數據分析一定要會Excel、SQL和Python？非常肯定地回答您，Python、R語言、Excel函數和VBA，以及高級數據分析軟件，都學不到，您將學到：5個有效的數據分析利器，以及分析思維

一、描述性統計分析

在進行分析前，總需要有數據預處理，這里略。

1. 平均數、中位數

平均數和中位數通常結合來使用，主要用于觀察數據的分布情況。

• 平均數>中位數：數據可能出現右偏（右長尾），即偏大的數據居多，拉高了整體均值。
• 平均數<中位數：數據可能出現左偏（左長尾），即偏小的數據居多，拉低了整體均值。

2. 方差、標準差

方差，指數據的離散程度。方差和標準差可以將微小的變化顯著放大，即更直觀地觀察到業務的風險問題。

• 大方差和標準差：指標波動大，業務穩定性低，經營風險高。
• 小方差和標準差：指標波動小，業務穩定性高，經營風險低。

3. 分位數與異常值

通常使用IQR方法來檢測異常值，IQR = Q3 - Q1，Q為n分位數，箱線圖的上界：Q1 - 1.5 × IQR；箱線圖的下界：Q1 + 1.5 × IQR；超出箱體上界或下界的即認為是異常值。

4. 使用Excel進行描述性統計分析

文件 》選項 》在“加載項”中找到“分析工具庫” 》點擊轉到 》勾選“分析工具庫”，點擊確定

在“數據”選項卡找到“數據分析”，并點擊，選擇“描述性統計”，并填寫相關信息

然后就可以看到數據的描述性統計了

而箱線圖可以使用插入圖表功能來繪制箱線圖，略。

二、變化分析

指標變化，說明業務環境發生了變化。變化包括上升、下跌、不變三種，無論是哪種變化，不能說明絕對好壞，如不變不一定是好事。意味著我們對指標的3種變化都要進行分析。

2.1 同比

本期數據與同期數據對比，主要是消除季節性或周期性變化的影響，而忽略周期間的變化。周同比、月同比、季度同比、年同比等。

計算方式：（數據A - 數據B）/ 數據B
例子：第3周周一的訪客數同比第1周周一增長了250%
適用場景：判斷是否比去年好

2.2 環比

環比，與相鄰時期（上一個時間段），主要是考察業務的連續波動情況，會被周期性波動影響。日環比、月環比、季度環比、年環比等。

計算方式：同上
例子：第二周周六周日的訪客數分別為120和150，則第二周周日環比增長25%
適用場景：判斷是否比上期好

2.3 使用Excel條件格式進行變化分析

除了使用公式計算環比和同比進行變化分析，也可以使用Excel的條件格式進行變化分析（包括數據條，色階，突出規則等）

三、指標體系

3.1 指標

指標定義
MECE原則，即完全窮盡，相互獨立，無重復，無遺漏。

• 非MECE分類：一個客戶可能既是老客戶又是 VIP，也可能既活躍又 VIP，互斥性不滿足，且可能遺漏新客戶。
• MECE分類：新客戶、老客戶（又可以分為活躍老客戶、流失老客戶）

指標的特性：

• 必須是數值，不能是文本、日期等字符
• 必須是通過匯總得來的，即復合指標。（除不能再拆分的原子指標外）
• 有清晰明確的業務含義的（強業務意義性）
• 動態變化

指標絕不可以輕易更改！！！

理論上，北極星指標應該只有一個，清晰、可衡量，并能對齊整個組織的努力方向。但在實際操作中，不同團隊或子產品可以擁有自己的“局部北極星指標”作為支持性指標，構成完整的指標體系。

北極星指標、虛榮指標
北極星指標，又叫唯一關鍵指標（OMTM），是指在當前運營階段最重要的指標，目的是通過北極星指標專注和聚焦在當前階段最重要的問題上。

• 一個故事理解北極星指標：早在Facebook之前，MySpace已是互聯網社交產品的領頭羊，對于MySpace，其戰略指標是“總注冊用戶數”，以表示MySpace的用戶規模。反觀Facebook，卻用“活躍用戶數”作為戰略指標。很明顯兩家社交平臺關注的戰略指標完全不一樣，一個是關注注冊用戶數，典型的規模類指標，很明顯MySpace是在追求用戶規模，對應的策略就是大量擴張新用戶；一個是關注活躍用戶數，典型的質量類指標，很明顯Facebook更關心用戶的質量，對應的策略就是從產品功能、運營策略上不斷去滿足用戶需求。因為關注的戰略指標不同，導致兩個公司截然不同的經營策略，最終結果大家均知，MySpace已不知去向，而Facebook成為互聯網社交大佬。

