产品功能分析方法论
俗话说：麻雀虽小，五脏俱全。哪怕是一个很小的产品，整体上也是一个系统的工程。产品中各子功能之间，虽然强调弱耦合性，但实际上彼此之间都有一定的相互关系。就象人的身体，虽然手和足相互独立、各具功能，但总体来看，都是组成一个生命有机体的一部分。所以分析产品功能的时候，一定要站在圈外，用系统的角度去分析问题，从而避免功能遗漏。
我们的客户，往往缺乏专业性，所提出的需求缺乏逻辑，甚至好高骛远、前后矛盾，使我们无所适从。那如何站在系统的角度去分析用户需求？从而分析出功能完善、符合实际的功能图呢？
首先，一定要和客户确认最根本的需求，这是所有问题的首要问题。用户使用这个产品最终想达到什么目的？目前所提出的目标，是阶段性目标，还是终极目标？最终使用者是谁？一定要确认清楚，提前做好铺垫。否则很容易形成战略性的方向错误，导致项目工程的失败。
其次，在整个需求分析过程中，一定把握好两个原则：1、内容决定形式，2、以需定进。内容决定形式，即不要一开始就纠结原型如何设计，而是集中精力深挖用户需求，抽象、汇总所有功能。功能明朗以后，再考虑其他如设计原型或界面，否则容易被形式带偏了方向。以需定进是指，除了咨询客户所需最终结果外，还要假设以不同使用者身份设身处地，设想可能的需求。这样就能清楚，数据输入的时候，哪些是必须输入的，哪些是不必须的。从而避免数据遗漏，造成后期
大量修改改成本。
再次，就是紧紧抓住产品业务主线。抓住主线，就抓住了“纲”，总体方向就不会跑偏，剩下的只是功能细化的问题了。例如：设计一个B2B2C商城，业务主线即：用户→登录→会员→商品→购物车→结算→提现。根据这个主线把问题解决，产品的主要功能已具备了。
最后，根据产品主线，进行逐层细化。产品成败往往决定于细节，细节考虑越周全，就越接近事务的本质，成功的可能性就越大。那怎么继续分解呢？很简单，根据主线上的每个环节再次逐层细分就可以了。例如上述产品主线上用户一项，可以继续细分为用户的注册、修改、删除、冻结/解冻、密码修改、所属区域等细节。所属区域，又可以继续细分为区域的增删改查等功能，层层细分，直到达到终点。最终的功能图就象一个倒挂的树状图，然后再用脑图展现出来就可以了。这样功能分析阶段就完成了。当然这只是功能结构图，至于制作原型时，细化的哪一个层次，由决策者决定。
总之，整个分析过程中，一定要站在系统的角度鸟瞰全局。而在设计阶段，一定要有前瞻仰性，为未来可能拓展方向留下余地，这样才能保证最终产品的灵活性可和适应性。从而保持持久的生命力。
王金赞
2018-07-20
剖析大数据分析方法论的几种理论模型 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 作者：佚名来源：博易股份|2016-12-01 19:10 收藏 分享 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。 以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。 管理方面的理论模型： ?PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等?PEST：主要用于行业分析 ?PEST：政治(Political)、经济(Economic)、社会(Social)和技术(Technological) ?P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。?E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。?S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
?T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。 大数据分析的应用案例：吉利收购沃尔沃 大数据分析应用案例 5W2H分析法 何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much) 网游用户的购买行为： 逻辑树：可用于业务问题专题分析
