周文全，暨南大学毕业，10多年工作经验，先后在中国电信、阿里巴巴、腾讯从事数据分析工作，亿级App商业增长负责人。

微信公众号“数据分析学习之道” 运营者，教授全网畅销课“Spring数据分析思维案例实战”。

优秀讲师，创作型职场从业者，擅长思维发散、问题分析与解决、探索新技术。

黄怡媛，本科为暨南大学经济学专业，硕士为英国巴斯大学创业与管理专业。毕业后在腾讯、阿里巴巴等国内一线互联网企业工作，参与过亿级toC产品的运营，也参与过toB产品从0到1的搭建，有5年多的产品运营和数据运营经验。擅长业务分析和策略制定，关注商业和科技行业动向，乐于探索新领域。

马炯雄，本科为广东工业大学信息管理与信息系统专业。毕业后在腾讯工作，有超过十年的产品运营和数据分析经验，对问题的拆解和数据指标体系的搭建有自己独特的见解和方法。

业务成效好不好，要用数据说话。本书系统地介绍了数据如何始于业务、取于业务、用于业务。既有扎实的理论铺设，又有具体的案例支撑，通俗易懂地回答了数据“怎么来”和“怎么用”的问题。如何保证业务数据的统一、完整、可复用，以及建立数据驱动、持续优化的闭环过程，从这本书开始学习吧!

前 言

为什么写本书

本书第一作者在大学的数据分析课程学习中，无意中发现了张筑生老师编著的《数学分析新讲》一书，当时觉得非常经典，认为所有给读者看的、带有普及教育意义的图书都应该用心写，能够真正解决读者学习上的困惑，让人受益匪浅。大学毕业之后，笔者一直从事数据分析工作，对该行业的现状、痛点、未来发展有了更加清晰的认识，比如大部分公司的数据分析师都是做提数、数据校验、日/周/月报工作的，并不知道如何去分析、解决业务问题；再如，很多分析师遇到一个业务问题，无法下手，很迷茫。这些都是要解决的问题，笔者也看过市面上的一些数据分析图书，这些书对业务问题的讲解不够透彻。回想大学时张老师的那本书，笔者决定把自己在企业多年工作的经验进行分享，让该行业的人少

走弯路，快速找到捷径。所以，笔者联合了其他两位在数据分析行业有着多年经验的作者一起创作了本书。

本书特色

与一般的数据分析图书不同，笔者在写作本书的时候尽量用案例来阐述每一个想表达的观点，对一些基础性的概念没有做过多篇幅的介绍，更多的是讲分析方法。这样来定位是因为市面上讲概念的图书太多了，读者既然去买书，就是需要一些有价值、可以直接应用的内容。

同时，细心的读者会发现本书第1~6章是一个连贯的过程，即如何有效地解决一个问题，这套逻辑同样适用于生活中遇到的困难。与麦肯锡的那几本概念书不同，这里笔者希望紧贴业务场景，提供更多干货。

另外，笔者尽量不去讲一些算法公式、代码等“高大上”的概念，因为这些内容只有在实际工作中去感受和抽象提炼才是最快、最有效的；如果读者看完就忘了，那还不如不看。对入门的读者来说，希望他们觉得数据分析很有趣，而不是晦涩难懂。

读者定位

数据分析从业者，即使你工作了5年、10年，本书同样适合你。

数据分析爱好者，相信你看了这些案例之后，会更加有兴趣，甚至可以尝试跳槽。

大学相关专业师生，可以结合本书的案例来学习。

学习建议

如果当前你对数据分析的相关知识了解得不多，那么建议你从本书第１章开始，先快速看完一遍，再精读，同时要找更多的人来交流、探讨。如果当前你对数据分析的相关知识已经有了一定的了解，建议选择性地阅读本书，看自己想知道的内容，这样效率更高，同时可以找作者交流、探讨。

