數據分析涉及很多知識點，各個網站也都能搜到，但很少有一種系統化的流程來參考。所以數據君認認真真地整理出一套方法論，將數據分析從0到1的流程都串聯了起來。
對於分析人員來說，過程很重要，是一個發現業務價值並探索業務價值的過程；但對於領導來說，結果才最重要，只有可落地實施可帶來實際效益的結果才是數據分析價值的體現。所以，流程中的每一步鋪墊與探索都是為了最終的業務價值的實現。
01 數據分析sop流程
數據分析共包括四大階段：
需求處理階段：考驗溝通理解能力
數據處理階段：考驗數據清洗及sql、python等工具使用能力
數據分析與展現階段：考驗分析應用與可視化展現能力
覆盤跟蹤階段：考驗反省優化能力
其實數據分析一句話總結就是：
將一堆無序的海量數據經過一系列清洗、處理、規整、加工展現，提煉出痛點及機會，從而驅動業務增長、輔助業務決策。
02 展開講講數據分析各階段
🔔1.發現問題
問題千千萬，需從中找出有效問題。
有效問題就是有價值的問題：這個問題涉及了什麼業務？與什麼指標相關？有多大的影響？能解決什麼難題？受宏觀影響還是微觀影響？無法避免還是本可避免？等等。
發現問題，可以從以下幾個方面著手：
與歷史對比
與總體對比
與競品對比
與目標對比
與經驗對比
……
🔔2. 需求處理階段
需求分兩塊：他人驅動與自我驅動。
➢他人驅動
通常由業務方、上級領導等需求方發現問題，提出需求。可能會存在需求不明確的問題，既增加溝通成本，又耗費時間成本，分析師將需求完成之後，需求方才發現自己需要的並不是這樣的，成了無意義的工作、低成本的分析。所以需要清晰get到需求方的點，瞭解清楚需求背景、需求目的、指標口徑、數據需求範圍、數據需求維度、需求的期望排期等。
另外還需明確一點，數據展示聚合還是明細。如果展示聚合，需要按照什麼維度聚合，按照什麼方式聚合；如果需要展示明細，搞清楚為什麼需要的是明細數據，因為明細數據量會比較大，既涉及數據安全，也給調取數據帶來壓力。有時候需求方要求明細數據，他們拿到明細數據之後還要再用excel去聚合去做數據處理，其實這一步驟分析師完全可以直接用sql或者BI產品解決。也就是說這個明細數據並不能一步到位讓需求方看到他想看到的數據，所以需要引導需求方瞭解下他們需求的真正目的。
做到拆解需求，將抽象的需求具體化，複雜的需求簡單化。
➢自我驅動
即分析師本人發現問題，探索解決問題的方案。
比如某個指標波動異常，先於業務方發現並解決問題；再比如專門負責某一個項目，主動通過數據探索項目優化方案。
🔔3. 數據採集
數據採集的目的是為了在分析中使用，多數情況下用到的是聚合數據。
數據採集分為內部數據、外部數據兩大塊。
➢內部數據
· 需要梳理清楚這個需求需要什麼數據
· 需要判別需要的數據是否能從現有數據庫中獲取。如果可以，應該從哪個庫中的哪個表獲取？這個表中字段的口徑和需求所需的字段口徑是否一致？
· 如果現有數據庫中沒有現成的數據可以滿足需求，就需要梳理好口徑請數倉同學重新落表。
· 如果現有數據庫中有表可以滿足，但是需要通過SQL層層關聯才能從數據庫中獲取聚合數據，最好的方式請數倉同學將你所需的聚合數據落成數據庫表，這樣一方面你使用起來較為簡單，另一方面也減少了數據展現層的BI端連接數據的壓力。
➢外部數據
· 行業報告數據
比如艾瑞網、極光大數據、阿里研究所、199IT互聯網數據中心等都會時不時的發一些行業分析報告。整個行業的數據公司內部是無法獲取的，所以可以從一些行業分析報告入手。
· 問卷採集
比如我們需要獲取用戶的一些
①主觀想法：喜歡我們產品的原因是？我們產品最吸引您的點是？您覺得我們產品最應該改進的點是？
②對競品的行為：您在xx場景下更願意使用A產品、B產品還是C產品？
③用戶習慣的場景：您在什麼場景下更願意使用xx產品？
通過問卷數據獲取一些產品中無法獲得的數據，輔助分析。
