商业体系
数据分析 之道
培训 第一期
毕然
主要内容
• 什么是数据分析（道）
– 数据分析是什么？
– 什么是做好数据分析的关键？
– 分析要思考业务，尤其接地气
– 分析要言之有物，行之有效
• 数据分析方法（术）
• 常见统计陷阱
• PPT蕴含的人生哲理
数据分析，一个容，但不容的
工种
做好的数据分析的关键是什么
？
--- 数据分析的核心能力在
方法（统计技术）之外
数据分析是什么？
• 字面拆解： 数据 + 分析
• 有骨有肉方成一个人
– 分析是骨架（主）
– 数据是血肉（附）
• 常见错误
– 只有数据：机器报表不行么？
– 只有分析：你是瞎猜的吧？
以分析为骨，数据为肉，
有理有据组织报告
什么是做好数据分析的关键？
• 数据分析的核心：思路 > 方法
– 思路：业务调研+逻辑思考+创新灵感+可行建议
– 方法：汇总统计，Make it Simple(切忌喧兵夺主)
• 数据分析的价值与定位
– 百度的T序列不重视数据分析（数据分析的能力难以评价）
– 麦肯锡一个分析报告卖了上千万（仅有简单统计）
– 数据分析对一个企业有巨大价值，作用于业务发展的前（探索）期或阶段性改进
期（颠覆创新），先有数据分析，才能定业务模型，再后是建模优化（机器学习）
• 数据分析人才
– 同样的数据，仁者见仁智者见智，分析人才的不可复制性
– 做好数据分析的人不一定能当老大，但至少能当军师
分析要思考业务，尤其要接地气
• 数据分析要轻方法，重调研
– 方法上，基本统计即可
– 调研上，亲临一线去询问、了
解实际情况，切近“数据空想”
– 只有熟悉业务，才能提供有价
值的分析和建议
网络流行语“某省市的金领总想
赚某省市屌丝的钱”
数据显示，某省市网购分
化严重，有很多大买家
某省市中有不少网购发烧
友啊！
数据显示，某省市不热衷某著名企业互
联网
是某省市人群文化程度低吧？
客户流失仅仅是推广效果不够理想吗？
嫁了有，不做了，不想辛苦
看心情.心情好就上线
前阵子北京下大雨，把工厂冲跨了，目前还未恢复生产
客户自己一个人一个公司 ，他有事情就去出去不上广告,有的客户去上厕所也要暂停广告
老板不在国内，负责人每次都要等余额为零，才申请续费，导致拖延
帐户一直断断续续地上线，维护问其为何这样，客户回答有做seo，所以不会把重心放于花
没有时间去银行转账,又不相信不相信快递取款, 网银续费也不会
客户需要时间评估效果，对比推广时和暂停时的效果差距
客户说太忙了，两个孩子要上幼儿园 要考大学，没时间
不靠推广带来客户，只是让他的客户在百度上能找到他的信息就可以
客户说都买宝 生意太好了 百度不是不做 只是暂时不做，已经停了2个多月了
客户没有给任何理由，打电话告诉他失效需要续费了，客户说知道，问客户什么时候续，他说这个
是他的自由，不需要我们管要续的时候自然会续，说我们不要太罗嗦
客户家里出事动手术，花十几万，没
怀孕了，没时间没精力管
感觉或者听朋友说恶意点击多
有接到电话,但是一直没成单,客户只看结果,不看过程
百度太贵做不起，关键词价格太高了。多次预算照样在中午撞线，支出和投入不成正比
真正来自一
线各种略带
喜感的说法
仅坐在办公
室里对着流
失客户数据
空想
可行么？
分析要言之有物，行之有效
• 数据分析，我们真的是仅仅想分析么？ 价值
– 分析报告的及格线是“言之有物” --- 事实
– 优秀线是“振聋发聩”或“醍醐灌顶” --- 分析
– 满分线是产生了切实有效的行动方案 --- 建议
• 分析实例：我某省市场领先地位，针对次位的
竞争对手近期发展进行数据分析
– 及格线：竞争对手发展势头某省市场份额怎样变化
– 优秀线：虽然竞争对手近期势头发展很猛，但实际上
他突出的优势在X，劣势在Y，未来可能会采取什么行
动某省市场上的其它竞争对手也不容忽视
– 满分线：针对于竞争对手的可能动作，我们有如下方
面需要改进：加强优势A、B、C，与X达成进一步战略
合作关系，并收购Y等等
What is your point?
