《数据分析之道：用数据思维指导业务实战》李渝方『EPUB电子书下载』

内容简介

《数据分析之道：用数据思维指导业务实战》以数据思维为主题，以数据分析全流程为主线，融合了与数据思维相关的编程语言、统计学基础及案例分析等内容，全书分为4篇，囊括了数据思维的概念和培养方法、数据来源及体系建设、数据分析三大思维方式及用户流失、用户转化实战等共11章的内容。本书囊括了数据分析中常用的分析方法，包括经典的海盗（AARRR）模型、麦肯锡的MECE模型、逻辑树、漏斗分析、路径分析、对比分析、A/B试验、RFM模型、K-Means算法、5W2H等分析方法，还包括各类方法的实践案例及Python实操项目。可以说本书是数据分析方法论与统计学知识、编程语言及应用案例的完美结合。

《数据分析之道：用数据思维指导业务实战》适合工作了1～3年的初级数据分析师；已经掌握了数据分析工具，需要培养数据思维的转行人员；数据科学行业的人力专家和猎头等。

作者简介

李渝方，网名森夏恩，复旦大学硕士，生物医学专业转行互联网数据分析，先后就职于游族网络、阿里巴巴，现就职于某互联网大厂担任数据分析师。知乎数据分析话颖的优秀回答者，公众号“数据万花筒”运营者，累计创作“100+”篇数据分析原创文章，原创文章在全网累计阅读量超过百万！