· 宏觀數據
比如我們分析的某個指標有時候也會受到宏觀政策的影響。比如在xx日出具了xx政策，本公司產品在該政策之前與之後變化多大。
確保能獲取核心的關鍵性數據，為下一步做準備。
🔔4. 數據處理
對分析師而言，這步需要分析師將數據根據腦中的分析框架處理成所需要的數據。會涉及數據異常值處理、缺失值處理、數據轉換、數據聚合、數據分組歸類以及數據準確性的校驗，為下一步的數據分析奠定好基礎。
井井有條的數據更有利於分析。
🔔5. 數據分析
數據分析需要的工具技能主要是：
· 硬實力：
①數據調取：MySQL、SparkSQL、Hive、impala、Oracle、PostgreSQL等
②數據清洗或建模：Python、SPSS等
③數據可視化：Tableau、Fine BI、Quick BI、PowerBI等
④數據分析報告：ppt、excel、word
以上硬實力並不是說全部都需要，針對不同的崗位性質需要不同的技能。比如有的分析只需要會sql、可視化工具、寫分析報告就可以了，有的分析額外還需要會python建模等。
· 軟實力：
①統計知識：描述性統計、邏輯迴歸、假設檢驗等
②排查問題的能力
③溝通能力：與業務方、數倉、上級領導溝通
④歸納總結能力：從一系列分析中歸納出最重要的點
⑤數據敏感度
軟實力更重要，工具大家認真學都能學會，軟實力卻是自己實打實的個人特色與魅力。
🔔6. 數據展現
以上準備都做好之後，就到了數據應用層：數據展現。數據展現普遍來說，有兩種形式：數據分析報告&可視化報表。
· 數據分析報告
數據分析報告要素：數據調取時間、報告出具時間、報告負責人、數據維度、分析背景、分析目的、結論要點、附表等。
❗注意：
✅最好將要點總結放在上面，這樣看報告的人可以第一時間get到要點，然後再針對性去看每個要點的分析。
✅結論要點總結，求精不求多。
✅一張圖儘量表明一個觀點，而非一張圖涉及很多種指標，傳達很多種觀點，容易造成干擾。
一份有價值的分析報告才是成果的展現。
· BI報表
不管是採取外購的BI產品還是自研，都需要有一種敏捷BI來為數據應用提供一種入口。
數據可視化旨在將複雜數據圖片化，幫助人更好地分析數據。可視化並不是單純的展示下數據，而是使分析結果可視化，注意“分析結果”這4個字。藉助於圖形，清晰有效的傳達與溝通問題。
舉個例子，可視化相較於數據，好比照片相較於文字。一張好的照片可以讓人瞬間發現其中的亮點，而無需在大量文字中去提取；一份優秀的可視化可以讓人瞬間發現數據要傳達的含義。重在直觀的展示，而非簡單的好看。
數據是思想，可視化是表達方式。想象一下，倘若公司沒有可視化，員工基本會在數據處理上耗費大量的時間，於員工而言，耗時耗力；於企業而言，員工因數據處理而導致的加班增加了開支成本，且管理層無法第一時間迅速獲得有效信息。
🔔7. 持續跟蹤
一份分析報告的完成以及一份BI報表的上線，並不是分析的終點。分析，需要可持續化的覆盤跟蹤。
比如：
① 跟蹤分析方案有沒有為公司帶來實質性的價值。
該方案執行一段時間後，需要進行執行後VS執行前的對比分析，跟蹤分析方案有沒有為公司帶來實質性的價值。② 跟蹤分析數據指標異動的原因。上線了新的報表之後，需要跟蹤下報表上指標的變化，及時感知數據是否出現異動以及探索異動的原因。
③ 跟蹤分析數據實際表現與目標的差距。
通過對歷史數據的歸納總結，聚焦實際表現與目標的主要差距，量化分析優勢與不足。
持續化的覆盤跟蹤，有助於我們查漏補缺，完善方案。更有助於探索數據深層次的含義以及及時感知數據的異常波動，提升自我價值與業務價值。
03 結語
分析其實就是要摸清楚需求對象是誰？關注點是什麼？需要解決什麼問題？過程服務於業務。分析師不是一線，但與一線人員息息相關。
以上就是數據君針對數據分析流程總結出來的要點，希望能幫助到你們。
