鏈接：https://pan.baidu.com/s/1ae0sJhXULS9IFnasBeC5uQ?pwd=h9be?

提取碼：h9be

編輯推薦

適讀人群 ：本書(shū)適合工作了1～3 年的初級(jí)數(shù)據(jù)分析師；已經(jīng)掌握了數(shù)據(jù)分析工具，需要培養(yǎng)數(shù)據(jù)思維的轉(zhuǎn)行人員；數(shù)據(jù)科學(xué)行業(yè)的人力專家和獵頭等。

本書(shū)作者是互聯(lián)網(wǎng)大廠資深數(shù)據(jù)分析師

作者累計(jì)創(chuàng)作 “100+”篇數(shù)據(jù)分析原創(chuàng)文章，全網(wǎng)累計(jì)閱讀量超1000000

本書(shū)是數(shù)據(jù)分析方法論與統(tǒng)計(jì)學(xué)知識(shí)、編程語(yǔ)言及應(yīng)用案例的完美結(jié)合

內(nèi)容覆蓋數(shù)據(jù)思維 數(shù)據(jù)治理 數(shù)據(jù)埋點(diǎn) 數(shù)據(jù)標(biāo)簽 數(shù)據(jù)指標(biāo)體系 數(shù)據(jù)中臺(tái) 數(shù)據(jù)之道

本書(shū)適合工作了1～3 年的初級(jí)數(shù)據(jù)分析師

已經(jīng)掌握了數(shù)據(jù)分析工具，需要培養(yǎng)數(shù)據(jù)思維的轉(zhuǎn)行人員

數(shù)據(jù)科學(xué)行業(yè)的人力專家和獵頭等

內(nèi)容簡(jiǎn)介

本書(shū)以數(shù)據(jù)思維為主題，以數(shù)據(jù)分析全流程為主線，融合了與數(shù)據(jù)思維相關(guān)的編程語(yǔ)言、統(tǒng)計(jì)學(xué)基礎(chǔ)及案例分析等內(nèi)容，全書(shū)分為4 篇，囊括了數(shù)據(jù)思維的概念和培養(yǎng)方法、數(shù)據(jù)來(lái)源及體系建設(shè)、數(shù)據(jù)分析三大思維方式及用戶流失、用戶轉(zhuǎn)化實(shí)戰(zhàn)等共11 章的內(nèi)容。本書(shū)囊括了數(shù)據(jù)分析中常用的分析方法，包括經(jīng)典的海盜（AARRR）模型、麥肯錫的MECE 模型、邏輯樹(shù)、漏斗分析、路徑分析、對(duì)比分析、A/B 試驗(yàn)、RFM 模型、K-Means 算法、5W2H 等分析方法，還包括各類方法的實(shí)踐案例及Python 實(shí)操項(xiàng)目?？梢哉f(shuō)本書(shū)是數(shù)據(jù)分析方法論與統(tǒng)計(jì)學(xué)知識(shí)、編程語(yǔ)言及應(yīng)用案例的完美結(jié)合。

本書(shū)適合工作了1～3 年的初級(jí)數(shù)據(jù)分析師；已經(jīng)掌握了數(shù)據(jù)分析工具，需要培養(yǎng)數(shù)據(jù)思維的轉(zhuǎn)行人員；數(shù)據(jù)科學(xué)行業(yè)的人力專家和獵頭等。

作者簡(jiǎn)介

李渝方，網(wǎng)名森夏恩，復(fù)旦大學(xué)碩士，生物醫(yī)學(xué)專業(yè)轉(zhuǎn)行互聯(lián)網(wǎng)數(shù)據(jù)分析，先后就職于游族網(wǎng)絡(luò)、 阿里巴巴，現(xiàn)就職于某互聯(lián)網(wǎng)大廠擔(dān)任數(shù)據(jù)分析師。知乎數(shù)據(jù)分析話穎的優(yōu)秀回答者， 公眾號(hào)“數(shù)據(jù)萬(wàn)花筒”運(yùn)營(yíng)者，累計(jì)創(chuàng)作 “100+”篇數(shù)據(jù)分析原創(chuàng)文章，原創(chuàng)文章在全網(wǎng)累計(jì)閱讀量超過(guò)百萬(wàn)！

