如何分析数据(零基础如何入门数据分析？)

题图来自Unsplash，基于CC0协议

本文目录

正文

1、零基础如何入门数据分析？

零基础入门数据分析，建议先从Excel开始，因为Excel是数据分析最常用的工具，功能强大，入门容易。

Excel需要学习的有3点，Excel公式、数据透视表和Excel图表。

1、Excel公式

2、数据透视表

3、Excel图表

接着建议学习MySQL，因为数据分析跟数据打交道，懂点sql知识还是很有必要的。

统计学是必须的，不懂统计学根本算不上数据分析师，具体内容有：统计学基础、参数估计、假设检验、方差分析、线性回归、时间序列、聚类分析、主成分分析及因子分析等。

分析工具除了Excel，推荐SPSS，使用广泛，容易上手。

因为统计学很有些分析方法通过Excel就可以搞定；有些不行，必须通过其他工具才能搞定，例如多元线性回归、聚类分析、主成分分析及因子分析，都需要用到SPSS。

在掌握了统计学的基础上，在学习SPSS是很容易的，因为SPSS只是一个工具而已。

另外，有精力的话，懂点编程也是必须的，因为用Excel做数据分析，少量数据（大约几十万甚至百万）没有问题，但是再大一点的数据通过程序来程序会更高效。

1、Python/R

Python和R都可以，R在数据分析方面更加强大，也更成熟，但是想往机器学习方向发展的话，Python还是主流语言，推荐学习Python。

2、Excel VBA

虽然Excel为我们提供了很多好用的公式和功能，但是还有很多工作无法用现有的公式和功能批量完成，比如Excel表格的批量拆分、数据批量分类等，而借助于VBA代码，可以很方便地处理这些问题。

回答完毕！

2、大数据时代如何进行数据分析？

谢谢邀请！

数据分析是呈现数据价值的重要手段，如何进行数据分析也是大数据落地应用的关键环节之一，对于数据分析来说，一方面要循序渐进，另一方面也要与相关技术进行紧密结合。

对于企业来说，进行数据分析可以按照以下步骤进行：

第一：完善数据采集机制。数据采集是数据分析的基础，对于广大传统企业来说，要想利用大数据，首先要建立大数据应用生态链。大数据生态链的基础则是物联网和传统信息系统，所以要进行数据分析，首要任务是建立完善的数据采集机制。

第二：数据分析按需、按阶段建设。在大数据时代，很多企业对于大数据赋能传统企业迫不及待，迫切希望数据分析等大数据建设任务能“一步到位”，希望大数据能快速产生经济效益，实际上这种想法是存在一定问题的。数据分析要想赋能传统行业，需要按需、按阶段建设。比如对于一个连基本报表都没有的传统企业，应该从报表应用开始，然后再进一步采用BI系统，这是一个循序渐进的过程，这个过程也是培养企业大数据思维的过程。

第三：数据分析要与相关技术紧密结合。数据分析并不是一个新概念，传统的数据分析是统计学的重要研究内容之一，但是在大数据时代，数据分析产生了明显的变化，这个明显的变化就在于从小数据分析到大数据分析。目前，通过机器学习的方式完成数据分析是一个流行的做法，这就要求从业人员紧跟技术发展的脚步，更新自身的知识结构。

最后，随着大数据的发展，数据价值化程度越来越高，对于从业者来说，数据分析的专业化要求也越来越高。目前，数据分析分为应用型分析和研发型分析两个方向，不管对于哪种分析方式来说，都需要从业者具备一定的专业度。这个专业度不仅体现在技术领域，也体现在行业领域，所以数据分析人员既是技术专家又是行业专家。

作者简介：中国科学院大学计算机专业研究生导师，从事IT行业多年，研究方向包括动态软件体系结构、大数据、人工智能相关领域，有多年的一线研发经验。

欢迎关注作者，欢迎咨询计算机相关问题。

3、如何学习数据分析？

　　根据数据科学家一生的三个发展阶段，将这些计划做了分类。大家可以自己判断哪些计划适合自己并按照计划行动起来。如果你已经成功地完成了现有阶段的任务，就可以转向下一阶段。

　　初级水平

　　什么是初学者？——如果解析学和数据科学对你来说是全新的领域，你也不知该行业的发展模式，而你又想在这个行业大展拳脚一番，那么初学者就是你。以下这些应该在你的计划之内。