目录

第1篇数据思维
第1章数据思维是什么1
1.1从数据治理流程浅谈数据思维1
1.1.1什么是数据治理2
1.1.2数据治理流程介绍2
1.1.3从数据治理流程谈数据部门岗位职责.3
1.1.4数据分析师在数据治理流程中所需要的数据思维.4
1.2数据思维到底是什么5
1.2.1应用数据思维的工作5
1.2.2数据思维是可以培养的..6
1.3数据思维最直观的解释6
1.3.1构建有效的监控体系和客观的评价标准.7
1.3.2用合理的分析方法探究原因以及评价效果.7
1.3.3综合运用统计学知识对活动效果进行预估.8
第2章为什么数据思维如此重要.9
2.1数据思维是数据分析师必备的技能9
2.1.1数据分析师必备的硬技能9
2.1.2数据分析师必备的软技能10
2.1.3为什么软技能比硬技能重要10
2.2数据思维是数据分析师成长晋升的必备技能11
2.3数据思维能帮助数据分析师建立影响力11
第3章数据思维如何培养14
3.1熟悉常用的数据分析方法14
3.1.1三大分析思维14
3.1.2不同生命周期的分析方法15
3.2树立目标意识，寻找潜在分析点16
3.2.1为什么需要树立目标意识17
3.2.2通过多问“为什么”，树立目标意识.18
3.3不预设立场，通过客观的标准代替主观的判断19
3.3.1不预设立场才能做到客观19
3.3.2预设立场与假设检验的区别20
3.4基于数据分析结果为业务方提出切实可行的解决方案21
3.4.1数据分析师提出合理建议需要经历的三个阶段21
3.4.2数据分析师需要避免的几种提建议的方式23
第2篇数据指标体系
第4章数据埋点.27
4.1数据埋点简介27
4.1.1从数据产生流程浅谈数据埋点28
4.1.2为什么需要进行数据埋点29
4.1.3数据埋点能够采集哪些用户数据29
4.1.4数据埋点与隐私保护30
4.2数据埋点分类及主流的数据上报技术30
4.2.1数据埋点的分类及方式30
4.2.2主流的数据上报技术31
4.3数据埋点方案设计32
4.3.1数据埋点流程33
4.3.2通过六个步骤实现数据埋点设计34
4.3.3以电商成交为例实现数据埋点设计35
第5章数据标签体系.38
5.1数据标签体系与用户画像38
5.1.1什么是数据标签体系38
5.1.2数据标签体系的作用39
5.1.3数据标签的分类39
5.1.4用户数据标签的层级分类40
5.1.5数据标签体系与用户画像的关系41
5.2如何构建数据标签体系42
5.2.1数据标签体系构建的流程42
5.2.2数据分析师在标签体系构建过程中承担的角色43
5.2.3以某App付费用户的数据标签体系的构建为例，浅析数据标签体系构建过程44
5.3数据标签体系的应用场景47
5.3.1数据标签体系辅助运营人员进行决策分析.48
5.3.2数据标签体系可提升数据分析师的分析效率.48
第6章数据指标体系49
6.1从中国人口数据初识指标体系构建49
6.1.1什么是指标体系49
6.1.2为什么需要指标体系50
6.1.3指标体系的评价标准及注意事项.53
6.2用四个模型梳理数据指标体系构建的方法论53
6.2.1构建数据指标体系的方法54
6.2.2用三个步骤、四个模型梳理数据指标体系的方法.54
6.2.3以GMV为例搭建数据指标体系.57
6.3如何搭建一套通用的指标体系并快速落地应用60
6.3.1多部门配合搭建数据指标体系的流程.60
6.3.2搭建通用的指标体系61
6.4定位异动因素65
6.4.1数据波动多少才能称为数据异动.65
6.4.2数据波动分析的方法论65
6.4.3从数据埋点到指标体系再到指标异动的闭环.70
第3篇数据分析方法论
第7章对比思维.71
7.1利用对比分析得出结论71
7.1.1对比分析的作用71
7.1.2确定对比的对象72
7.1.3如何对比72
7.1.4对比分析的可比性原则77
7.2A/B试验设计及容易忽略的误区.78
7.2.1什么是A/B试验.78
7.2.2A/B试验能解决什么问题.78
7.2.3A/B试验的流程.79
7.2.4A/B试验常见的误区82
7.3A/B试验背后涉及的统计学原理.87
7.3.1什么是抽样87
7.3.2样本为什么可以代表总体88
7.3.3通过假设检验判断A、B两组样本是否存在差异.90
7.3.4如何通过样本估计总体91
7.3.5如何确定足够的样本量，以达到所希望的边际误差92
7.3.6如何衡量试验效果94
7.3.7多重比较中P值修正的三方法96
7.4Python实战：A/B试验在广告方案选择中的应用96
7.4.1试验背景96
7.4.2数据基本情况探索97
7.4.3A/B试验结果分析98
第8章分群思维.102
8.1从用户生命周期浅谈分群思维102
8.1.1什么是分群思维102
8.1.2为什么需要用户分群104
8.1.3用户分群方法论106
8.2用数据分箱进行结构化分析107
8.2.1结构化分析是什么107
8.2.2如何更加高效地做结构化分析109
8.3同期群分析解读用户生命周期，剖析真实用户行为和价值110
8.3.1同期群分析是什么111
8.3.2做同期群分析的意义112
8.3.3数据分析师如何快速地做同期群分析113
8.4Python实战：基于RFM模型及K-Means算法实现用户分群.115
8.4.1RFM模型与K-Means算法介绍116
8.4.2RFM模型实现用户分群.118
8.4.3K-Means算法实现用户分群123
第9章相关与因果.133
9.1相关性分析简介133
9.1.1相关性分析与相关系数133
9.1.2常用的三种相关系数134
9.1.3相关系数实战136
9.2因果推断方法论138
9.2.1相关性不等于因果性的示例139
9.2.2从辛普森悖论谈因果推断139
9.2.3因果推断的三个层级141
9.2.4因果推断的方法141
9.2.5因果推断常用的框架144
9.3Python实战：利用DoWhy框架实现因果推断.144
9.3.1DoWhy因果推断框架简介.145
9.3.2数据来源及预处理145
9.3.3数据相关性探索148
9.3.4因果推断实现149
第4篇数据分析案例实战
第10章用户流失分析159
10.1用户流失分析方法论159
10.1.1用户流失分析总体方法论160
10.1.2定义流失用户的方法161
10.1.3分析用户流失的原因164
10.1.4生成流失用户标签164
10.1.5预测潜在流失用户165
10.1.6分层运营及用户召回165
10.2案例分析：用5W2H方法分析游戏用户流失原因165
10.2.1情景介绍165
10.2.25W2H方法介绍.166
10.2.3以游戏用户流失为例，详解5W2H方法167
10.3用5个理论模型构建外部因素分析框架170
10.3.1通过SWOT模型全面认识产品.171
10.3.2PEST模型分析外部宏观环境的四个视角171
10.3.3用波特五力模型分析竞品的五个维度.172
10.3.4用4P理论指导竞品分析173
10.3.5用户体验五要素模型优化产品功能，减少用户流失.174
10.3.6几个模型之间的关联175
10.4如何设计问卷验证用户流失的原因176
10.4.1问卷可以做什么176
10.4.2如何设计问卷176
10.4.3问卷的投放180
10.4.4数据分析及报告撰写181
10.4.5通过问卷获取信息可能存在的问题181
10.5Python实战：通过生存分析预测用户流失周期182
10.5.1生存分析182
10.5.2数据基本情况探索184
10.5.3探索变量之间的相关性188
10.5.4用KM模型分析用户留存率189
10.5.5Cox风险比例模型190
第11章用户转化与付费分析197
11.1用户转化与付费分析概述197
11.1.1从用户转化谈数据分析师的职责197
11.1.2用户转化与付费常用的分析方法介绍198
11.2贝叶斯公式在用户转化中的应用198
11.2.1贝叶斯公式简介199
11.2.2用贝叶斯公式预估特定群体的转化率199
11.3案例分析：用漏斗模型分析某电商平台换货业务，提升用户转化率201
11.3.1什么是漏斗分析201
11.3.2漏斗分析的核心步骤202
11.3.3以某电商平台逆向上门取件换货业务为例，详解漏斗分析法.203
11.4用营销增益模型实现用户分群，辅助运营人员识别营销敏感人群208
11.4.1什么是营销增益模型208
11.4.2为什么需要营销增益模型209
11.4.3营销增益模型的建模方法210
11.4.4营销增益模型的评价指标211
11.5Python实战：利用营销增益模型识别营销敏感人群212
11.5.1数据初步探索212
11.5.2数据预处理及数据可视化214
11.5.3构建营销增益模型216
附录A缩略词及中英文对照.219
参考文献.221
······