据源，进行数据分析，一般数据来源于四种方式：数据库、第三方数据统计工具、专业的调研机构的统计年鉴或报告、市场调查。

对于数据的收集需要预先做埋点，在发布前一定要经过谨慎的校验和测试，因为一旦版本发布出去而数据采集出了问题，就获取不到所需要的数据，影响分析。

3.数据处理

数据收集就会有各种各样的数据，有些是有效的有些是无用的，这时候就要根据目的，对数据进行处理，处理主要包括数据清洗、数据转化、数据提取、数据计算等处理方法，将各种原始数据加工成为产品经理需要的直观的可看数据。

4.数据分析

数据处理好之后，就要进行数据分析，数据分析是用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、SAS等。

数据挖掘是一种高级的数据分析方法，你需要掌握数据挖掘基础理论，数据库操作Phython，R语言， Java 等编程语言的使用以及高级的数据可视化技术。要侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

5.数据展现

一般情况下，数据是通过表格和图形的方式来呈现的。常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

6.报告撰写

撰写报告一定要图文结合，清晰明了，框架一定要清楚，能够让阅读者读懂才行。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

好的数据分析报告需要有明确的结论、建议或解决方案。关于如何做好数据分析的更多问题，可以到一家专业的机构看看，例如CDA数据认证中心就不错。CDA行业标准由国际范围数据领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。