| 内容整理自数据分析、大数据分析和人工智能，侵删

近 5 年，市场对于数据分析方向的人才需求一直逐年攀升，不局限于大数据岗位，各行各业也都包含其中，掌握 Python 语言、拥有数据分析思维早已成为职场人一个加分项。

还记得年初疫情爆发的时候，有网友在B站发布了对疫情传播整体预估的视频。作者只简单地通过更改不同的数据参数（包括医院、政府、群众等的行为），十分具象地向观众展示出了如果大家不做好防控和隔离、医院承受能力不足、物资不够等情况下，会对疫情的传播速率和结果有多大的影响，这个视频点击量非常大，甚至被央视转发。

目前，数据科学确实广泛应用在各个领域，在分析各类现象整理、产品分析、趋势预测、运营策略等方面，尤其被大家青睐。

事实确实如此，以产品分析为例，一个产品，如果你不能衡量它，你就不能了解它，自然而然，你就无法改进它。数据说到底，就是这样一个工具——通过数据，我们可以衡量产品，可以了解产品，可以在数据驱动下改进产品。

但每每听到别人提起数据分析，都说感觉特别难、无处下手，只会盲目找资料也抓不住知识的重点。数据分析和数据处理本身确实是一个非常大的领域，但还是有比较基础且实用的部分，尤其在日常产品工作中可以发挥比较大作用。

| 数据趋势分析

趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。

趋势分析，最好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。

环比是指本期统计数据与上期比较，例如2019年2月份与2019年1月份相比较，环比可以知道最近的变化趋势，但是会有些季节性差异。

为了消除季节差异，于是有了同比的概念，例如2019年2月份和2018年2月份进行比较。

定基比更好理解，就是和某个基点进行比较，比如2018年1月作为基点，定基比则为2019年2月和2018年1月进行比较。

比如：2019年2月份某APP月活跃用户数2000万，相比同年1月份，环比增加2%，相比去年2月份，同比增长20%。

趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。


| 数据对比分析

数据的趋势变化独立地看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。

对比分析，就是给孤立的数据一个合理的参考系，否则孤立的数据毫无意义。

一般而言，对比的数据是数据的基本面，比如行业的情况，全站的情况等。有的时候，在产品迭代测试的时候，为了增加说服力，会人为的设置对比的基准，也就是A/B test。

比较试验最关键的是A/B两组只保持单一变量，其他条件保持一致。比如测试首页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才能得到比较有说服力的数据。


| 数据细分分析

在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：

◼ 分时：不同时间短数据是否有变化

◼ 分渠道：不同来源的流量或者产品是否有变化

◼ 分用户：新注册用户和老用户相比是否有差异，高等级用户和低等级用户相比是否有差异

◼ 分地区：不同地区的数据是否有变化

◼ 组成拆分：比如搜索由搜索词组成，可以拆分不同搜索词；店铺流量由不用店铺产生，可以分拆不同的店铺

细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。

趋势、对比、细分，基本包含了数据分析最基础的部分。无论是数据核实，还是数据分析，都需要不断地找趋势，做对比，做细分，才能得到最终有效的结论。

但想要在数据科学、数据分析领域深入耕耘，或者快速上手，那么IBM数据科学应用工程师训练营推荐给你！

IBM 数据科学工程师训练营，将采用封闭式营地学习模式，由浙大教授将带领学生们一同完成数据科学训练，让你在最快时间取得 IBM 数据科学应用专业证书！