比如618，双十一大促，还闲参与的人不够多呢，不可能剔除某些人不参加。比如非电商渠道，非即时消费产品，如果搞区分人群定价，很容易引发窜货，或者被消费者举报到市场监督局，定一个“大数据杀熟”的罪名。

就像数据分析，第一步是采集数据一样，做求职准备，第一步是认真收集目标信息，收集越多越好。就像数据分析要做Abtest一样，收集差不多就得去试试，记录过程，分析问题，这才是合理的数据分析师该有的素质。

加之，总有新入行的数据分析师，认为只要怼几个数据进线性回归或者因子分析模型，就能算个参数出来让每个部门满意。所以这种来来回回扯皮的事，还会延续很多很多年，哈哈哈。

所以在做工作计划的时候，多跟业务部门沟通，今年有啥重大活动，有啥重大项目，先收集清楚。然后尽量推显眼的数据产品出去，其他庞杂的需求该推就推，该招人填坑就招人填。这样才更容易体现成绩。

如果预测的是新上市款，压根没数据呀，预测个毛线。这时候，最关键的问题就是：要不要做测试。如果已经有选定产品，需要测试效果，这就是测试问题。直接设计ABtest，拿去测一测效果，收集一波数据再做预测。

这样当然没有年味了，这只不过是把上边四张图四合一了，带给阅读者四倍无聊。开篇说的三花聚顶的感觉，就是这么弄出来的：把同一个数据反复说了三次。

所以想解放精力，就得把监测体系建好，多利用这种短平快的小方法，多利用固定指标体系和查找机制，这样才能高效率运转。有兴趣的话，本篇集齐60在看，下一篇我们分享一套监测体系的做法，敬请期待哦。

可以说，报表是整体数据分析体系核心。报表做好，处处好，报表做不好，人肉sql写到老。而且，日、周、月、季、年报，不是简单的把同一个字段按五个时间周期统计五遍，五种工具间相互配合，才能起到更好效果。

在咨询公司、第三方数据公司、广告公司等等少数卖数据的公司里，数据是作为产品直接销售给客户的，数据地位更贴近业务。在其他大部分企业里，数据就是支撑部门，因此要懂业务、服务业务。

即使只有一根日报线，通过标准也能发现关联数据的情况。从一个“日常”数据中，区分出来一个事件的开始、经过、结果。这样能最大效率的利用日报，在专题分析开始前，就对数据走势有一定初步判断。

被嫌弃没有数据分析方法论？把OSM模型怼他脸上!

脱离计量谈毒性就是耍流氓，因此代入数据后，首先得看各类型问题的占比。问题比例本身就能很大程度上说明问题。这也是用MECE法拆解问题的最大优势：避免被个例子带歪，大家看着数说话（如下图）。

最接地气的数据分析观点|最高效的职场提升

“数据分析要支持管理层做出科学的，准确的决策”是很多企业对数据分析师的要求。然而问题来了：到底咋个支持法？！为啥辛辛苦苦码了一大堆数据，还是被说：没啥用？今天系统讲解一下。

所以设计样本数的时候，首先对单店在测试周期内销量有个预计，保证肯定有货，这样才能真正测出来：是否达预期。定下门店总量以后，再按以上考虑维度往里塞样本。最后出来的结果，保证每个分类尽可能都有样本就行。

数据的时间状态直接决定了工作内容，工作难度，工作方式。对于实时监控的，需要事先提监控需求，数据更新频率，监控指标都得一个个谈清楚。对于预测的，预测用途，预测精确度，都得事先谈清楚（如下图）

上一篇【这套系统，可能真的是数据分析师们未来5年的机遇！】引起了同学们强烈反响，其中提到一个关键点：CDP与增长实验结合，很容易让数据分析师立功。今天我们就系统的讲解下这一点。话不多说，直接上干货！

更纠结的是，越宏观的问题，可以落地解决的手段就越多，越显得千头万绪：比如业绩没有达标，做新用户还是做老用户呢？做客单价还是转化率呢？是政策先上还是销售先上呢？理论上都可以。

图解：所谓机会点，一般要符合：之前没人发现+之后大有起色这个条件，否则，如同图1，做了没啥变化，做了白做。如同图2，本来就是一路向好，即使做了改进，也会被认为：它本来就很好啊！最后不被认可。