简单实用的电商数据分析方法论 导读：说到数据分析，大家可能就会想到回归，聚类什么的，不过对于电商的小伙伴来说，这些都太复杂了。而实际分析的时候，其实并不需要这么复杂的算法，大家需要的只是： 对比 细分 转化 分类 只要掌握了这四种思想，基本上已经可以应付日常的分析工作了。 一、对比思想 数据对比主要是横向和纵向两个角度，指标间的横向对比帮助我们认识预期值的合理性，而指标自身在时间维度上的对比，即我们通常说的趋势分析。 以店铺的成交额分析为例： 纵向对比 我们可以把最近30天的成交额显示在坐标轴上，这样就可以很明显的看到最近的成交额是否达到了预期，当然我们也可以以周或者月（或者季度，年等等）为单位。 所有的分析其实都必须要考虑实际的场景，我们看到今天的成交额比昨天大也许说明的问题还是很有限，因为今天和昨天的性质可能未必一样，例如今天可能是周六，或者恰好是节假日等等。所以我们在做纵向对比的时候，例如要判断今天（假设是周六）的成交额是否合理，除了看最近30天的趋势数据，我们还可以考虑： 最近10周的周六成交额趋势 如果今天恰好是一个节日，例如双十一，那么可以考虑和上一年的双十一做一个对比。（说明：因为间隔时间比较长，数据反映出来的意义可能比较有限） 横向对比 例如我们说，店铺这周的成交额上涨了10%，那我们是不是应该高兴呢？ 当然应该高兴，不过这个上涨的背后是否隐含着什么危机呢？当然是有的，例如你的竞争对手们这周的成交额都上涨了20%！当你洋洋得意的时候，可能已经被竞争对手拉开距离了。 也就是说，我们对一个现象判断好不好，这是需要一个参照系的。在现在的电商时代，你完全有可能知道竞争对手的成交额上涨了多少的。 再举一个更常见的例子： 假如我在不同的地方（或者平台）开了很多家店铺，某商品的成交额在A店铺上涨了10%，那这个是否值得高兴？
中介效应和调节效应分析方法论文献 1. 温忠麟，张雷，侯杰泰，刘红云.(2004.中介效应检验程序及其应用. 心理学报，36(5，614-620. 2. 温忠麟，侯杰泰，张雷.(2005.调节效应与中介效应的比较和应用. 心理学报，37(2，268-274. 3. 温忠麟，张雷，侯杰泰.(2006.有中介的调节变量和有调节的中介变量. 心理学报，38(3，448-452. 4. 卢谢峰，韩立敏.(2007.中介变量、调节变量与协变量——概念、统计检验及其比较. 心理科学，30(4，934-936. 5. 柳士顺，凌文辁.(2009.多重中介模型及其应用. 心理科学，32(2，433-435. 6. 方杰，张敏强，邱皓政.(2010.基于阶层线性理论的多层级中介效应. 心理科学进展，18(8，1329-1338. 7. 刘红云，张月，骆方，李美娟，李小山.(2011.多水平随机中介效应估计及其比较. 心理学报，43(6，696-709. 8. 方杰，张敏强，李晓鹏.(2011.中介效应的三类区间估计方法. 心理科学进展，19(5，765-774. 9. 方杰，张敏强.(2012.中介效应的点估计和区间估计：乘积分布法、非参数 B ootstrap 和MCMC 法. 心理学报，44(10，1408-1420. 10. 方杰，张敏强.(2013.参数和非参数Bootstrap 方法的简单中介效应分析比较. 心理科学，36(3，722-727. 11. 叶宝娟，温忠麟.(2013.有中介的调节模型检验方法：甄别和整合. 心理学报，45(9，1050-1060.
12. 刘红云，骆方，张玉，张丹慧.(2013.因变量为等级变量的中介效应分析. 心理学报，45(12，1431-1442. 13. 方杰，温忠麟，张敏强，任皓.(2014.基于结构方程模型的多层中介效应分析. 心理科学进展，22(3，530-539. 14. 方杰，温忠麟，张敏强，孙配贞.(2014.基本结构方程模型的多重中介效应分析. 心理科学，37(3，735-741.
