看了上一章之后，对本书的期待降低，看有没有能超出我认知的一些东西

数据分析前的准备工作1.数据来源类型

• 日志采集
  

• 点击流数据：解释what，用户在网站做了什么，如访问数，页面浏览数，停留时长
• 业务运营数据：一般来自于crm和erp系统，这类数据解释了how much的问题，如销售额，订单量，购买用户数量
  

• 专题获取
  

• 实验测试数据：解决的是which的问题，a/b测试，哪个方案更优的问题，如用户体验数据，如鼠标的轨迹图，甚至用户眼动测试
• 用户调研数据
  

• 外部环境
  

• 竞争对手数据
• 行业发展数据
  

2.数据的清洗与整理

• 完整性
• 一致性
• 准确性
• 及时性
  

这个小节对于数据的what、how、much、which有点意思，没有对于why的数据，可能是说，数据科学，本来就是解析性的科学，

这里的话就说下5w2h的方法，什么原因（why）导致什么事情（what）需要哪些人（who）在什么时间内（when）什么地点（where）用什么方法（how）完成？预算是多少（how much）？

对应到网站分析里面，我们知道what（一个事实，销量下滑了），能看到客户消费或者完成特定动作的数据（who），在什么时间内（when），客户的ip反应了地点，或者在页面的停留时间（where），客户的支付方式，评论这些属于是（how）

另外对于数据清洗的过程解释的很一般。

趋势分析1.同比、环比、定基比

• 同比：本周期的数据与上一周期中相同时间的数据比较
  

• 2019年9月和2018年9月
  

• 环比：本期数据和上一期数据的比较
  

• 2019年9月和2019年8月
  

• 定基比：与公司基准线比较
  

2.对趋势预测

• 趋势线拟合
• 移动均值
  

• 简单移动平均（SMA）
• 加权移动平均（WMA）
  

3.数据监控自动化

• 移动均值数据监控
• 同比环比监控
  

对比分析1.简单合并

• 百分比评分均值比较：所有指标都除以整体的最大值
• 标准化指标合并：先归一化数据到【-1，1】的区间
  

2.比较试验

• 基于时间序列组内比较
• 基于对照试验组间比较
  

3.严谨的比较结果

• 卡方检验：验证两个总体间某个比率指标是否存在差异性差异
• T检验：验证总体均值间（非比率指标）是否存在显著性差异
  

细分分析1.指标和维度

• 访问者属性维度
  

• 新访问用户
• 回访用户
  

• 时间维度
• 流量来源维度
  

• 搜索引擎
• 推介网站
  

• 地理维度
  

• 国家
• 地区
• 语言
  

• 内容维度
  

• 有我们内容
• 页面属性
  

• 系统维度
  

• 浏览器类型
• 操作系统类型
• 接入方式
• 屏幕分辨率
  

2.细分的好处

• 避免产生采样陷阱
• 避免平均数陷阱
• 增加细分目标
• 深度洞察数据
  

3.什么是细分

细分就是指标和维度的组合

• 深度细分案例：我想知道2019年9月18日广州地区使用chrome浏览器在Google搜索‘数据分析’关键词并点击了自然排名结果访问网站的次数
  

• 时间维度：2019.9.18
• 地理维度：广州地区
• 浏览器维度：chrome
• 流量来源维度：Google
• 流量属性维度：自然排名结果
• 关键词维度：数据分析
• 指标：访问次数
  

4.细分的常用方法

标记用户群细分

• 通过用户访问特定页面进行分类
• 通过用户点击特定链接进行分类
• 通过用户自主选择对其进行分类
  

5.数据的消费者

• 决策层：关心公司整体的发展情况
• 产品：关心用户的趋势
• 运营： 关心网站的运营，同事最好有一些预测数据
  

卡方检验和T检验还是在哪都看得到。

这章从整体来看，还是告诉我可以分析些什么，但还是没有一个流程性的东西，一个需求来了（为什么有这样一个需求），我该怎么去做，难点在哪里，后面继续看看

看了上一章之后，对本书的期待降低，看有没有能超出我认知的一些东西

数据分析前的准备工作1.数据来源类型

• 日志采集
  

• 点击流数据：解释what，用户在网站做了什么，如访问数，页面浏览数，停留时长
• 业务运营数据：一般来自于crm和erp系统，这类数据解释了how much的问题，如销售额，订单量，购买用户数量
  

