数据分析共性步骤

步骤一：问题分解、建模

这个部分的拆解质量会直接决定决策的有效性，也是最难入手的一部分，也是大多数人即使身怀绝技，也难为“无米之炊”。例如你/公司想保住你的财富，想了解黄金价格的影响因素，有过黄金历史研究的人、会比没有的人有更多的见解，他们知道影响 主要目标 —— 黄金价格，的 相关性因子、因果（逻辑关系、充分必要条件）、对比参照物（CPI、大宗商品价格、债券利率）所以如果你想快速入门，首先得了解该领域里面的 KOL，他们的观点、他们的研究。
通用捷径：关注该领域的热点，利用好搜索引擎、推荐引擎，直接抄作业
通用方法论：
· 描述性统计：发生了什么？均值、中位数如何？相比较在什么水平？
· 诊断性分析：为什么发生？什么事物、维度影响了它？
· 可视化证据：明细表格、占比、趋势能否说明它？
· 预测性分析：之后会有什么可能？
· 指导性分析：需要做什么？

步骤二：数据处理

Pass，这部分涵盖内容较多，主要是工具层面，先排除在方法论层面

步骤三：可视化、决策推演

按结论类型可以采用不同的展示方案

其他需要了解的事情

1. 关键的还是 对领域知识的理解和对事实的观察。所有模型都源于人对世界的观察和认知，统计和分析只是入门工具，经验和认知能力决定了数据分析结论逼近事实的程度。
2. 对问题的拆解很重要，尤其是复杂问题。比如，”用户流量是什么？有什么问题？要如何提升？“这类问题，如果不对其进行拆解，宽泛的问题只能得到宽泛的答案。相对的，只有拆解到一定的简单程度，才能选择逐一选择合适的数据分析方法论，完成分析。但是拆解恰恰是最难的，在明确1个或1类数据后，统计学很有用，但是在拆解问题上却是效用最差的方法。