SAS数据挖掘方法论─ SEMMA (2009-07-20 21:15:48 Sample ─数据取样 Explore ─数据特征探索、分析和予处理 Modify ─问题明确化、数据调整和技术选择 Model ─模型的研发、知识的发现 Assess ─模型和知识的综合解释和评价 Sample──数据取样 当进行数据挖掘时,首先要从企业大量数据中取出一个与你要探索问题相关的样板数据子集,而不是动用全部企业数据。这就象在对开采出来矿石首先要进行选矿一样。通过数据样本的精选,不仅能减少数据处理量,节省系统资源,而且能通过数据的筛选,使你想要它反映的规律性更加凸现出来。 通过数据取样,要把好数据的质量关。在任何时候都不要忽视数据的质量,即使你是从一个数据仓库中进行数据取样,也不要忘记检查其质量如何。因为通过数据挖掘是要探索企业运作的规律性的,原始数据有误,还谈什么从中探索规律性。若你真的从中还探索出来了什么“规律性”,再依此去指导工作,则很可能是在进行误导。若你是从正在运行着的系统中进行数据取样,则更要注意数据的完整性和有效性。再次提醒你在任何时候都不要忽视数据的质量,慎之又慎! 从巨大的企业数据母体中取出哪些数据作为样本数据呢?这要依你所要达到的目标来区分采用不同的办法:如果你是要进行过程的观察、控制,这时你可进行随机取样,然后根据样本数据对企业或其中某个过程的状况作出估计。SAS不仅支持这一取样过程,而且可对所取出的样本数据进行各种例行的检验。若你想通过数据挖掘得出企业或其某个过程的全面规律性时,必须获得在足够广泛范围变化的数据,以
使其有代表性。你还应当从实验设计的要求来考察所取样数据的代表性。唯此,才能通过此后的分析研究得出反映本质规律性的结果。利用它支持你进行决策才是真正有效的,并能使企业进一步获得技术、经济效益。 Explore──数据特征探索、分析和予处理 前面所叙述的数据取样,多少是带着人们对如何达到数据挖掘目的的先验的认识进行操作的。当我们拿到了一个样本数据集后,它是否达到我们原来设想的要求;其中有没有什么明显的规律和趋势;有没有出现你所从未设想过的数据状态;因素之间有什么相关性;它们可区分成怎样一些类别……这都是要首先探索的内容。 进行数据特征的探索、分析,最好是能进行可视化的操作。SAS 有:SAS/INSIGHT和SAS/SPECTRA VIEW两个产品给你提供了可视化数据操作的最强有力的工具、方法和图形。它们不仅能做各种不同类型统计分析显示,而且可做多维、动态、甚至旋转的显示。 这里的数据探索,就是我们通常所进行的深入调查的过程。你最终要达到的目的可能是要搞清多因素相互影响的,十分复杂的关系。但是,这种复杂的关系不可能一下子建立起来。一开始,可以先观察众多因素之间的相关性;再按其相关的程度,以了解它们之间相互作用的情况。这些探索、分析,并没有一成不变操作规律性;相反,是要有耐心的反复的试探,仔细的观察。在此过程中,你原来的专业技术知识是非常有用的,它会帮助你进行有效的观察。但是,你也要注意,不要让你的专业知识束缚了你对数据特征观察的敏锐性。可能实际存在着你的先验知识认为不存在的关系。假如你的数据是真实可靠的话,那末你绝对不要轻易地否定数据呈现给你的新关系。很可能这里就是发现的新知识!有了它,也许会导引你在此后的分析中,得出比你原有的认识更加符合实际的规律性知识。假如在你的操作中出现了这种情况,应当说,你的数据挖掘已挖到了有效的矿脉。 在这里要提醒你的是要有耐心,做几种分析,就发现重大成果是不大可能的。所幸的是SAS 向你提供了强有力的工具,它可跟随你的思维,可视化、快速的作出反应。免除了数学的复杂运算过程和编制结果展现程序的烦恼和对你思维的干扰。这
