探花 偷拍 小白初学数据分析

探花 偷拍

来到传统私企后，发现许多东谈主还停留在明细数据的阶段。相对好一些的，却是被糟蹋的后生，开局RFM、帕累托，然后解密六合。

拿起数据分析，许多东谈主容易堕入过于复杂的模子和器具中，为了“冲破迷信”也为了有一份相对能看的数据，决定写一篇易于清爽的保姆级本质指南。

01 数据科学，不是量子力学

不管何等肥硕上的谈话或器具，数据分析绕不外这3点：获得数据、清洗数据、清爽数据。

它的难，难在热搜里充斥撰述假用和听不懂。

接下来用一个案例来发达开启这篇著述：

案例配景：你需要为景区策画文创居品，但不明晰哪类文创居品受接待。你思通过分析文创居品的类型、价钱和销量等数据来获得灵感。比如，哪些类型的文创居品卖得最佳？价钱与销量之间是否存在有关性？

数据需求：销量名次前100个商品数据，包含称号、分类、价钱、销量、用途、东谈主群、材质、作风。

02 获得原始数据，减少无效需求。

咱们总合计平台取数速率太慢，或者研发诸多刁难，其实是要了太多没用的数据。

在提需求时，要再三问我方：是否有必要、是否有替代体式。

其次请要原始数据，要更少的原始数据。

通过划定数据索取的范围，减少措置冗余信息的臆想和东谈主工职守。而原始数据便于组合，但恶果数据不仅索取复杂，也很难二次加工。

在获得了数据后，先不要心焦进行数据分析，因为原始数据赓续是杂沓的。

要是不清洗数据，后续的分析恶果很可能会失真或者子虚。唯少见据“干净”了，分析器具和模子才略施展作用。

接下来，让咱们望望怎样进行数据清洗，让它变得“可读”和“可用”。

03 清洗到你看得懂，机器才看得懂

器具层面，我提出使用飞书多维表格，后续的图形化也愈加苟简。

1、数据清洗

最初算帐不消的要道词，举例：“故宫”、“文创”、“官方旗舰店”等。

清洗事后，不仅升迁了阅读体验，也裁减了机器措置数据的算力需求。

必要时，不错增多其他的算帐妙技，举例：补全空值或调和标签体式，确保数据澄莹风物。

2、数据分类

2-1、特征索取

第二步，咱们要索取有价值的特征。举例商品标题中的节日、用途、东谈主群。

最省略的面孔是使用飞书的字段捷径进行智能标签，但关于这类容易尺度化的数据，更好的体式是函数索取。

举例REGEXEXTRACTALL函数：

REGEXEXTRACTALL([商品标题]， “老师节礼物|寿辰礼物|乔迁礼物|儿童节礼物|成婚典物|创意礼物|伴手礼”)

这个函数从商品标题中索取匹配的礼物类型，将其休养为“用途标签”。

索取标签后要留意再次撤销有关要道词。

2-2、数值分类

在分析品类价钱散布时，稀薄的价钱数据无法匡助咱们有用识别问题。

但要是咱们将价钱收窄为区间，数据就会变得聚积，便于咱们的分析。

IFS( [商品价钱] <= 50，”50以下”，[商品价钱]<=100，”100以下”，[商品价钱]<=200，”200以下”，[商品价钱]<=500，”500以下”，[商品价钱]<=10000，”500以上”)

除了AI，更苟简的体式是使用IFS函数。它会把价钱匹配范围内的数值，归类到对应的区间。

通过清洗和分类，咱们和机器齐看得懂了，那就能进行下一步分析了。

04 分析好好拧螺丝，不要造火箭

分析常用的图表是：趋势图、饼图、柱状图、条形图还有词云，它们能纰漏80%的问题，就别再波特五力我了…..

趋势的波动让咱们更快发现问题，而占等到变化匡助咱们聚焦伏击的问题。组合图的交叉、下钻分析则是进一步识别问题了。

回到咱们的分析问题上。

1、文创的类型、销量、价钱

通过分析饼图不错发现：销量占比与分类占比大要匹配。

但在“其他”分类中，纸袋的销量有2万个，导致数据失真。

因此我剔除了纸袋类商品，再行分析装潢、文具、器皿等主要品类的销售情况。

品类主要聚积在装潢（29.4%），文具(22.6%)，器皿(20.17%)，品类多的亦然卖得好的。其中，平均价钱最高的是器皿（210元），最低的是文具（76元）。

2、销量与和价钱的联系

将商品收窄至分类进行后续分析，留意到右上角的按钮了吗？飞书文档生成的图表大要进行智能分析，匡助咱们进一步提效。

知悉：

不同分类商品中，器皿的商品价钱最高（210），但销量并非最高（877）。

首饰的商品价钱（154）处于中等水平，销量（506）相对较低。

分析：

价钱和销量的有关性较弱。以器皿为例，虽价钱较高，但销量可不雅；首饰价钱中等，销量却较低。这标明价钱并非决定销量的唯独要素，可能受居品秉性、商场定位等影响

飞书多维文档

3、用途、东谈主群、材质对价钱和销量的影响

知悉：老师节礼物的销量达到 1012，为所有这个词用途中最高。

儿童节礼物的商品价钱仅为 35，相对较低。

分析：

用途、价钱和销量存在一定有关性。举例，价钱较高的中秋礼物销量为 700，而价钱较低的儿童节礼物销量为 400。老师节礼物价钱并非最高但销量凸起，可能因其更合适商场需求或持行更有用。

举座上，价钱与销量呈正有关，较高价钱商品赓续有相对较高的销量。

细分用途后，价钱和销量有关性论断不相通了，咱们不错用调换的倡导去考据东谈主群、材质、创意的影响。

基于标签生成的词云，创意部分特地奇怪，这也诠释了非方向数据不适当径直索取。

终末便是输出提出了，分析必须要有不雅点和提出。

不雅点:

1）装潢、文具、器皿品类线路优异：分娩得多也卖得好，装潢品类销量占比最高，达到29.4%；

2）销量和价钱联系较复杂：举座上非强有关，部分高价值的商品如器皿销量可不雅，但其他类别莫得呈现有关的秉性；

3）节日影响权臣：老师节销量（1012件）较着进步，价钱较高的中秋礼物也线路不俗（700件），特定节日对销量有较大推进作用；

4）东谈主群、创意数据参考酷好不大：标题由于SEO仅部分有明确主义东谈主群，创意词云较为重大，提出收受品类Top5销量的居品定向查询。

提出：

1）讨论到定制化资本，提出在装潢、文具品类发力；

2）聚拢词频，前期提出优先策画泛东谈主群的平淡居品，如出支配用的包袋、家居摆放的装潢等，减少季节性和节日波动对销量的影响；

3）此外，不错基于节日主题成立资本低、分娩快的居品，如圣诞节雪柜贴。

05 终末

在业务量莫得到达一定级别的时，别花太大的力气在上流的名词上，而况很可能名词齐找错了，其次站得高不一定看得远。

当到了阿谁级别探花 偷拍，我信服也会请有益的数据分析师来作念这件事情，但愿不同岗亭的同学看了这篇著述后大要快速初学。