mon sense
Amazing, I never
thought this before
Let us take action
主要内容
• 什么是数据分析（道）
• 数据分析方法（术）
– 汇总统计：起源
– 汇总统计：设计
– 汇总统计：样本量
– 汇总统计：分拆技巧
– OLAP 概念
– 机器学习
• 常见统计陷阱
• PPT蕴含的人生哲理
数据分析的的基本方法是统计
为什么会有统计？ 怎样设计统计指
标？ 我们能信任统计结果么？
统计的发展极致：OLAP与机器学习
汇总统计 --- 起源
• 起源：用单个数或者数的小集合捕获可能很大值集的
各种特征
– 频率度量：众数
– 位置度量：均值和中位数
– 散度度量：极差和方差
– 数据分布：频率表、直方图
– 多元汇总统计：相关矩阵、协方差矩阵
总不能指望大老板看几十万客户的消费变化细节，
来得到公司运营状况吧
汇总数据的初衷如
公司的组织结构，
高层期望看到工作
概要，而不是细节
汇总统计 --- 设计
• 标准差：想设计一个指标，可以用来衡量数据集合的发散性，经过如下思考
– 每个样本的偏差累加就可以衡量 （real num - mean）加和
– 偏差较大的值应该具有更大的权重 （real num - mean）^2
– 集合中数字越多，方差越大，应该与集合大小无关 Mean(（real num - mean）^2)
– 量纲与原始数据不同，无法比 Sqrt(Mean(（real num - mean）^2))
– 最终结果，RMSE
汇总数据指标的设计，源于非常朴素的思想
貌似这个宽度就
可以体现数据的
波动性大小
5次约会，每次迟到10分钟，与一次迟到50分钟，哪个更难接受？
汇总统计 --- 需要多少样本
• 在美国总统选举的各种民意测验中，关于支持率的一个常
用标准是置信度为95%（误差在+%以内，置信区间宽
度为5%），那么要达到这样的标准需要多少人呢？
• 根据置信度公式：
• 计算出N=1067，至少要一千个样本以上，才能满足需求
– =, 通过R语句 qnorm(, low=F)得到
– n是样本数量，n越大，置信区间越小
– p是真实的概率，p=时候，p(1-p)最小，所需n最大
统计概率是真实
概率的一个模拟
既然是模拟，就期望有
方法来描述其准确性
置信度/置信区间
社区中部分居民进行投票，
支持率为70%，真实的概
率以90%的概率在
68%~72%之间
Who is smarter? 日久见人心
通过智力测验，邻居A的儿
子比邻居B的儿子聪明？
得分分别为98与104
置信区间+-5
汇总统计 --- 细拆与汇总的权衡
• 能细致，越细致越好
– 收入上涨 << 在吉林地区的收入大幅上涨，其它地
域不变
– 人最喜欢穿黑色的鞋子（20%） << 5~10岁的女
性最喜欢穿红色的童皮鞋（70%）
– 越细致，分类的数据更纯，信息也更有效（准确）
• 分类更纯：人的更细致分类，鞋的更细致分类
• 信息更准确：只有20%的人最喜欢黑色鞋子，但70%的
5~10岁的女性喜欢红色的童皮鞋
• 但需要保证细致分类后，分类中的样本足
够，使统计结论具有有效性
– 做鞋子喜好的调研，选取了全中国3000位客
户，为了结论更加细致有效，对年龄、性别、
居住地点做了分类统计
– 结论：北京的5-10岁女童，100%喜欢男性旅
游鞋
– 可信否？满足北京、5-10岁、女童这三个条
件的样本数量是1
在数据量充足的时候，加一些维度、拆的更细，使得
每个小格里的样本更加类似，结论更加准确
但数据不足或分拆未带来结论改变，就不能再拆，以
免结果失去统计意义
在机器学习领域，这
个问题换了个
OLAP 概念 --- 汇总统计的极致工具
• 概念：多维度多层次汇总观察数据的技术
• 核心概念
– 维
– 维的层次
– 维的成员
– 度量
• 核心操作
– 切片/切块
– 钻取/上卷
– 旋转/钻透
实例：Excel数据透视表
应用： 交互分析 与 万能报表
图：数据立方体
机器学习 --- 模型为什么work?