需求分析方法论 原则上，需求分析阶段IT中心应尊重需求方的项目管理和项目分析能力；在具体的任务开展上，以不干扰需求方的自主权为主，除非在项目过程中发现需求方的项目管理以及项目分析能力存在很大的差距和不足。 为了保证项目的成功，IT中心必须加强项目管理和项目分析工作，在具体的操作上可以坚持吸收、同化、贯彻的方法和手段。 其中，需求分析是一个项目的开端，也是项目建设的基石。在以往的信息化建设失败的案例中，80％是由于需求分析的不明确而造成的。因此一个项目成功的关键因素之一，就是对需求分析的把握程度。而项目的整体风险往往表现在需求分析不明确、业务流程不合理，用户不习惯或不愿意去用应用管理软件。作为IT中心，必须提醒需求方重视需求分析的重要性，采用必要的手段和方法来进行需求调研，同时IT 中心也应深入具体的需求调研中去。只有这样才能切切实实地把握用户的需求和方向，才能在将来的功能界定、实施上有发言权。 一、如何进行需求分析 需求分析不象侦探推理那样需从蛛丝马迹着手，而是应该先了解宏观的问题，再了解细节的问题。 一个应用软件系统（记为S）的涉及面可能很广，可以按不同的问题域（记为D）分类，每个问题域对应于一个软件子系统。 S={D1，D2，D3，…Dn} 问题域Di由若干个问题（记为P）组成，每个问题对应于子系统中的一个软构件。 Di={P1，P2，P3，…Pm} 问题Pj有若干个行为（或功能，记为F），每个行为对应于软构件中的实现接口。 Pj={F1，F2，F3，…Fk} 需求说明书应该对于那些只想了解宏观需求的领导，和需要了解细节的技术人员都合适。在写需求说明书时应该注意两个问题： 1、最好为每个需求注释“为什么”，这样可让双方（IT中心、需求方）了解需求的本质，以便选用最合适的技术来实现此需求。 2、需求说明不可有二义性，更不能前后相矛盾。如果有二义性或前后相矛盾，则要重新分析此需求。 二、重点监控需求分析 由于项目的特殊性和行业覆盖的广阔性，以及需求分析的高风险性，软件需求分析的重要性是不言而喻的，同时需求分析又的的确确难做。其原因基本是由于以下情况造成的。 1、用户说不清楚需求 有些用户对需求只有朦胧的感觉，当然说不清楚具体的需求。例如总部各部门及各地的很多店铺在进行应用系统以及网络建设时，需求方的办公人员大多缺乏IT系统建设方面的专家和知识。此时，用户就会要求IT中心系统分析人员替他们设想需求。项目的需求存在一定的主观性，为项目未来建设埋下了潜在的风险。 2、需求自身经常变动 根据以往的历史经验，随着用户对信息化建设的认识和自己业务水平的提高，他们会在不同的阶段和时期对项目的需求提出新的要求和需求变更。事实上，历史上没有一个软件的需求改动少于三次的！所以必须接受“需求会变动”这个事实，在进行需求分析时要懂得防患于未然，尽可能地分析清楚哪些是稳定的需求，哪些是易变的需求，以便在系统选型及实施时，将软件的核心建筑在稳定的需求上，同时留出变更空间。IT中心在需求分析的功能界定上担任一个中间、公平、公正的角色，所以也必须积极参与到需求分析的准备中来，以便协助需求方来界定“做什么”、“不做什么”的系统功能界限。 3、IT中心分析人员或用户理解有误 系统分析人员不可能都是全才，更不可能是行业方面的专家。用户表达的需求，不同的分析人员可能
数据运营的6个步骤，从方法论到案例带你入门 通过对运营数据进行分析，帮助我们进一步对用户进行差分运营。一、数据运营 通过对运营数据进行分析，帮助我们进一步对用户进行差分运营。 分析问题包含哪些方面，在占比高并且自己可以发力的点上去优化。 二、数据分析流程
运营是一个包含了诸多琐碎事项的工作，运营人员要会拆分自己的工作项，并根据不同工作项的特点有针对地对特定的运营数据进行分析，才能事半功倍。 那么怎么拆分工作项呢？可以按照面对的用户群体分解，通常与用户分级联系在一起，将工作拆分成面向所有普通用户、面向活跃用户、面向付费用户等等。也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标，根据自己的目标来拆分工作项。
拆分完工作项后，针对每一个工作项有不同的指标，我们要根据工作项的特点进一步拆分和细化运营数据指标，然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。 拆分的维度可以按照数据的包含结构，也可以按照每一个工作项包含的子项进行拆分。 以用户运营为例，用户运营包含了用户的拉新、促活、留存、付费转化等方面。而就拉新来说，关键的指标有注册用户的规模、增长速度；渠道质量——注册渠道有哪些，渠道的注册转化率如何；注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计；注册用户行为追踪——完成注册后用户的行为统计。 细化分析目标是指根据运营目标，确定能够进行优化的数据点。这一步是为接下来的数据提取处理分析奠基的。 举个简单的例子，假如现在做完一场活动，想知道下一次举办相同或相似活动时有哪些地方可以优化，需要关心的点除了最终参与效果还有：活动推广的渠道有哪些，每一个渠道的参与路径是怎样的，路径中的每一步参与人数有多少，转化率达到多少，等等。明确了分析目标后，就可以确定要提取的数据点有哪些。