在產品運營中，與北極星指標相對應的是虛榮指標。北極星指標是當前產品階段戰略層面的指標，而虛榮指標是無法體現當前階段戰略方向的，僅僅是數字上很漂亮的指標，故謂之虛榮指標。最著名的虛榮指標就是累計注冊用戶數。虛榮指標有一個特別有趣的特性：只增不減

北極星指標并非固定不變！！！產品本身是有生命周期的，在不同的生命周期產品承擔的使命也不同，在誕生期的產品，其核心目的是迅速擴大用戶規模，盡快占有市場，以取得先發優勢；在發展期的產品，其核心目的是提升用戶質量，盡可能黏住用戶并完成營收轉化。所以在產品的不同生命周期，其產品特性、商業模式和經營策略都不盡相同。

3.2 維度

維度概念：維度是描述指標的不同角度，如地理維度（其中包括國家、地
區、省以及城市等級別的內容）、時間維度（其中包括年、季、月、
周、日等級別的內容），維度既可以是文本也可以是數值。
維度操作：

• 維度上卷：維度上卷是從明細數據到匯總數據進行分析的過程。例如在分析用戶地區的銷售額時，首先分析的是城市維度的銷售額，然后逐步匯總到省份的銷售額。通過維度上卷，可以從整體了解數據變化的影響程度，做出正確的決策。

• 維度下鉆：維度下鉆是從匯總計算的數據逐步拆解到明細數據的分析過程。例如在分析用戶地區的銷售額時，首先分析的是省份維度的銷售額，然后逐步細分到城市的銷售額。

3.3 如何用“指標體系”來分析指標變化的原因

尋找指標變化原因時，通常采用多維度分析方法，多維分析包括如
下兩個層面：

3.3.1 基于指標的業務口徑來尋找原因（規模）
例如，電商的收入規模類指標GMV，即成交金額，其標準業務口徑包含已付款和拍下未付款兩部分。當GMV發生變化時，按照指標的業務口徑分析，即分析已付款和拍下未付款的變化分別是什么，可以分為以下幾種情況：

1. GMV上漲，已付款上漲，拍下未付款上漲。
2. GMV上漲，已付款上漲，拍下未付款下降或不變。
3. GMV上漲，已付款下降或不變，拍下未付款上漲。
4. GMV下跌 … 等
5. …

然后再去尋找已付款由哪些部分組成，或拍下未付款由哪些部分
組成，追蹤這兩個指標的業務口徑，繼續排查原因。

3.3.2 基于指標關聯的維度來尋找原因（即指標的構成角度）
例如，產品的DAU（每日活躍用戶），按照指標的維度來分析，標準分析過程是按照新客、老客、沉默喚醒、流失召回四大客群的DAU分別進行分析，來尋找產品整體DAU的變化原因。整體DAU=新客DAU+老客DAU+沉默喚醒DAU。繼續細分，排查原因。

四、相關性分析

4.1 定義

相關性分析，指對兩個或多個指標進行分析，評估它們兩兩之間聯系或相互影響的程度。相關性分析的應用范圍非常廣，除了互聯網產品，傳統行業和線下業務也可以用，原因在于相關性分析支持幾乎所有的業務指標類型，包括連續型指標和離散型指標。離散型指標又分為二分類型、無序型、有序型。

！！！切記：相關性 ≠ 因果，相關性是指一個變量變化的同時，另一個變量也會伴隨發生變化，但不能確定一個變量變化是不是另一個變量變化的原因。因果關系，是指一個變量的存在一定會導致另一個變量的產生。

4.2 相關性分析的3種算法

相關性分析的2個前提條件：無異常值、指標間務必相互獨立，互不影響。

4.2.1 連續型指標 vs 連續型指標：皮爾遜相關系數（Pearson）
Pearson的前提條件：

• 指標服從正態分布
• 兩個指標的數據要一一對應，成對出現
• 無異常值

說明： Pearson 相關系數 𝑟 衡量的是樣本中兩個變量之間的線性相關強度，但它僅僅是樣本估計值，不能直接推斷總體的關系是否顯著，因此需要顯著性檢驗（假設檢驗，通常使用t檢驗）來確認相關性是否可信。