隨書(shū)配套的數(shù)據(jù)資源可在公眾號(hào)“數(shù)據(jù)萬(wàn)花筒”后臺(tái)回復(fù) “數(shù)據(jù)思維” 獲取，或者掃描封底二維碼添加博文小助手來(lái)獲取。

精彩書(shū)評(píng)

數(shù)據(jù)分析經(jīng)常遇到的問(wèn)題就是沒(méi)有數(shù)據(jù)思維，本書(shū)介紹了數(shù)據(jù)分析常見(jiàn)的思維，并且輔以真實(shí)的互聯(lián)網(wǎng)大廠的案例，讓讀者可以從中學(xué)習(xí)如何應(yīng)用數(shù)據(jù)分析思維和方法來(lái)解決實(shí)際問(wèn)題，強(qiáng)烈建議想要學(xué)習(xí)數(shù)據(jù)分析以及想要培養(yǎng)數(shù)據(jù)思維的人都來(lái)學(xué)習(xí)一下。
前騰訊數(shù)據(jù)科學(xué)家，公眾號(hào)“漁好學(xué)”主編，陳友洋

數(shù)據(jù)分析是一門藝術(shù)。做好數(shù)據(jù)分析不是一件容易的事情，既要了解業(yè)務(wù)，又要有數(shù)據(jù)意識(shí)，還要懂得分析方法。本書(shū)從數(shù)據(jù)思維、數(shù)據(jù)體系、數(shù)據(jù)分析方法論等多個(gè)方面進(jìn)行了深入淺出的講解，同時(shí)結(jié)合作者在行業(yè)里多年的實(shí)踐經(jīng)驗(yàn)，沉淀，并整理成一套行之有效的學(xué)習(xí)體系，這對(duì)于很大一部分?jǐn)?shù)據(jù)分析師有非常好的指導(dǎo)意義。
游族數(shù)據(jù)中心負(fù)責(zé)人，賈彥龍

這本書(shū)從數(shù)據(jù)思維講起，幫助讀者建立完整的數(shù)據(jù)指標(biāo)體系，將各種方法是如何運(yùn)用到實(shí)戰(zhàn)中的講解得細(xì)致透徹。道、法、 器，從思維到方法，再到實(shí)踐，由表及里，逐漸深入，真的是書(shū)如其名：數(shù)據(jù)分析之道，是一本不可多得的好書(shū)，建議數(shù)據(jù)分析從業(yè)者都看一下，對(duì)業(yè)務(wù)有著很大的指導(dǎo)意義！
《Excel數(shù)據(jù)處理與分析》作者，公眾號(hào)“可樂(lè)的數(shù)據(jù)分析之路”負(fù)責(zé)人，可樂(lè)

本書(shū)以數(shù)據(jù)分析的思維方法串起了數(shù)據(jù)治理、數(shù)據(jù)埋點(diǎn)、數(shù)據(jù)指標(biāo)體系，幫助讀者理解如何建立數(shù)據(jù)思維。內(nèi)容層層遞進(jìn)，逐漸深入。通過(guò)樸實(shí)易懂、嚴(yán)謹(jǐn)客觀的文字，可以看出作者對(duì)數(shù)據(jù)分析的深刻理解。整本書(shū)在方法論提煉上亮點(diǎn)突出，在應(yīng)用實(shí)踐的案例闡述上也做到了深入淺出。對(duì)于數(shù)據(jù)分析初學(xué)者或進(jìn)階的人來(lái)說(shuō)，本書(shū)是一本很不錯(cuò)的從業(yè)工具書(shū)，特別適合互聯(lián)網(wǎng)從業(yè)人員，如數(shù)據(jù)分析師、產(chǎn)品經(jīng)理、運(yùn)營(yíng)人員。
字節(jié)跳動(dòng)策略產(chǎn)品，前游族數(shù)據(jù)產(chǎn)品總監(jiān)，李姣陽(yáng)