　　1. R语言也好，Python语言也好，学习一门新的编程语言

　　我曾见到有同学同时学习R语言和Python语言，最后落得两手空空。这种做法是很致命的。你一定要沉下心来专攻一门。鉴于这两种语言都是开放源代码工具，所以在公司里都有广泛运用。Python被公认为最简单的编程语言，而R语言一直都是最受青睐的统计工具。学习哪一门的决定权在你，因为两个同等出色。

　　推荐课程：推荐R语言和Python入门课程《Python入门：数据挖掘实战》、《R语言入门》

　　2. 学习统计学和数学

　　统计学的内容全都是关于假设和数列，然而没有统计学和数学的知识你很难深入到数据行业里，这是数据科学家的重中之重。

　　3.一次性完成一门网络开放课程（最难执行）

　　大规模网络开放课程可以免费获取和学习，可这对你来说也是最难实现的诺言。很多学生通常一次性注册选修很多课程，结果一门也没有圆满完成。所以，你一定要一次专注一门课，完成之后再选下一门。

　　推荐课程：推荐R语言和python进阶课程：《R语言实战》、《Python进阶：数据挖掘算法》

　　4.了解业界动态，善于探索和发现

　　你要了解业内动态。我们生活在一个变化的世界，一夜之间事物就可能发生重大变化，今日和流行的技术明日就很可能面临淘汰。你一定要多与一些富有经验的专业人士、业内专家交流，预见未来的自己。所以赶快参与到讨论和聚会中来吧，关注一些微博微信，加入一些群组，多阅读一些书籍。

　　中级水平

　　中级水平的数据科学家是什么样的？——如果你已经完成了前一阶段的内容，有过机器学习基础知识的实践经验，掌握了建立预测模型的知识，那你就达到了中级水平。完成这一阶段需要强大的决心和持久的练习。你准备好迎接这个挑战了吗？

　　1.理解并构建你的机器学习技能

　　机器学习是数据科学和技术的未来。所有的大型企业都不惜重金雇用掌握这个技能的人才。毫无疑问，近日来这项技术的需求越来越大，现在正是你充分利用这一局面的大好时机。今年，你应该努力在机器学习上精益求精，深入掌握回归、聚类和分类与回归树（CART）技能。

　　推荐课程：《机器学习与R语言实践》，斯坦福大学公开课《机器学习》

　　2. 专注集成算法和Boosting算法

　　一旦你对机器学习充满自信，那就继续去学习其他模型。通过Boosting和集成算法，你的模型准确率与其他算法相比会突飞猛进。

　　3. 探索Spark、NoSQL和其他大数据工具

　　今年你的学习之旅始于大数据。考虑到大数据专业人员的需求激增，你一定要学习Spark，这个工具最近非常火爆。大数据的未来就在Spark，它广泛用于处理和操纵数据。除此之外，你还可以拓展到NoSQL和Hadoop领域来。

　　推荐课程：从Spark迈出学习第一步。推荐观看课程《大数据实战工具Spark》

　　4.给社区成员做分享

　　还有什么比分享知识更美妙呢！从今年开始，你可以把自己的知识分享给正在数据科学的路上不断探索的人们。你可以加入活跃的数据科学论坛，给他们答疑解惑，你也可以在附近的行业圈里发起聚会。

　　推荐任务：关注大数据公众号和论坛等等。

　　高级水平

　　对于进入这个阶段的人我就不需要来给出标准了，你们所了解的数据科学，很多人甚至连尝试的勇气都没有。身处这一阶段，你们的生活惬意而又自如。可有时还想去迎接挑战，以下是一些计划。

　　1. 建立深度学习模式

　　你们要为有志于成为数据科学家的人们树立榜样。你要下决心在今年建立深度学习的模式。全球的人都在用这一模式进行预测，它是机器学习的高级阶段，其准确率明显高于普通的机器学习模型。

　　推荐课程：完成深度学习辅导课程任务。

　　2.回馈

　　我相信知识的意义不是被束之高阁，而是与人分享。分享越多，收获越大。据说，如果你了解一个新概念并解释给你的两个朋友，你对这个概念的记忆很可能会更久。所以今年，你必须制定计划，运用自己的知识和经验帮助数据分析学领域的人。这也会为更多的在这个领域的人指明方向。

