数据分析之道： 用数据思维指导业务实战

"本书作者是互联网大厂资深数据分析师 作者累计创作 “100+”篇数据分析原创文章，所有渠道累计阅读量超1000000 本书是数据分析方法论与统计学知识、编程语言及应用案例的完美结合 本书适合工作了1～3 年的初级数据分析师 已经掌握了数据分析工具，需要培养数据思维的转行人员 数据科学行业的人力专家和猎头等"

本书以数据思维为主题，以数据分析全流程为主线，融合了编程语言、统计学基础及案例分析等内容，全书分为4篇，囊括了数据思维的概念和培养方法、数据来源及体系建设、数据分析三大思维方式及用户流失、用户转化实战等共11章的内容。本书囊括了数据分析中常用的分析方法，包括经典的海盗（AARRR）模型、麦肯锡的MECE模型、逻辑树、漏斗分析、路径分析、对比分析、A／B试验、RFM模型、K－Means算法、5W2H等分析方法，还包括各类方法的实践案例及Python实操项目。可以说本书是数据分析方法论与统计学知识、编程语言及应用案例的完美结合。

"李渝方，网名森夏恩，复旦大学硕士，生物医学专业转行互联网数据分析，先后就职于游族网络、 阿里巴巴，现就职于某互联网大厂担任数据分析师。知乎数据分析话颖的优秀回答者， 公众号“数据万花筒”运营者，累计创作 “100+”篇数据分析原创文章，原创文章在所有渠道累计阅读量超过百万！ 随书配套的数据资源可在公众号“数据万花筒”后台回复 “数据思维” 获取，或者扫描封底二维码添加博文小助手来获取。"

第1篇 数据思维
第1章 数据思维是什么
1.1 从数据治理流程浅谈数据思维
1.1.1 什么是数据治理
1.1.2 数据治理流程介绍
1.1.3 从数据治理流程谈数据部门岗位职责
1.1.4 数据分析师在数据治理流程中所需要的数据思维
1.2 数据思维到底是什么
1.2.1 应用数据思维的工作
1.2.2 数据思维是可以培养的
1.3 数据思维最直观的解释
1.3.1 构建有效的监控体系和客观的评价标准
1.3.2 用合理的分析方法探究原因以及评价效果
1.3.3 综合运用统计学知识对活动效果进行预估
第2章 为什么数据思维如此重要
2.1 数据思维是数据分析师推荐的技能
2.1.1 数据分析师推荐的硬技能
2.1.2 数据分析师推荐的软技能
2.1.3 为什么软技能比硬技能重要
2.2 数据思维是数据分析师成长晋升的推荐技能
2.3 数据思维能帮助数据分析师建立影响力
第3章 数据思维如何培养
3.1 熟悉常用的数据分析方法
3.1.1 三大分析思维
3.1.2 不同生命周期的分析方法
3.2 树立目标意识，寻找潜在分析点
3.2.1 为什么需要树立目标意识
3.2.2 通过多问“为什么”，树立目标意识
3.3 不预设立场，通过客观的标准代替主观的判断
3.3.1 不预设立场才能做到客观
3.3.2 预设立场与假设检验的区别
3.4 基于数据分析结果为业务方提出切实可行的解决方案
3.4.1 数据分析师提出合理建议需要经历的三个阶段
3.4.2 数据分析师需要避免的几种提建议的方式
第2篇 数据指标体系
第4章 数据埋点
4.1 数据埋点简介
4.1.1 从数据产生流程浅谈数据埋点
4.1.2 为什么需要进行数据埋点
4.1.3 数据埋点能够采集哪些用户数据
4.1.4 数据埋点与隐私保护
4.2 数据埋点分类及主流的数据上报技术
4.2.1 数据埋点的分类及方式
4.2.2 主流的数据上报技术
4.3 数据埋点方案设计
4.3.1 数据埋点流程
4.3.2 通过六个步骤实现数据埋点设计
4.3.3 以电商成交为例实现数据埋点设计
第5章 数据标签体系
5.1 数据标签体系与用户画像
5.1.1 什么是数据标签体系
5.1.2 数据标签体系的作用
5.1.3 数据标签的分类
5.1.4 用户数据标签的层级分类
5.1.5 数据标签体系与用户画像的关系
5.2 如何构建数据标签体系
5.2.1 数据标签体系构建的流程
5.2.2 数据分析师在标签体系构建过程中承担的角色
5.2.3 以某App付费用户的数据标签体系的构建为例，浅析数据标签体系构建过程
5.3 数据标签体系的应用场景
5.3.1 数据标签体系辅助运营人员进行决策分析
5.3.2 数据标签体系可提升数据分析师的分析效率
第6章 数据指标体系
6.1 从中国人口数据初识指标体系构建
6.1.1 什么是指标体系
6.1.2 为什么需要指标体系
6.1.3 指标体系的评价标准及注意事项
6.2 用四个模型梳理数据指标体系构建的方法论
6.2.1 构建数据指标体系的方法
6.2.2 用三个步骤、四个模型梳理数据指标体系的方法
6.2.3 以GMV为例搭建数据指标体系
6.3 如何搭建一套通用的指标体系并快速落地应用
6.3.1 多部门配合搭建数据指标体系的流程
6.3.2 搭建通用的指标体系
6.4 定位异动因素
6.4.1 数据波动多少才能称为数据异动
6.4.2 数据波动分析的方法论
6.4.3 从数据埋点到指标体系再到指标异动的闭环
第3篇 数据分析方法论
第7章 对比思维
7.1 利用对比分析得出结论
7.1.1 对比分析的作用
7.1.2 确定对比的对象
7.1.3 如何对比
7.1.4 对比分析的可比性原则
7.2 A/B试验设计及容易忽略的误区
7.2.1 什么是A/B试验
7.2.2 A/B试验能解决什么问题
7.2.3 A/B试验的流程
7.2.4 A/B试验常见的误区
7.3 A/B试验背后涉及的统计学原理
7.3.1 什么是抽样
7.3.2 样本为什么可以代表总体
7.3.3 通过假设检验判断A、B两组样本是否存在差异
7.3.4 如何通过样本估计总体
7.3.5 如何确定足够的样本量，以达到所希望的边际误差
7.3.6 如何衡量试验效果
7.3.7 多重比较中P值修正的三方法
7.4 Python实战：A/B试验在广告方案选择中的应用
7.4.1 试验背景
7.4.2 数据基本情况探索
7.4.3 A/B试验结果分析
第8章 分群思维
8.1 从用户生命周期浅谈分群思维
8.1.1 什么是分群思维
8.1.2 为什么需要用户分群
8.1.3 用户分群方法论
8.2 用数据分箱进行结构