政策分析方法论大集 第四章论证的标准及模式 标准：完全一致内聚运作的规范运作的简单性、经济性和有效性 第五章构建问题之方法 三类政策问题
问题构建之方法
第六章预测政策未来的方法 预测的根据是一套假设或数据，用来对现行政策或新政策的结果、新政策的内容或利益相关者的行为合理性进行估计。 趋势外推，用过去观察到的趋势推测未来，这种方法假设在没有新政策出台或不存在 不可预测的其他事件来干预事件的发生过程的条件下，过去发生的事情在将来也会发生。合理的未来。以归纳逻辑为基础，即从个别的观察如时间序列值进行推理，从而形成一般的结论或看法。 依赖于三个基本假设： 持续性。过去观察到的模式会在将来持续出现，如果能源消耗在过去是增长的，将来也会如此。 规律性，过去的趋势变动会在将来定期出现。 数据的可靠性和有效性。 如果违背其中任何一个假设，就可能产生不准确甚至误导的结果。 理论假设：被系统地构造并在经验上是可以测试的一套规律或建议，以一个事件为基 础来预测另一个事件的发生。理论假设在形式上是因果关系，它们的具体作用是解释和预测。是一种演绎逻辑，即从一般的陈述、规律或议题再到具体的信息和主张。 有见地的判断。以经验和洞察力为基础的，而非以演绎或归纳推理为基础的认识。 这些判断通常由专家或有识之士来表述，在理论或政府数据缺乏或不充分的情况下使用。这种方法以逆向逻辑为基础，即从对未来的看法入手，逆向推理，取得支持这一看法的信息和假设。 传统的时间序列分析 将任何时间序列看成四个组成部分： 长期趋势。在时间序列里是一种平滑的长期增长和下降。如美国的犯罪。
季节性变动。一年或少于一年的时间内定期重复的一种变动。如供暖。 周期性波动，也是定期的，但却可能出人意料地拖到若干年后。 其解释是由于不规则变动，即时间序列内不可预测的、不遵循一定规律的变动的出现而变得困难重重。不规则变动可能是许多因素的结果，如政府的变动、罢工或自然灾害。只要这些因素不被考虑，它们就会被当作随机的错误，即影响变动的未知原因，而不能用长期趋势、季节性变动或周期性变化来解释。 线性趋势估计 以时间序列里的观察值为基础，利用回归分析来取得对未来社会状态的精确的数学估计。 线性回归法以持续性、规律性或数据的可靠性为基础。当使用线性回归估计趋势时，时间序列里的观察值应该不是曲线性的，这非常关键。因为任何直线的重大偏离都会产生重大的预测失误。此外，线性回归法还可用于从表现季节性或高峰期性变动的时间序列里挑出线性趋势部分。 回归分析有两个重要属性： 消除偏差。时间序列里的观察值与被计算的直线趋势（称为回归线）上的值有一些差异，这些差的总和为零。因此，如果将回归线上的值与其在时间序列上各年的实际观察值相减，得到一些差，这些差异的总和，称为为偏差，等于零。当某年的实际值在回归线之下时，偏差 是负数，当实际值位于回归线上方，偏差为正。这些正负偏差相互抵消，使=0 平方差最小。将每个偏差的平方相加，这些平方之和是最小的。这意味着线性回归缩小了回归线与实际Y值的距离。换句话说，通过一系列观察到的数据点画出一条趋势线，这是最有效的办法。 Y = a +b(x) A=∑y/n B =∑xy/∑xx 非线性序列 不满足线性、持续性和规律性条件的时间序列可以归入以下五类： 摆动。只在几个年度、季度、月份或数天内偏离回归线。摆动可以是持续的、周期的，但在观察期内并不表现出固定的增减变化。数年内的摆动可以与数年间的长期趋势一同发生。如失业的季节性变动，政府机构工作负荷的每月变动和污染物水平的每日变动。 周期。周期是数年甚至更长时间内发生的非线性波动，它可以是不可预测的，也可以持续性和规律性的发生。虽然周期的总体模式是非线性的，但其局部却可以是线性或曲线性的。