　　推荐任务：在社区分享你的知识。

　　3. 探索强化学习

　　强化学习是机器学习中最有效而又鲜有发现的领域。今年，你可以下定决心研究下这个领域。虽然很有挑战性，但是一定值得你去尝试。无人汽车、无人侦察机就是强化学习的硕果。一旦开始学习这些，你就自然而言地进入到了人工智能领域。

4、如何用excel制作数据分析？

严格意义上来讲，5000条数据称不上大数据，用excel是非常简单快捷的工具。给您提供简单的思路供参考。

1、确定分析思路。我们需要分析一个什么样的结果，简单介绍一下5W2H分析法，即何因（why），何事（what），何人（who），何时（when），何地（where），如何做（how），何价（how much），结合新生的数据情况，确认好要分析的目标。当然也有其他的分析方法，如PEST分析法，逻辑树分析法等。

2、数据处理。包括数据清洗和加工。比如日期格式，缺失值等。及时查漏补缺，确保数据的质量。这里要掌握一些基本的函数用法，比如：sum，average，dateif，vlookup等。

3、数据分析：主要用到的工具是数据透视表，他是一种交互式的报表，利用它，我们可以方便的调整分类汇总的方式，灵活的以多种不同方式展现数据特征。主要用的功能：数据排序，筛选，分类汇总等数据处理功能。

问题1、5000人中来自上海的学生有多少？

问题2、男生，女生的占比有多少？

问题3、重名人数有多少？

4、数据的展现。基本的图表有饼图，条形图，柱形图，折线图，散点图等，不同的图形用来暂时的重点也不一痒，占比建议用饼图，趋势建议用折线图等。

更多详细的步骤，可以参考天善智能学院李奇老师的

用Excel对话数据-零基础Excel商业智能分析

课程地址：https://edu.hellobi.com/course/118

更多的学习数据分析的视频课程，可以登录天善学院，https://www.hellobi.com/

5、如何提高企业的数据分析能力？

伴随企业信息化的发展，企业的核心竞争价值成为企业发展多年沉淀的业务数据。通过对企业的数据进行分析逐步形成企业的核心竞争力，我认为可以从以下几个方面来提升企业的数据分析能力：

一 建立坚实的数据根基

数据分析首先需要保证分析结果的准确性，所以建议企业先对数据的质量进行统一管理，结合主数据平台建立企业的数据管理标准，将内部不规范、不全面、有错误的数据进行清洗、转换、集成，用户按照不同的权限进行各自业务数据质量以及主数据的把控，保证数据的唯一性、准确性、一致性、及时性。

二 内部数据收集分析

基于数据标准统一、质量监管后，将企业内部核心的业务数据进行整合、分析，搭建企业的数据分析平台，参考行业分析模型，结合企业自身管控需求，为企业量身定制满足企业当前管理需求及未来发展需要的分析模型，精确反映出企业的管理问题，助力企业精细化管理、以数字驱动企业决策，提升企业的核心竞争力。

三 外部数据引入分析

基于企业内部数据分析达到一定成果后，内部数据梳理清楚，呈现数据价值之后，企业可以通过爬虫、购买等手段引入外部数据，基于大数据工具、方法，实现本企业与行业标杆企业的对标分析，了解行业的动态趋势与差距，对比行业历史发展数据情况，结合不同的分析预测算法进行企业趋势预估、风险预警规避。

综上总结：企业数据分析的构建可以从根基做起，先进行内部数据治理，标准规范，后挖掘内部数据价值，规范企业管理，逐步过渡引入外部数据，实现趋势预估与预判，从而不断的提高企业的数据分析能力、风险管控能力，通过大数据建设来推进业务升级优化、经营管理水平提升。

6、数据分析的方法有哪些？

在数据分析中，数据分析思维是框架式的指引，实际分析问题时还是需要很多“技巧工具”的。就好比中学里你要解一元二次方式，可以用公式法、配方法、直接开平方法、因式分解法。