各行各業(yè)的人才都需要提高數(shù)據(jù)分析能力，從而提高在職場(chǎng)中的競(jìng)爭(zhēng)力，很多人誤以為學(xué)會(huì)SQL、Python這類工具就已經(jīng)精通數(shù)據(jù)分析了。在本書(shū)中明確了數(shù)據(jù)分析的本質(zhì)，從實(shí)際業(yè)務(wù)問(wèn)題出發(fā)，從定位問(wèn)題、提出問(wèn)題假設(shè)到數(shù)據(jù)采集，再運(yùn)用合適的數(shù)據(jù)分析方法解決這一類業(yè)務(wù)場(chǎng)景問(wèn)題。本書(shū)非常適合于需要提升數(shù)據(jù)分析能力的職場(chǎng)人，能幫助其找到優(yōu)化業(yè)務(wù)的路徑。
快手?jǐn)?shù)據(jù)分析師，公眾號(hào)“DataGo數(shù)據(jù)狗”主編，唐甜

跟渝方認(rèn)識(shí)有3年時(shí)間，她做研究、做工作總是很認(rèn)真、努力，給人積極向上的正能量。這本渝方用一年多時(shí)間寫(xiě)成的書(shū)，結(jié)合了她對(duì)工作的實(shí)踐總結(jié)和深度思考，能幫助數(shù)據(jù)分析師和其他相關(guān)業(yè)務(wù)人員培養(yǎng)數(shù)據(jù)思維，建立數(shù)據(jù)分析的方法論。
巨人網(wǎng)絡(luò)數(shù)據(jù)總監(jiān)，周晟