如商业周期和学术领域、科学出版物及文化的生命周期。 增长曲线。对线性的偏离发生于数年、数十年，甚至更长时间段。增长曲线可以表现出按增长率累积增加，也可按增长累积减少，或两者结合在一起。其中最后一个S形，用来预测工业、城区、人口、技术和科学的发展，尽管增长曲线不是线性的，但它们却是持续的和规律的。 衰减曲线。这种情况下，对线性的偏离仍然发生在数年、数十年，甚至更长的时间段。实际上，衰减曲线是增长曲线的对应物。在时间序列内按衰减率表现出累积的增长或减少。不是线性的，但却是有规律的、持续的， 剧变法。剧变的时间序列数据的主要特征在于它们表现出突如其来的剧烈中断。由法国
常用数据分析方法论 ——摘自《谁说菜鸟不会数据分析》 数据分析方法论主要用来指导数据分析师进行一次完整的数据分析，它更多的是指数据分析思路，比如主要从哪几方面开展数据分析？各方面包含什么内容和指标？ 数据分析方法论主要有以下几个作用： ●理顺分析思路，确保数据分析结构体系化 ●把问题分解成相关联的部分，并显示它们之间的关系 ●为后续数据分析的开展指引方向 ●确保分析结果的有效性及正确性 常用的数据分析理论模型 用户使用行为STP理论 SWOT …… 5W2H 时间管理生命周期 逻辑树 金字塔SMART原则 …… PEST分析法 PEST分析理论主要用于行业分析 PEST分析法用于对宏观环境的分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。 对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。
以下以中国互联网行业分析为例。此处仅为方法是用实力，并不代表互联网行业分析只需要作这几方面的分析，还可根据实际情况进一步调整和细化相关分析指标：
5W2H分析法 5W2H分析理论的用途广泛，可用于用户行为分析、业务问题专题分析等。 利用5W2H分析法列出对用户购买行为的分析：（这里的例子并不代表用户购买行为只有以下所示，要做到具体问题具体分析）
逻辑树分析法 逻辑树分析理论课用于业务问题专题分析 逻辑树又称问题树、演绎树或分解树等。逻辑树是分析问题最常使用的工具之一，它将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。 把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题有关。 （缺点：逻辑树分析法涉及的相关问题可能有遗漏。）
大数据分析方法论介绍
一. WHY：为什么要做数据分析 在目前讲解数据分析的文章里，大多数会忽略数据分析本身的目的。这会导致我们在执行时，会出现动作变形的情况。以终为始，才能保证不会跑偏。个人的理解上，数据分析是为了能以量化的方式来分析业务问题并得出结论。其中有两个重点词语：量化和业务。 首先讲下量化。量化是为了统一认知，并且确保路径可回溯，可复制。统一认知后，才能保证不同层级，不同部门的人在平等话语权和同一个方向的背景下进行讨论和协作，才能避免公司内的人以「我感觉」「我猜测」来猜测当前业务的情况。路径可回溯可复制指的是，通过量化后的结果，许多优化的方法是可以被找到原因并且可以被复制的。同样是转化率优化，用A 方案和B 方案，谁的效果会比较好和具体好多少，都是可被预测的。 要想做到量化，需要做到三点：建立量化体系，明确量化重点和保证数据准确性。
1.1 建立量化体系 建立量化体系，主要是根据「指标设计方法」，设计业务的「核心指标+拆解指标+业务指标」，最后落地成全公司通用的「指标字典」和「维度字典」。这种工作一般是由数据分析师或数据PM 来担任完成。通过这种方式，我们就能初步建立面向全公司全面而系统的量化分析框架，保证日常分析可以做到「逐层拆解，不重不漏」。 1.1.1 指标设计方法 讲到指标设计方法，大家可能觉得，之前听过了产品设计方法，程序开发方法，指标这种东西也有设计方法么？确实有，指标设计是一套以准确和易懂为准则，集合统计学和业务效果的方法论。准确是指能够准确满足衡量目的，易懂是指标算法能直观显示好与坏，并且指标的算法也能够通俗易懂。这两者很多时候需要有所抉择，准确是第一位的。举个例子：当我们想衡量一个群体收入的差异性时，用方差还是用基尼系数？方差好懂，但不能显示两个极端的差异性多大。基尼系数算法不好懂，但能准确描述这个问题。 具体到指标设计，我们需要使用一些常用的统计学工具：