数据分析里也有技巧，在一些通用的分析场景下可以快速使用，而且对未来构建数据分析模型也有帮助。

接下来就分享常见的5种数据分析方法，分别是：公式法、对比法、象限法，二八法，漏斗法，常常多种结合一起使用。

注：主要偏思维层面的，基于业务问题对数据的探索性分析，不同于专业统计学中的数据处理方法。

一、公式法

所谓公式法就是针对某个指标，用公式层层分解该指标的影响因素，这个我在指标化思维中提到过。

举例：分析某产品的销售额较低的原因，用公式法分解

第一层：找到产品销售额的影响因素。某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理？

第二层：找到销售量的影响因素。分析各渠道销售量，对比以往，是哪些过低了。

第三层：分析影响渠道销售量的因素。渠道销售量=点击用户数X 下单率。是点击用户数低了，还是下单量过低。如果是下单量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。

第四层：分析影响点击的因素。点击用户数=曝光量X点击率。是曝光量不够还是点击率太低，点击率低需要优化广告创意，曝光量则和投放的渠道有关。

通过对销售额的逐层拆解，细化评估以及分析的粒度。

公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。

二、对比法

对比法就是用两组或两组以上的数据进行比较，是最通用的方法。

我们知道孤立的数据没有意义，有对比才有差异。一些直接描述事物的变量，如长度、数量、高度、宽度等。通过对比得到比率数据，增速、效率、效益等指标，这才是数据分析时常用的。

比如用于在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。

下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。

三、象限法

通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常于产品分析、市场分析、客户管理、商品管理等。

比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。

高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。

高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。

低点击率低转化的广告，可以放弃了。

还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

象限法的优势：

1.找到问题的共性原因

通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；

2.建立分组优化策略

针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。

四、二八法/帕累托分析

二八法也可以叫帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。

常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

百分比在 70%（含）以内，划分为 A 类。

百分比在 70~90%（含）以内，划分为 B 类。

百分比在 90~100%（含）以内，划分为 C 类。

以上百分比也可以根据自己的实际情况调整。

ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。

五、漏斗法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。

整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。

还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。

从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。

不过，单一的漏斗分析是没有用的，不能得出什么结果，要与其它相结合，如与历史数据的对比等。

7、如何写好一份数据分析报告？

一份完整的数据分析报告，通常包括 7 个模块，但这些模块并非一成不变，不同的领导、不同的客户、不同的数据，都有可能会影响到数据分析报告最终呈现出来的结果，不同模块所花费的时间和精力也不一样。

根据数据分析报告的情景，有些模块是可以省略的，比如说，附录并不是必须的。

下面我们逐一介绍数据分析报告的 7 个模块。

1. 标题封面

一个好的标题，能让读者在看到报告的一瞬间就产生阅读的欲望，也能让读者迅速理解报告的主旨。

标题一般要符合 SPA 原则：

（1）简单明确 Simple

（2）利益相关 Profit

（3）准确客观 Accurate

有时候，可以在标题中加入部分关键性的结论词语，以增加吸引力。

比如说，春节期间内推奖励翻番。

但是，强烈建议大家不要做「标题党」，如果文不对题，那么就是在浪费读者的时间，次数多了以后，你将会失去读者的信任。

在数据分析报告的标题封面页，可以注明报告的制作者、所在单位或部门、完成日期等信息。

2. 目录导航

目录主要是将报告的各模块呈现给读者，方便读者快速了解和查找报告的内容，起到一种导航的作用，让读者在看报告的过程中不迷路。

当报告的篇幅比较长时，可以对目录进行细分。

比如说，按照 4P 和 4R 营销理论，我们可以把分析正文细分为 8 个部分：

相应的目录导航如下：

一、背景说明

二、思路方法

三、结论建议

四、分析正文

1、产品分析

2、价格分析

3、渠道分析

4、促销分析

5、顾客关联

6、市场反应

7、关系营销

8、利益回报

五、附录

3. 背景说明

背景说明页，一般用于阐述项目需求、分析目的、市场情况、前提假设、概念定义、适用范围、数据来源等，以便让读者知道项目的前因后果，了解分析报告的严谨性和数据来源的可靠性。