估计这就是为啥运营有底气提价的，疫情影响下，人们线上娱乐明显增多，可以从DAU，在线时长，连续播放率等数据轻易观察到这点。既然刚需度在增加，认知度天生低、价格又不贵，那涨了就是稳赚呀。

所有的数据项目病根都是数据采集、数据质量。可数据质量恰恰是企业建设最滞后、最不愿投入、最看不到产出的一环。于是数据项目常常陷入无米下锅的窘境，搞来搞去都是那点交易数据，其他屁都没有。

金九银十，换了工作的同学陆续入职新公司，很多人咨询如何在不熟悉的领域开展数据分析工作。这个问题很普遍，很多转行的同学在面试时就有被问到：“在不熟悉的领域做数据分析，你要怎么学习”今天系统性解答一下。

很多做数据的同学被吐槽，“活动分析不够深入”，“你这做的运营也能做，要你干啥”，都是来自没有好的备战。对活动不够了解，对执行不够了解，对过往没有好的积累。最后只能就数论数，对着业绩曲线挠头。

你看到了新上市的爆款iphone且比其他地方便宜500多块钱

以上例子，利用的用户基础属性比较多。可在真实企业经营中，我们可能很难知道用户真实属性。只有银行、航空公司这种有法规背书的、相对规范的行业才能采集到真实信息。这时候，可能我们得更多利用内部数据做分类。

这导致用户生命周期曲线很难绘制，用户留存久了也不代表有价值，用户生命周期价值也难以估算。特别是大促销、爆款上市这种场景。最后用户还是看哪家便宜买哪个，跟之前的留存时间一点关系都没有。

最接地气的数据分析观点|最高效的职场提升

不看数据的：体温测都不测，就抱着孩子跑去医院大喊：孩子发烧啦！医生测了几次都不过37度。

只知道ABtest？测试方法还有这些，数据分析师都得掌握！

数据驱动业务，说的好听，做好很难！得这样才行

最接地气的数据分析观点|最高效的职场提升

对比同时下单的用户VS单一渠道下单用户购买产品top10

最接地气的数据分析观点|最高效的职场提升

最接地气的数据分析观点|最高效的职场提升

反问一句：这三个假设成立吗？如果不结合具体行业、具体产品、具体活动来看，似乎是成立的。但是一旦具体讨论就会发现：很多场景不满足这三个假设。因此：单纯讲RFM，不结合产品、活动，是很容易出BUG的。

换个领导很nice，但是离家2个小时车程，你干不干？

然后项目第一期汇报会上，数据部门得意洋洋的讲到：

3、因为群体规模不均，经常引发客户：“我们再细分一下”的要求，结果拆的越支离破碎，解读越麻烦，而且有的客户，就是50%用户消费、活跃都是0，也没法继续深入

可重现——所需的条件具备，换个地方也会自然再发生一次。

最接地气的数据分析观点|最高效的职场提升

第二个好处：直接！还拿销售举例，很多辅助性活动，比如营销活动、拉新裂变，到底对销售有没有用？不需要很复杂的漏斗分析，只要看一眼趋势，立马见效果。越简单的方法，在评估结果时越靠谱！（如下图）。

最接地气的数据分析观点|最高效的职场提升

最接地气的数据分析观点|最高效的职场提升

4、主观，正向，需要你自己订KPI。这是最纠结的状况，老板让你做开放题。虽然明知道自己做了他不用会用，但是他还是让你讲一堆道理，不然就怪你：没有深度分析！如果一定要凭空定指标，怎么办呢？

最接地气的数据分析观点|最高效的职场提升

站在业务场景角度，主要要考虑每个行业有多少数据积累，有哪些数据采集。数据丰富程度与数据质量，会直接影响分析方法的选择。如果大家感兴趣，本篇集齐60在看，我们继续分享的数据分析方法，敬请期待哦。‍

课程部说：课程上个月都卖很好，咋可能睡一觉就不行了！

数据+标注=判断。因此想得出好/坏判断，需要有2样东西：

1、能心平气和的介绍自己的工作，不发牢骚，不扯一夜暴富。

最接地气的数据分析观点|最高效的职场提升