目錄

目 錄

第1 篇 數(shù)據(jù)思維

第1 章 數(shù)據(jù)思維是什么 1

1.1 從數(shù)據(jù)治理流程淺談數(shù)據(jù)思維 1

1.1.1 什么是數(shù)據(jù)治理 2

1.1.2 數(shù)據(jù)治理流程介紹 2

1.1.3 從數(shù)據(jù)治理流程談數(shù)據(jù)部門崗位職責(zé) . 3

1.1.4 數(shù)據(jù)分析師在數(shù)據(jù)治理流程中所需要的數(shù)據(jù)思維 . 4

1.2 數(shù)據(jù)思維到底是什么 5

1.2.1 應(yīng)用數(shù)據(jù)思維的工作 5

1.2.2 數(shù)據(jù)思維是可以培養(yǎng)的 .. 6

1.3 數(shù)據(jù)思維最直觀的解釋 6

1.3.1 構(gòu)建有效的監(jiān)控體系和客觀的評(píng)價(jià)標(biāo)準(zhǔn) . 7

1.3.2 用合理的分析方法探究原因以及評(píng)價(jià)效果 . 7

1.3.3 綜合運(yùn)用統(tǒng)計(jì)學(xué)知識(shí)對(duì)活動(dòng)效果進(jìn)行預(yù)估 . 8

第2 章 為什么數(shù)據(jù)思維如此重要 . 9

2.1 數(shù)據(jù)思維是數(shù)據(jù)分析師必備的技能 9

2.1.1 數(shù)據(jù)分析師必備的硬技能 9

2.1.2 數(shù)據(jù)分析師必備的軟技能 10

2.1.3 為什么軟技能比硬技能重要 10

2.2 數(shù)據(jù)思維是數(shù)據(jù)分析師成長(zhǎng)晉升的必備技能 11

2.3 數(shù)據(jù)思維能幫助數(shù)據(jù)分析師建立影響力 11

第3 章 數(shù)據(jù)思維如何培養(yǎng) 14

3.1 熟悉常用的數(shù)據(jù)分析方法 14

3.1.1 三大分析思維 14

3.1.2 不同生命周期的分析方法 15

3.2 樹(shù)立目標(biāo)意識(shí)，尋找潛在分析點(diǎn) 16

3.2.1 為什么需要樹(shù)立目標(biāo)意識(shí) 17

3.2.2 通過(guò)多問(wèn)“為什么”，樹(shù)立目標(biāo)意識(shí) . 18

3.3 不預(yù)設(shè)立場(chǎng)，通過(guò)客觀的標(biāo)準(zhǔn)代替主觀的判斷 19

3.3.1 不預(yù)設(shè)立場(chǎng)才能做到客觀 19

3.3.2 預(yù)設(shè)立場(chǎng)與假設(shè)檢驗(yàn)的區(qū)別 20

3.4 基于數(shù)據(jù)分析結(jié)果為業(yè)務(wù)方提出切實(shí)可行的解決方案 21

3.4.1 數(shù)據(jù)分析師提出合理建議需要經(jīng)歷的三個(gè)階段 21

3.4.2 數(shù)據(jù)分析師需要避免的幾種提建議的方式 23

第2 篇 數(shù)據(jù)指標(biāo)體系

第4 章 數(shù)據(jù)埋點(diǎn) . 27

4.1 數(shù)據(jù)埋點(diǎn)簡(jiǎn)介 27

4.1.1 從數(shù)據(jù)產(chǎn)生流程淺談數(shù)據(jù)埋點(diǎn) 28

4.1.2 為什么需要進(jìn)行數(shù)據(jù)埋點(diǎn) 29

4.1.3 數(shù)據(jù)埋點(diǎn)能夠采集哪些用戶數(shù)據(jù) 29

4.1.4 數(shù)據(jù)埋點(diǎn)與隱私保護(hù) 30

4.2 數(shù)據(jù)埋點(diǎn)分類及主流的數(shù)據(jù)上報(bào)技術(shù) 30

4.2.1 數(shù)據(jù)埋點(diǎn)的分類及方式 30

4.2.2 主流的數(shù)據(jù)上報(bào)技術(shù) 31

4.3 數(shù)據(jù)埋點(diǎn)方案設(shè)計(jì) 32

4.3.1 數(shù)據(jù)埋點(diǎn)流程 33

4.3.2 通過(guò)六個(gè)步驟實(shí)現(xiàn)數(shù)據(jù)埋點(diǎn)設(shè)計(jì) 34

4.3.3 以電商成交為例實(shí)現(xiàn)數(shù)據(jù)埋點(diǎn)設(shè)計(jì) 35

第5 章 數(shù)據(jù)標(biāo)簽體系 . 38

5.1 數(shù)據(jù)標(biāo)簽體系與用戶畫(huà)像 38

5.1.1 什么是數(shù)據(jù)標(biāo)簽體系 38

5.1.2 數(shù)據(jù)標(biāo)簽體系的作用 39

5.1.3 數(shù)據(jù)標(biāo)簽的分類 39

5.1.4 用戶數(shù)據(jù)標(biāo)簽的層級(jí)分類 40

5.1.5 數(shù)據(jù)標(biāo)簽體系與用戶畫(huà)像的關(guān)系 41

5.2 如何構(gòu)建數(shù)據(jù)標(biāo)簽體系 42

5.2.1 數(shù)據(jù)標(biāo)簽體系構(gòu)建的流程 42

5.2.2 數(shù)據(jù)分析師在標(biāo)簽體系構(gòu)建過(guò)程中承擔(dān)的角色 43

5.2.3 以某App 付費(fèi)用戶的數(shù)據(jù)標(biāo)簽體系的構(gòu)建為例，淺析數(shù)據(jù)標(biāo)簽體系構(gòu)