如果当前你对数据分析的相关知识已经很了解，建议重点看一些案例，拓展自己的视野。

致谢

感谢大数据行业布道者邓凯、《活用数据：驱动业务的数据分析实战》作者陈哲老师的鼓励与支持，让笔者下定决心写本书。

感谢电子工业出版社张慧敏对书稿提出的修改建议和在写作过程中的督促与支持。

感谢笔者的家人，没有家人的爱与支持、理解与付出，就没有这本书。

作者：周文全

目 录

第1章　数据分析始于懂业务，切于指标体系 001

1.1　怎样才叫懂业务并高于业务视角 002

1.1.1　懂业务的三个标准 003

1.1.2　什么是高于业务视角 008

1.2　如何才能成为懂业务的专家 014

1.2.1　多想一步，不做只为完成工作的“机器人” 015

1.2.2　主动思考，培养批判性思维 018

1.3　四步法建立指标体系 021

1.3.1　指标的含义 021

1.3.2　指标体系的定义 022

1.3.3　指标体系建立的四个步骤 023

1.4　五大行业的业务目标和指标体系 028

1.4.1　能源行业的目标和指标体系——以中石化为例 029

1.4.2　政务行业的目标和指标体系——以粤省事为例 033

1.4.3　金融行业的目标和指标体系——以建行App 为例 035

1.4.4　教育行业的目标和指标体系——以腾讯课堂为例 037

1.4.5　互联网行业的目标和指标体系 039

第2章　良好的目标拆解能够让分析事半功倍 043

2.1　目标拆解的核心法则 044

2.1.1　MECE 法则是什么 045

2.1.2　如何做到完全穷尽和相互独立 046

2.1.3　MECE 法则实践案例 051

2.2　利用公式法进行拆解 055

2.2.1　公式法的定义 055

2.2.2　生活中的问题用公式法拆解 055

2.2.3　销售中的问题用公式法拆解 057

2.2.4　互联网中的问题用公式法拆解 059

2.3　利用路径法进行拆解 064

2.3.1　路径法的定义 064

2.3.2　路径法的案例：分析某清理工具App 的日活趋势 064

2.4　利用模块法进行拆解 068

2.4.1　模块法的定义 069

2.4.2　模块法的案例：利用商业画布模型拆解商业问题 069

第3章　数据的选取对最终分析产生关键性的影响 075

3.1　常见的数据类型和获取途径 076

3.1.1　数据的类型 076

3.1.2　数据的获取渠道 078

3.1.3　外部竞争对手数据的获取 081

3.1.4　内部数据的提取 082

3.2　选取数据和数据预处理 092

3.2.1　选取数据的原则 092

3.2.2　数据预处理 095

第4章　业务模块决定分析方法的适用场景 103

4.1　行业分析 104

4.1.1　行业分析的目的确认 105

4.1.2　系统性资料搜集和整理 108

4.1.3　找到行业的痛点 112

4.1.4　形成自己的策略和观点 114

4.2　市场规模预测分析 117

4.2.1　时间序列预测法 117

4.2.2　用户构成预测法 121

4.3　渠道质量评估 125

4.3.1　渠道的定义、分类和管理 126

4.3.2　渠道质量分析法 128

4.3.3　渠道反作弊分析法 133

4.4　产品分析 136

4.4.1　产品的功能设计合理性分析 136

4.4.2　产品的健康度分析 143

4.4.3　产品精细化分群运营分析 145

4.5　运营活动分析 150

4.5.1　活动目标拆解分析法 152

4.5.2　设计活动内容之选品分析法 155

4.5.3　活动前上线预热之优惠券营销分析 157

4.5.4　活动正式上线之指标体系日常监控分析 160

4.5.5　活动后效果复盘之整体效果分析 161

4.6　用户增长分析 163

4.6.1　用户留存率增长分析 165

4.6.2　用户流失率降低分析 171

第5章　推演、组织、验证出正确的结论 177

5.1　合理推演，避免谬误，从而得出正确的结论 178

5.1.1　过度简化因果谬误 178

5.1.2　滑坡谬误 180

5.1.3　忽略常见原因谬误 182

5.1.4　事后归因谬误 183

5.1.5　以偏概全谬误 184

5.2　分析结论的组织：金字塔原理的使用 186

5.2.1　结论的三个层次 186

5.2.2　什么是金字塔原理 189

5.2.3　如何运用金字塔原理 190

5.3　多数分析结论都需要靠AB 测试来验证 193

5.3.1　AB 测试的应用场景 193

5.3.2　AB 测试四步法 194

5.3.3　AB 测试的常见误区 198

第6章　数据分析的展现方式 201

6.1　图表是数据分析结论的最直观展现方式 202

6.1.1　“图表三千，只取一瓢” 203

6.1.2　根据论证逻辑，选择合适的图表 203

6.1.3　锦上添花的其他图表类型 209

6.1.4　图表需要优化：图表优化的三大原则 211

6.2　分析报告能把数据分析的结论和思考进一步升华 216

6.2.1　克服拖延症最好的办法：“先把手弄脏” 216

6.2.2　搭好基础框架就完成了至少80% 的工作 216

6.2.3　细心打磨，增强专业说服力 217

6.3　把数据分析的结论娓娓道来 218

6.3.1　汇报是达到业务目的的手段 218

6.3.2　用讲故事的逻辑组织你的汇报 220

6.3.3　优秀汇报的成熟模型：SCQA 和ZUORA 222

6.3.4　说在最后：准备好面对问题和挑战 225