• 专题获取
  

• 实验测试数据：解决的是which的问题，a/b测试，哪个方案更优的问题，如用户体验数据，如鼠标的轨迹图，甚至用户眼动测试
• 用户调研数据
  

• 外部环境
  

• 竞争对手数据
• 行业发展数据
  

2.数据的清洗与整理

• 完整性
• 一致性
• 准确性
• 及时性
  

这个小节对于数据的what、how、much、which有点意思，没有对于why的数据，可能是说，数据科学，本来就是解析性的科学，

这里的话就说下5w2h的方法，什么原因（why）导致什么事情（what）需要哪些人（who）在什么时间内（when）什么地点（where）用什么方法（how）完成？预算是多少（how much）？

对应到网站分析里面，我们知道what（一个事实，销量下滑了），能看到客户消费或者完成特定动作的数据（who），在什么时间内（when），客户的ip反应了地点，或者在页面的停留时间（where），客户的支付方式，评论这些属于是（how）

另外对于数据清洗的过程解释的很一般。

趋势分析1.同比、环比、定基比

• 同比：本周期的数据与上一周期中相同时间的数据比较
  

• 2019年9月和2018年9月
  

• 环比：本期数据和上一期数据的比较
  

• 2019年9月和2019年8月
  

• 定基比：与公司基准线比较
  

2.对趋势预测

• 趋势线拟合
• 移动均值
  

• 简单移动平均（SMA）
• 加权移动平均（WMA）
  

3.数据监控自动化

• 移动均值数据监控
• 同比环比监控
  

对比分析1.简单合并

• 百分比评分均值比较：所有指标都除以整体的最大值
• 标准化指标合并：先归一化数据到【-1，1】的区间
  

2.比较试验

• 基于时间序列组内比较
• 基于对照试验组间比较
  

3.严谨的比较结果

• 卡方检验：验证两个总体间某个比率指标是否存在差异性差异
• T检验：验证总体均值间（非比率指标）是否存在显著性差异
  

细分分析1.指标和维度

• 访问者属性维度
  

• 新访问用户
• 回访用户
  

• 时间维度
• 流量来源维度
  

• 搜索引擎
• 推介网站
  

• 地理维度
  

• 国家
• 地区
• 语言
  

• 内容维度
  

• 有我们内容
• 页面属性
  

• 系统维度
  

• 浏览器类型
• 操作系统类型
• 接入方式
• 屏幕分辨率
  

2.细分的好处

• 避免产生采样陷阱
• 避免平均数陷阱
• 增加细分目标
• 深度洞察数据
  

3.什么是细分

细分就是指标和维度的组合

• 深度细分案例：我想知道2019年9月18日广州地区使用chrome浏览器在Google搜索‘数据分析’关键词并点击了自然排名结果访问网站的次数
  

• 时间维度：2019.9.18
• 地理维度：广州地区
• 浏览器维度：chrome
• 流量来源维度：Google
• 流量属性维度：自然排名结果
• 关键词维度：数据分析
• 指标：访问次数
  

4.细分的常用方法

标记用户群细分

• 通过用户访问特定页面进行分类
• 通过用户点击特定链接进行分类
• 通过用户自主选择对其进行分类
  

5.数据的消费者

• 决策层：关心公司整体的发展情况
• 产品：关心用户的趋势
• 运营： 关心网站的运营，同事最好有一些预测数据
  

卡方检验和T检验还是在哪都看得到。

这章从整体来看，还是告诉我可以分析些什么，但还是没有一个流程性的东西，一个需求来了（为什么有这样一个需求），我该怎么去做，难点在哪里，后面继续看看