建過(guò)程 44

5.3 數(shù)據(jù)標(biāo)簽體系的應(yīng)用場(chǎng)景 47

5.3.1 數(shù)據(jù)標(biāo)簽體系輔助運(yùn)營(yíng)人員進(jìn)行決策分析 . 48

5.3.2 數(shù)據(jù)標(biāo)簽體系可提升數(shù)據(jù)分析師的分析效率 . 48

第6 章 數(shù)據(jù)指標(biāo)體系 49

6.1 從中國(guó)人口數(shù)據(jù)初識(shí)指標(biāo)體系構(gòu)建 49

6.1.1 什么是指標(biāo)體系 49

6.1.2 為什么需要指標(biāo)體系 50

6.1.3 指標(biāo)體系的評(píng)價(jià)標(biāo)準(zhǔn)及注意事項(xiàng). 53

6.2 用四個(gè)模型梳理數(shù)據(jù)指標(biāo)體系構(gòu)建的方法論 53

6.2.1 構(gòu)建數(shù)據(jù)指標(biāo)體系的方法 54

6.2.2 用三個(gè)步驟、四個(gè)模型梳理數(shù)據(jù)指標(biāo)體系的方法 . 54

6.2.3 以GMV 為例搭建數(shù)據(jù)指標(biāo)體系 . 57

6.3 如何搭建一套通用的指標(biāo)體系并快速落地應(yīng)用 60

6.3.1 多部門配合搭建數(shù)據(jù)指標(biāo)體系的流程 . 60

6.3.2 搭建通用的指標(biāo)體系 61

6.4 定位異動(dòng)因素 65

6.4.1 數(shù)據(jù)波動(dòng)多少才能稱為數(shù)據(jù)異動(dòng). 65

6.4.2 數(shù)據(jù)波動(dòng)分析的方法論 65

6.4.3 從數(shù)據(jù)埋點(diǎn)到指標(biāo)體系再到指標(biāo)異動(dòng)的閉環(huán) . 70

第3 篇 數(shù)據(jù)分析方法論

第7 章 對(duì)比思維 . 71

7.1 利用對(duì)比分析得出結(jié)論 71

7.1.1 對(duì)比分析的作用 71

7.1.2 確定對(duì)比的對(duì)象 72

7.1.3 如何對(duì)比 72

7.1.4 對(duì)比分析的可比性原則 77

7.2 A/B 試驗(yàn)設(shè)計(jì)及容易忽略的誤區(qū) . 78

7.2.1 什么是A/B 試驗(yàn) . 78

7.2.2 A/B 試驗(yàn)?zāi)芙鉀Q什么問(wèn)題 . 78

7.2.3 A/B 試驗(yàn)的流程 . 79

7.2.4 A/B 試驗(yàn)常見(jiàn)的誤區(qū) 82

7.3 A/B 試驗(yàn)背后涉及的統(tǒng)計(jì)學(xué)原理 . 87

7.3.1 什么是抽樣 87

7.3.2 樣本為什么可以代表總體 88

7.3.3 通過(guò)假設(shè)檢驗(yàn)判斷A、B 兩組樣本是否存在差異 . 90

7.3.4 如何通過(guò)樣本估計(jì)總體 91

7.3.5 如何確定足夠的樣本量，以達(dá)到所希望的邊際誤差 92

7.3.6 如何衡量試驗(yàn)效果 94

7.3.7 多重比較中P 值修正的三方法 96

7.4 Python 實(shí)戰(zhàn)：A/B 試驗(yàn)在廣告方案選擇中的應(yīng)用 96

7.4.1 試驗(yàn)背景 96

7.4.2 數(shù)據(jù)基本情況探索 97

7.4.3 A/B 試驗(yàn)結(jié)果分析 98

第8 章 分群思維 . 102

8.1 從用戶生命周期淺談分群思維 102

8.1.1 什么是分群思維 102

8.1.2 為什么需要用戶分群 104

8.1.3 用戶分群方法論 106

8.2 用數(shù)據(jù)分箱進(jìn)行結(jié)構(gòu)化分析 107

8.2.1 結(jié)構(gòu)化分析是什么 107

8.2.2 如何更加高效地做結(jié)構(gòu)化分析 109

8.3 同期群分析解讀用戶生命周期，剖析真實(shí)用戶行為和價(jià)值 110

8.3.1 同期群分析是什么 111

8.3.2 做同期群分析的意義 112

8.3.3 數(shù)據(jù)分析師如何快速地做同期群分析 113

8.4 Python 實(shí)戰(zhàn)：基于RFM 模型及K-Means 算法實(shí)現(xiàn)用戶分群 . 115

8.4.1 RFM 模型與K-Means 算法介紹 116

8.4.2 RFM 模型實(shí)現(xiàn)用戶分群 . 118

8.4.3 K-Means 算法實(shí)現(xiàn)用戶分群 123

第9 章 相關(guān)與因果 . 133

9.1 相關(guān)性分析簡(jiǎn)介 133

9.1.1 相關(guān)性分析與相關(guān)系數(shù) 133

9.1.2 常用的三種相關(guān)系數(shù) 134

9.1.3 相關(guān)系數(shù)實(shí)戰(zhàn) 136

9.2 因果推斷方法論 138

9.2.1 相關(guān)性不等于因果性的示例 139

9.2.2 從辛普森悖論談因果推斷 139

9.2.3 因果推斷的三個(gè)層級(jí) 141

9.2.4 因果推斷的方法 141

9.2.5 因果推斷常用的框架 144

9.3 Python 實(shí)戰(zhàn)：利用DoWhy 框架實(shí)現(xiàn)因果推斷 . 144

9.3.1 DoWhy 因果推斷框架簡(jiǎn)介 . 145

9.3.2 數(shù)據(jù)來(lái)源及預(yù)處理 145

9.3.3 數(shù)據(jù)相關(guān)性探索 148

9.3.4 因果推斷實(shí)現(xiàn) 149

第4 篇 數(shù)據(jù)分析案例實(shí)戰(zhàn)

