人人可做數據分析：從數據分析到數據驅動運營

第1章 緒論 001
1.1 數據分析話題的“樹模型”知識框架 001
1.2 數據分析話題同樣存在“量變引起質變”的問題 004
1.3 數據分析與其他學科的關系 006
第2章 數據采集、存儲與整理 008
2.1 什么是數據，數字就是數據嗎 009
2.2 不同的應用場景對應不同的數據采集方式 010
2.3 工業(yè)協(xié)議采集數據 011
2.4 網頁埋點采集數據 014
2.5 數據庫及合并表單 017
2.6 數據清洗 022
2.7 數據整理，多維度拆解 026
2.8 數據集 035
2.9 數據估算 042
第3章 大數據平臺架構 045
3.1 大數據時代的傳統(tǒng)數據處理方法 046
3.2 大數據架構 048
3.3 大數據平臺的數據采集、處理、輸出與展示 056
3.4 大數據平臺不是核心 064
第4章 數據思維之基礎問題 065
4.1 數據算法VS數據應用 065
4.2 AI高大上，傳統(tǒng)手段失效了嗎 067
4.3 以前常用的一些方法論，如5W2H法不靈了 068
4.4 信息摘要的敏感性，抓重點的能力 070
4.5 物聯網等技術的發(fā)展催生了新的數據應用場景 071
4.6 對數據分析的預期，要有合理的參照系 072
第5章 數據思維之數據素養(yǎng) 074
5.1 數字時代，數據素養(yǎng)是重要的技能 074
5.2 把一個具體業(yè)務問題轉化成一個數據可分析問題 076
5.3 層層拆解，才見真章 081
5.4 細致拆解與辛普森悖論 084
5.5 減熵：把事情流程化，把關系圖譜化 086
5.6 指標思維 090
第6章 常見的數據分析綜合方法 096
6.1 針對業(yè)務問題的“假設檢驗” 096
6.2 分類利器：波士頓矩陣與RFM模型 100
6.3 行動步驟利器：AARRR模型與UJM模型 109
6.4 業(yè)務分析框架OSM 113
6.5 成交總額GMV 116
第7章 數據可視化 120
7.1 數據可視化的意義：探索性分析 120
7.2 常見的數據可視化圖表 122
7.3 數據可視化舉例 125
第8章 人工智能與傳統(tǒng)數據分析的關系 130
8.1 數據分析、傳統(tǒng)算法、人工智能之間的范疇關系 131
8.2 目標的一致性及適用場景的區(qū)別 132
8.3 以統(tǒng)計為主的傳統(tǒng)數據分析及其工具 134
8.4 機器學習 139
第9章 數據驅動運營 147
9.1 不同業(yè)務層次都有哪些數據分析需求 147
9.2 不同行業(yè)領域都有些哪些數據分析需求 148
9.3 數據驅動運營概述 150
9.4 牛刀小試的一個例子 156
9.5 數據分析與公司戰(zhàn)略地圖 161
參考文獻 168