为了让背景说明更具有吸引力，可以采用讲故事的 SCQA 模式：

（1）描述情景 Situation

（2）引发冲突 Complication

（3）提出问题 Question

（4）给予解答 Answer

比如说，去年销售额增长 20%，然而，利润却下降了 5%，如何提高利润率？请看下面的结论建议。

4. 思路方法

思路方法页，是为了便于读者理解报告的逻辑线索，可以包括分析的理论和框架、研究方法、算法模型等等。

比如说，在「腾讯00后研究报告中」，包含社会化理论、研究分析框架和研究方法等：

5. 结论建议

结论建议页，经常放在分析正文的前面，尤其是当报告给高层领导看时，因为这样可以大幅度节省高层领导的时间，毕竟，高层领导的时间是最宝贵的资源。

如果你能更加快速地传递有效的信息，那么就是在创造价值。

数据分析报告的价值，在于给决策者提供参考和依据，而决策者需要的不仅仅是找出问题，更重要的是解决问题。

所以，结论建议一定要简明扼要、抓住重点，得出的结论一定要严谨慎重、有理有据，给出的建议一定要合情合理、能落地执行，应该注意 3 个要点：

（1）搞清楚要建议的对象；

（2）符合业务的实际情况；

（3）不要回避不好的结论。

6. 分析正文

分析正文通常是数据分析报告中篇幅最长的模块，包括用来支持结论建议的论据和论证，一般符合金字塔原理，采用「总 - 分 - (总)」的结构。

在《结构化写作》这本书中，介绍了构建金字塔结构的 4 个原则：

（1）论：结论先行，强调的是一次表达一定要有清晰明确的结论，一次表达只支持一个核心观点或中心思想，并且要放在开头的位置；

（2）证：以上统下，强调上下层级之间的论证关系，上一层结论是对下一层信息的概括和总结，下一层信息则是对上一层结论的解释和说明；

（3）类：归类分组，强调分类的重要性，把具有相似性或相互关联的信息要按照一定的标准进行分类，归为同一个逻辑范畴；

（4）比：逻辑递进，强调同一层次、同一组信息之间要进行比较，同一逻辑范畴的信息必须按照一定的逻辑顺序进行排列。

7. 附录封底

附录中可以包含关键代码、元数据、参考文献等，以便让分析过程更加透明化，保证分析结果的可追溯性。

封底页还可以展示版权等信息，也可以配上一张美观的图片，写一些感谢之类的话。

根据需要，这部分内容也可以省略。

本篇总结了数据分析报告的 7 个模块，分别是标题封面、目录导航、背景说明、思路方法、结论建议、分析正文和附录封底，根据业务的实际情况，其中有些模块是可选的。

数据分析报告的好坏，能够反映出数据分析师水平的高低。无论分析方法多么先进，如果不能将分析结果有效地组织和展现出来，就无法体现数据分析的价值。

因此，每一个数据分析师都应该高度重视数据分析报告。在实际工作中，可以结合业务的实际情况，学习优秀的数据分析报告，并且学以致用，多加锻炼，从而不断提升制作数据分析报告的能力，做出更多更好地数据分析报告。

文章作者：林骥

8、大家是如何进行数据分析的？

其他人如何分析的我不知道，只记得一朋友打麻将时特精，很少会输，每次都将牌局分析得头头是道，哪些牌已出过记得一清二楚。

9、如何练就数据分析的思维？

大数据分析技术的发展，人们对数据与数据分析的重视程度提高，但无论是大数据分析还是数据治理，具有运用与分析数据的思维更重要，即数据分析思维。它是根据数据来思考分析事物的一种思维模式，具备数据分析思维的人可以正确的运用数据去分析处理一些事物，讲究逻辑关系，用数字说话，而不是靠传统的经验去判断。很多人都想拥有数据分析思维，这种能力不是与生俱来的，需要我们加强学习。

1. 与数据打交道，数据分析思维一定离不开数据，要加强数据的研究，例如有哪些业务数据、数据的产生源头、走向、流程等，多研究与分析数据，提升对数据的感知。

2. 逻辑归纳能力，多阅读一些文章，将里面复杂的问题分解成一个个单一的点，进行总结、归纳与排序，明确先后发生的关系，支撑必备的条件等，使之具备条理和逻辑性。

3. 反向推理演绎，要具备演绎能力，将要发生事物过程在头脑中虚拟演绎，通过问题的结果反向推演事情的经过，寻找问题点；或假设事物的起因，而推测即将发生的结果。

4. 指标与维度分析：思考罗列出需要分析的问题的指标，列出指标项，进行主题的细分，之后拟定分析的维度，当然这些过程都可以使用数据分析工具辅助完成。

数据分析思维不是一天两天就能够炼成的，首先需要具备客观的、逻辑化的思维，之后不断用数据去证明，将问题从出现、到解决、得出结论、总结的不断往复的长期性过程。