• 为什么存在实例“抽烟比林彪不抽烟活的久”，
还要劝人不要抽烟？
– 概率分布问题，“人事”与“天命”
– 虽然选择健康的生活方式（尽人事），我们也得听
天命（自己是正态曲线的好尾巴，还是坏尾巴），
但是天命整体分布可以变得更好（正态曲线的中轴
向好的一面偏移）
• 如果没有附加的抽烟信息，如何从一组寿龄数
据中作预测？
– 目标：MSE做为评价指标，MSE越小越好
– 方法：数据为正态分布的话，中位数（即波峰）做
为预测值使得MSE最小
• 通过如上两点，证明抽烟信息对预测是有效的，
如果一个人抽烟，那么我们预测他活到70岁，
否则75岁
• 如果再多一个酗酒的信息呢？
统计、模型、哲学的统一
世界的本源
抽烟与否的寿龄统计分布图
主要内容
• 什么是数据分析
• 数据分析方法
• 常见统计陷阱
– 相关关系的误解
– 精心挑选的平均数
– 无所不能的图形
– 缺失或不匹配的比较
– 偏差的抽样
– 挂羊头卖狗肉的推理
• PPT蕴含的人生哲理
数据分析的基本方法是统计，核心是
思考与推理
统计数据+思考推理这个结合会有很多
陷阱，为大家解析下这些“双刃剑”
相关关系的误解
• 实例
– 人的智力 vs 胳膊长度
• 很多事物表现出相关性，但之间并不存在着因果关系（即：两个事
物之间的关联关系并不能用于说明其中一个变化将引起另一个的变
化）。这种情况的出现大都为同受第三方因素的影响。
• 以书思今，学以致用
– 客户高消费 ，低流失率
– 所以要拔高新户的月消费
？
精心挑选的平均数
• 实例：小区业主申请减税 vs 卖房子
• 当数据分布呈现正态分布特点（钟形的
曲线）时，均值、中位数、众数都落在
相同的点上。而数据分布成有偏差的特
征（类似于滑梯）时，那么均值、众数、
中位数就相差甚远了。
• 以书思今，学以致用
– 分布与平均数一样重要
– 两个特例往往使得数据的统计结果产生很大的
变化
小区房价究竟是多少？小区房价究竟是多少？
即使具有同即使具有同样样的均的均值值，，这这两份两份
数据是不是很不一数据是不是很不一样样呢？呢？
数数
据据
分分
布布
与与
均均
值值
同同
样样
重重
要要
无所不能的图形
• 以书思今，学以致用
– 我们可以利用图形表达自己任何的想法，而且谁也无法指责
• 同样一份数据，2010年的前6个月，使用产品的客户
数量由最初的2w，以每个月100个的速度增长。
缺失或不匹配的比较
• 实例1（缺失的比较）
– 临床显示，本药品在10分钟内可以杀死
5w个感冒病毒
– 数据因为缺失了比较对象，而毫无意义
• 实例2（不匹配的比较）
– 美国海军的死亡率是%, 而同时某省
市民的死亡率是%，得出结论参军是
很安全的。
– 比较对象不明确、或者根本不可比，也
是常见的
• 以书思今，学以致用
– 为什么评估策略效果要有对照组？
同质组的选取特征
样
本
数
量
完全随机 按行业分层抽样
1000 标准差：
+-5%：%
+-3%：%
+-1%：%
标准差：
+-5%：%
+-3%：%
+-1%：%
6000 标准差：
+-5%：%
+-3%：%
+-1%：%
标准差：
+-5%：%
+-3%：%
+-1%：%
