0. 序言

經過前期的讀取數據、清洗數據、操作數據、轉換數據和整理數據，接下來我們將進入分析數據的階段，這是數據分析工作的 重中之重 。

假設你的 客戶 （ 可能是你的領導，也可能就是你自己 ），給你發來一份銷售數據，他希望你分析分析，看看如何提高銷量。

你不妨先自己思考一下，當你接到這個分析任務的時候，你會怎麼做？然後再看看下面我是怎麼做的，這也是一種對比思維，促進自己多思考和總結，歡迎在文章下面留言分享你的想法。

1. 明確目標

上初中的時候，我們學過函數的概念，通常用 y = f(x) 來表示函數，它包含 3 個要素：自變量 x、因變量 y 和對應法則 f。我們可以把函數中的 y 理解爲目標，把 x 理解爲數據，把 f 理解爲實現目標的方法，要找到合適的方法不容易，這需要對業務有深刻的理解。

數據分析的第一步，是明確業務的目標，關鍵在於搞清楚 客戶 關心的是什麼 。如果未明確目標就進行數據分析，那麼就如同旅行沒有目的地，不知道終點在哪裏。

比如說，客戶的目標是提高銷量，但這還不夠明確，爲了搞清楚客戶的真正意圖，你得了解更多的信息，多問幾個「是多少」，使目標得到量化。例如：您希望銷量提高多少？

2. 應用思維

現實世界複雜多變，我們通常應用思維來理解業務的實際情況。

你的分析觀點往往來自於你的分析思維，所以正確地運用好分析思維是非常重要的 。

參考《 數據分析的 8 種思維 》 ， 首先， 我們可以 運用 對比 思維，對數據進行有效的對比，這是數據分析工作的核心方法之一。

其次 ，我們運用 細分 思維，對數據進行細分， 關鍵是要找出高效的對比因子，先分維度，再分粒度。 通過多個維度的細分，將對比的差異按粒度逐級鎖定，對問題進行定位，尋找問題的根源。

然而，問題的答案可能還是沒有找到，此時 你可以運用 溯源 思維，密切關注更多的細節數據，想辦法從原始數據中進行追溯，思考用戶的行爲特徵，深入挖掘數據背後隱藏的信息。

在數據分析的過程中，我們可以運用假設等思維，大膽假設，小心求證。 無論是構建複雜的分析模型，還是進行簡單的數據決策，都要做出自己的設想和判斷。

最後，要做好思想準備，如果通過分析，發現數據有違你的假設，那麼就更加需要你進行詳細思考，仔細推敲，在這個過程中，你對用戶行爲的理解也會逐漸加深，從而數據分析的功力也會得到增強。

3. 處理數據

假設經過整理後的銷售數據如下表：

我們用 Py thon 進行讀取並預覽數據 。

通過觀察發現，數據中包含每天的實際銷量、目標銷量和目標完成率，爲了從更加宏觀的層面，把握銷售的整體情況，我們按月份進行彙總，首先，在表格最前面的位置插入一列：月份。

然後按月份進行彙總求和，重新計算月度彙總的目標完成率，並將彙總結果保存到 Excel 文件中。

4. 分析推理

仔細觀察上面的月度彙總數據，你會發現，與 7 月份進行對比， 8 月份的銷量 略有上升，但與目標進行對比，目標完成率反而下降，這是一個比較嚴重的問題。

爲了搞清楚這個問題產生的原因，你可以先進行探索性的數據分析。

在 Python 中，有一個很實用的包：pandas-profiling， 號稱用 1 行代碼就能生成數據分析報告。 如果你還沒有安裝的話，推薦你在命令行運行一下：pip install pandas-profiling，然後在 Jupyter Notebook 中運行以下代碼：

這是一份比較詳細的探索性數據分析報告，上圖僅顯示了其中一小部分信息，往下拉，可以看到每個變量的數據分佈等情況。

繼續往下拉，還可以看到各個變量之間的相關性，從圖中能夠直觀地看到：實際銷量與目標完成率之間具有比較強的正相關性，這也很好理解，因爲在目標銷量變化不大的情況下，實際銷量越高，目標完成率也就越高。

在做進一步的分析之前，你還需要熟悉業務的背景，假設公司經營的業務是在網上商城賣化妝品，提高  8 月份 目標銷量，是因爲 8 月份加大了廣告費的投入。但是， 廣告的效果 並沒有達到預期，所以目標完成率下降了。

對於「如何提高銷量」這樣一個大問題，我們很難直接回答，可以試着細分爲小問題，例如： 哪種促銷方式效 果更好？ 我們的用戶希望得到什麼？

上面案例中的銷量數據，已經按時間的維度做了劃分，實際上， 除了按時間維度進行細分以外，還可以嘗試很多種不同的細分維度。 比如說，按地區的維度： 省份、城市等等， 按銷售渠道的維度： 京東、天貓等等。

現實情況往往是複雜的， 需要你運用相關思維， 理清各種 關係。比如說，從廣告展示，到用戶點擊，再到付款購買，形成一個銷售 漏斗 ，每個環節都有相應的轉化率指標。

爲了尋找提高銷量的機會，你可以嘗試運用假設思維，列出一些假設情況，例如： 假設換種促銷方式會怎麼樣？假設 降低產品的價格會怎麼樣？

假設你經過深入分析，在原始數據中，發現一些購買保溼霜的男性用戶，而這些保溼霜原本是專門爲女性用戶設計的。經過調研，你知道了這些男性購買化妝品的用途，原來 他們是用保溼霜來做剃鬚後的保養，這恐怕是一個有價值的發現 。

5. 提出建議

你懷着激動的心情，開始撰寫數據分析報告。此時你要記住，數據分析報告的重點，不是那些 花裏胡哨的圖表，而是提出有效的行動建議。

除非將數據分析用於做出更好的決策，否則，數據分析將毫無用處。

因此，作爲一名數據分析師，要想方設法提出有效的行動建議，爲業務創造價值。

首先，你要清楚地知道，自己從數據中發現了什麼，要指出 不確定 因素，小心防範並想辦法填補知識的空白，儘量避免作出過頭的結論，對分析結果負責，積累自己的信用，讓客戶更尊重和信任你，並理解你的分析和判斷也具有侷限性。

其次，你提出的行動建議，重點是要得到客戶的理解，鼓勵客戶以數據爲基礎，從而作出明智的決策。

最後，在數據分析報告中，你需要簡明扼要地闡述分析成果，並提出建議改善的措施。

例如：我深入地分析了銷售數據，做了很多種不同的大膽假設，並小心檢驗了假設的合理性。我發現有一羣男性用戶，他們用女性的保溼霜，來做剃鬚後的保養。這羣人對產品的需求很特別，但是，他們並不宣揚自己的這種需求，導致我們平時很難發現他們。因此， 建議 推出男性更容易接受的剃鬚保養產品， 增加 對這羣人的廣告投放 ， 我認爲這將提高銷量。

6. 小結

本文介紹了分析數據、解決問題的一種思路。

首先，明確業務的具體目標。

其次，應用分析思維來理解業務的實際情況。

再次，用 Python 對數據進行彙總處理。

然後，綜合運用各種分析思維和分析工具，對數據進行分析推理。

最後，得出主要的分析結論，提出有效的行動建議。

限於文章的篇幅，本文 並沒有深入探究具體的業務細節，如果你想了解更多分析數據的 方法，請在文章下面留言告訴我 。

下面是本文的思維導圖：