第10 章 用戶流失分析 159

10.1 用戶流失分析方法論 159

10.1.1 用戶流失分析總體方法論 160

10.1.2 定義流失用戶的方法 161

10.1.3 分析用戶流失的原因 164

10.1.4 生成流失用戶標(biāo)簽 164

10.1.5 預(yù)測(cè)潛在流失用戶 165

10.1.6 分層運(yùn)營(yíng)及用戶召回 165

10.2 案例分析：用5W2H 方法分析游戲用戶流失原因 165

10.2.1 情景介紹 165

10.2.2 5W2H 方法介紹 . 166

10.2.3 以游戲用戶流失為例，詳解5W2H 方法 167

10.3 用5 個(gè)理論模型構(gòu)建外部因素分析框架 170

10.3.1 通過(guò)SWOT 模型全面認(rèn)識(shí)產(chǎn)品 . 171

10.3.2 PEST 模型分析外部宏觀環(huán)境的四個(gè)視角 171

10.3.3 用波特五力模型分析競(jìng)品的五個(gè)維度 . 172

10.3.4 用4P 理論指導(dǎo)競(jìng)品分析 173

10.3.5 用戶體驗(yàn)五要素模型優(yōu)化產(chǎn)品功能，減少用戶流失 . 174

10.3.6 幾個(gè)模型之間的關(guān)聯(lián) 175

10.4 如何設(shè)計(jì)問(wèn)卷驗(yàn)證用戶流失的原因 176

10.4.1 問(wèn)卷可以做什么 176

10.4.2 如何設(shè)計(jì)問(wèn)卷 176

10.4.3 問(wèn)卷的投放 180

10.4.4 數(shù)據(jù)分析及報(bào)告撰寫(xiě) 181

10.4.5 通過(guò)問(wèn)卷獲取信息可能存在的問(wèn)題 181

10.5 Python 實(shí)戰(zhàn)：通過(guò)生存分析預(yù)測(cè)用戶流失周期 182

10.5.1 生存分析 182

10.5.2 數(shù)據(jù)基本情況探索 184

10.5.3 探索變量之間的相關(guān)性 188

10.5.4 用KM 模型分析用戶留存率 189

10.5.5 Cox 風(fēng)險(xiǎn)比例模型 190

第11 章 用戶轉(zhuǎn)化與付費(fèi)分析 197

11.1 用戶轉(zhuǎn)化與付費(fèi)分析概述 197

11.1.1 從用戶轉(zhuǎn)化談數(shù)據(jù)分析師的職責(zé) 197

11.1.2 用戶轉(zhuǎn)化與付費(fèi)常用的分析方法介紹 198

11.2 貝葉斯公式在用戶轉(zhuǎn)化中的應(yīng)用 198

11.2.1 貝葉斯公式簡(jiǎn)介 199

11.2.2 用貝葉斯公式預(yù)估特定群體的轉(zhuǎn)化率 199

11.3 案例分析：用漏斗模型分析某電商平臺(tái)換貨業(yè)務(wù)，提升用戶轉(zhuǎn)化率 201

11.3.1 什么是漏斗分析 201

11.3.2 漏斗分析的核心步驟 202

11.3.3 以某電商平臺(tái)逆向上門取件換貨業(yè)務(wù)為例，詳解漏斗分析法. 203

11.4 用營(yíng)銷增益模型實(shí)現(xiàn)用戶分群，輔助運(yùn)營(yíng)人員識(shí)別營(yíng)銷敏感人群 208