4.2.2 有序離散型指標 vs 有序離散型指標：斯皮爾曼等級相關系數（Spearman）或肯德爾秩相關系數（Kendall）
前提條件：

• 指標不服從正態分布
• 兩個指標的數據要一一對應，成對出現
• 無異常值

4.2.3 無序離散型指標和連續型指標的相關性算法：對不起，無相關性

指標 A	指標 B	相關性算法	應用示例
連續型	連續型	Pearson	藥品曝光量和購買轉化率
有序離散型	有序離散型	Spearman、Kendall	用戶等級和活躍度
無序離散型	無序離散型	卡方檢驗、Fisher 檢驗	手機品牌和年齡段
二分類目標	連續型	Point-biserial	性別和閱讀率
二分類目標	有序離散型	Biserial	性別和滿意度評分
有序離散型	連續型	無直接算法，建議轉換后處理	商品評分和購買轉化率

4.3 在Excel中進行“相關性分析”

4.3.1 如何尋找對購買轉化率貢獻最大的渠道
目標：評估哪些渠道的用戶對整體購買轉化率貢獻最大。
過程：

• “數據”選項卡找到“數據分析”，選擇相關系數（只有默認的Pearson系數）進行相關性分析
  

• 相關性分析結果：渠道B購買轉化率與整體的最相關，因此，需要重點關注發展渠道B的業務。

五、趨勢預測

預測分析是典型的數據挖掘應用，通過分析序列進行合理預測，做到提前掌握未來發展趨勢，為業務經營決策提供依據。大數據有4個特性，即4V：Volume（大量），Velocity（高速），Variety（多樣）和Value（價值）。
可以“趨勢預測”是因為：

• 足夠大的樣本量和足夠豐富的樣本維度。
• 考察概率而不是準確率！！！。置信度、置信區間、可能性的字眼，它們都是在說明分析的結果有多少可信度，而不是有多少準確性。
• 相關而非因果。影響指標變化的因素也是多維的，實際業務經營中尋找原因遠比尋找相關因素要困難得多。

5.1 基于時間序列的趨勢預測

時間序列預測，認為指標的歷史數據是有一定延續性的，即歷史上指標的趨勢在未來也會大概率延續，同時接受一定程度的指標波動，認為是合理的隨機事件，并把這種波動也考慮到未來走勢中，所以時間序列預測輸出的趨勢以及波動性，是和歷史數據的趨勢與波動性大概率高度一致的。因此，時間序列預測屬于定量分析，也叫方向性分析，是找出未來可能的走勢方向，其輸出的趨勢值僅供參考。

5.2 基于回歸分析的趨勢預測

回歸分析，是指定量分析兩種或兩種以上指標間相互依賴關系的分析方法。回歸分析支持兩個或多個指標間的關系。

5.3 在Excel中實現時間序列趨勢預測

在Excel中，能夠實現時間序列預測的叫預測工作表，這個工作表在“數據”選項卡。
操作流程：

1. 檢查數據是否符合要求。要求數據為兩列，第一列必須是時間序列，且間隔均勻，即必須是連續、等差的時間數據，不能出現缺漏的情況。

2. 選中所有數據，點擊“數據”選項卡，找到并點擊“預測工作表”，彈出時間序列配置窗口。
   

3. 通常Excel會自動分析數據的季節性和周期性，并輸出預測線。檢查各項配置無誤后，單擊“確定”按鈕即可。

5.4 在Excel中實現回歸分析趨勢預測

在Excel中，能夠實現回歸分析的叫趨勢線，是圖表的附屬功能。
操作步驟：

1. 選中所有數據，點擊“插入”選項卡，選擇柱狀圖
2. 在柱狀圖的數據柱上單擊右鍵，找到“添加趨勢線”，點擊“添加趨勢線”，彈出趨勢線配置窗口
3. 勾選“顯示R平方值”，切換不同的回歸算法，選擇R2接近于1的算法（一般情況下用線性或指數，其他算法較少使用）
4. 在趨勢線配置窗口找到“向前”，輸入預測周期