20000 标准差：
+-5%：%
+-3%：%
+-1%：%
标准差：
+-5%：%
+-3%：%
+-1%：%
可见评估策略收益，但无对照
组置信说明，是多么的不靠谱
选取与实验组在前三个月月环比增长差距<1%的客
户群做为同质对照组，不做任何策略，查看实验组
和对照组在之后一个月的自然增长差异的分布
这个图看着很
promising，但实
际呢？对照组
实验组
偏差的抽样
• 实例
– 10个硬币抛1000次，总会出现10个正面或9
个正面的情况
– 全国人民喜闻乐见油价上涨，水价听证会大
家纷纷反馈价格上涨影响不大
– 采用有偏差的样本，可以产生任何人需要的
任何结果
• 在抽样统计的时候，要充分思考抽样
的过程对样本造成了怎样的偏差，以
及这个偏差对我们的结论有什么影响
• 以书思今，学以致用
– 分层抽样
12次策略实验的收入增长效果
策略大涨6%
以上真牛！
世界人民生活在水深火热
中,国内人民幸福无比
中国的新闻联播是我见过最善
于利用这点得出结论的组织，
哦不，可能朝鲜的电视台运用
的更加如火纯青
挂羊头卖狗肉的推理
• 实例
– 公司与工会发生了摩擦，于是公司进行了一项“调查”来统计多少职员对工会不满。
公司公布了这样的结论：“大多数（78%）的职员反对工会，所以有必要取消工
会。”
– 360打官司老败诉，腾讯打官司总胜诉，：“真的是东方不败！与腾讯强大的法务
相比，我们实力不济，自愧不如！”
• 最普遍的表现是将看上去极像，而完全不同的两件事混淆在一起，得
出了似是而非的推理。
• 笑一下
– 小品《卖拐》中“脚麻”的桥段
主要内容
• 什么是数据分析
• 数据分析方法
• 常见统计陷阱
• PPT蕴含的人生哲理
– 抛开PPT
– 清楚自己的目标
– 讲一个故事
– 形象化思维
– 考虑受众
– 发挥想象
有了确实的数据，有了完善的分析，
有了创新的建议，但还需要有好的
展现
因为你需要说服别人！
抛开PPT ---神重于形
不要让PPT成为
负担
多数糟糕的PPT，并不是
PPT做的不好，而是本
身就不是好故事
帮忙往事
UE的
PPT
清楚自己的目标 ---以终为始
Always know
what you want
无用的信息越多，想表达
的东西就越淡
PPT中写想表达的，而不
是做了的内容
观点以最突出的方式表达
鱼的故事
PPT新人的误区
Robin首富的PPT
讲一个故事 ---集中专注
一个故事，
一条主线
随时清楚讲到这个故事哪
一部分，做好衔接
主线-辅线-强调
接骨丹
归纳
vs 论证
考虑受众 ---换位思考
把人送上月球并
在十年后安全返
回地面
我们的任务是通过
团队革新和航天战
略计划部署成为世
界太空业的先驱者
见什么人，说什么话
考虑受众的预期
使用氢聚变燃料技术和
重力控制技术，实现第
五宇宙速度的载人登月
飞船 高层汇报
or 讲座分享
专家探讨 or
大众普及
形象化思维 --- 高效沟通
大段文字是催眠药，学会
用图表思考
用图表说话
人天然对图表
有更好的接受力
标题阐述观点
无多余点缀无意义含糊
图表类型合适
发挥想象 ---创新求变
如何说的更清晰？
如何表达的更生动？
怎样能使对方更理解？