11.4.1 什么是營(yíng)銷增益模型 208

11.4.2 為什么需要營(yíng)銷增益模型 209

11.4.3 營(yíng)銷增益模型的建模方法 210

11.4.4 營(yíng)銷增益模型的評(píng)價(jià)指標(biāo) 211

11.5 Python 實(shí)戰(zhàn)：利用營(yíng)銷增益模型識(shí)別營(yíng)銷敏感人群 212

11.5.1 數(shù)據(jù)初步探索 212

11.5.2 數(shù)據(jù)預(yù)處理及數(shù)據(jù)可視化 214

11.5.3 構(gòu)建營(yíng)銷增益模型 216

附錄A 縮略詞及中英文對(duì)照 . 219

參考文獻(xiàn) . 221

查看全部↓

前言/序言

前 言

為什么會(huì)寫(xiě)這本書(shū)

市面上大部分?jǐn)?shù)據(jù)分析相關(guān)的書(shū)籍都是從工具的介紹開(kāi)始的，但很多時(shí)候數(shù)據(jù)分析主要依靠數(shù)據(jù)思維。特別是面對(duì)復(fù)雜業(yè)務(wù)場(chǎng)景時(shí)，對(duì)于業(yè)務(wù)的熟悉程度及數(shù)據(jù)思維顯得尤為重要。因?yàn)閿?shù)據(jù)思維決定了分析問(wèn)題的角度及合理性，只要數(shù)據(jù)分析師能夠針對(duì)特定問(wèn)題提出分析方案，無(wú)論用什么工具都可以得到結(jié)果，因此數(shù)據(jù)思維是數(shù)據(jù)分析師成長(zhǎng)進(jìn)階路上的必修課。

而市面上關(guān)于數(shù)據(jù)思維的書(shū)籍較少且部分書(shū)籍講授的知識(shí)點(diǎn)較淺，能夠?qū)?shù)據(jù)思維、編程語(yǔ)言、統(tǒng)計(jì)學(xué)思想及案例分析等融為一體的書(shū)籍少之又少，于是我萌生了寫(xiě)一本以數(shù)據(jù)分析全流程為主線的數(shù)據(jù)思維相關(guān)書(shū)籍的想法。由于我長(zhǎng)期堅(jiān)持在自媒體上分享數(shù)據(jù)分析相關(guān)的轉(zhuǎn)行經(jīng)驗(yàn)、數(shù)據(jù)思維相關(guān)的思考，幾年下來(lái)積淀了不少受大家歡迎的文章，為書(shū)籍的創(chuàng)作奠定了一定基礎(chǔ)，因此有編輯陸續(xù)邀請(qǐng)我寫(xiě)書(shū)。最終，選擇和電子工業(yè)出版社張慧敏老師合作，也開(kāi)始了我的寫(xiě)書(shū)歷程。

本書(shū)特色

本書(shū)以數(shù)據(jù)思維為主題，以數(shù)據(jù)分析全流程為主線，融合了編程語(yǔ)言、統(tǒng)計(jì)學(xué)基礎(chǔ)及

案例分析等內(nèi)容，全書(shū)分為4 篇，囊括了數(shù)據(jù)思維的概念和培養(yǎng)方法、數(shù)據(jù)來(lái)源及體系

建設(shè)、數(shù)據(jù)分析三大思維方式及用戶流失、用戶轉(zhuǎn)化實(shí)戰(zhàn)等共11 章的內(nèi)容。本書(shū)囊括了