大数据分析系统 方案
目录 第1章项目概述 (5) 1.1项目背景 (5) 1.2项目必要性 (5) 1.3建设目标 (6) 第2章需求分析 (8) 2.1功能及性能需求 (8) 2.2系统集成需求 (9) 2.3运行环境 (10) 2.4安全需求 (10) 第3章总体设计 (12) 3.1总体设计原则 (12) 3.2总体目标 (13) 3.3系统总体结构 (13) 3.4系统逻辑结构 (15) 第4章详细设计方案 (16) 4.1信息资源规划和数据库设计 (16) 4.1.1数据模型概述 (16) 4.1.2数据建模方法论 (17) 4.1.3数据建模基本原则 (18) 4.1.4数据库架构设计 (19) 4.2数据应用支撑系统设计 (21) 4.2.1大数据平台关键技术 (21) 4.2.2云平台数据共享功能 (26) 4.3数据服务层计 (33) 4.3.1模型的应用 (33) 4.3.2平台基础应用 (33) 4.4数据处理和存储系统设计 (34) 4.4.1大数据处理核心技术 (35) 4.4.2数据存储采用MPP与hadoop融合架构 (35) 4.5网络系统设计 (35) 4.6安全系统设计 (36) 4.6.1系统安全满足情况 (36) 4.6.2系统安全配置管理功能 (37) 4.6.3系统无安全漏洞保障 (40) 4.6.4软件自身安全 (43) 4.6.5性能和可靠性 (44) 4.7运行维护系统设计 (46)
4.7.2网络设备管理 (46) 4.7.3进程管理 (46) 4.7.4服务管理 (46) 4.7.5数据库管理 (46) 4.7.6中间管理 (46) 4.7.7集群管理 (47) 4.7.8故障管理 (47) 4.7.9性能管理 (47) 4.7.10配置文件管理 (47) 4.7.11SYSLOG管理 (47) 4.8其他系统设计 (47) 4.9系统配置及软硬件选型原则 (48) 4.9.1软硬件部署 (48) 4.9.2数据要求 (48) 4.9.3技术要求 (49) 4.10系统软硬件物理部署方案 (49) 第5章项目建设与运行管理 (51) 5.1项目领导机构 (51) 5.2项目管理机构 (51) 5.3项目承建机构 (53) 5.4运行维护机构 (53) 5.5相关管理制度 (54) 5.6项目测试 (55) 5.6.1单元测试 (55) 5.6.2集成测试 (55) 5.6.3系统测试 (56) 5.6.4性能测试 (56) 5.6.5验收测试 (57) 5.6.6安装测试 (57) 5.7安全性测试 (58) 5.7.1功能验证 (58) 5.7.2漏洞扫描 (58) 5.7.3模拟攻击实验 (58) 5.8项目验收 (60) 5.8.1项目验收要求 (60) 5.8.2项目验收的目的和原则 (61) 5.8.3项目验收的组织和实施 (61) 5.8.4项目验收的步骤和程序 (61) 5.8.5项目验收的测试方案 (61) 5.8.6项目验收的文档清单 (61) 第6章项目培训计划 (62) 6.1培训对象和培训目标 (62)
业务分析要点： 一、搜集资料 业务分析的突出特点就是用数据说话，摆情况要有数字根据，要用数据作定量分析，提建议措施最好要有数据佐证。有无丰富而准确的资料作基础，这是撰写业务分析的关键。 二、了解需求 要清楚材料报告的对象的需求和重点关注的内容，了解读者对信息的需求，充分领会领导所需要的信息是什么。记得有一次与业务部门领导沟通，他深有感触地谈到：你们给的业务分析，内容很多，应该说是花了不少心思的。遗憾的是不需要的信息太多，而想真正获得的信息却太少。每月辛辛苦苦做出来的业务分析原本是要为业务服务的，可事实上呢？问题出在哪？做好业务分析的前提是分析人员要尽可能地多与领导沟通，捕获他们“真正想要了解的信息”。 三、确立观点 对收集的大量资料，经过分析研究，再通过判断推理，提炼当期业务经营变化的特点，并对观点和材料进行反复的思考。 四、确定分析框架和思路 做业务分析之前一定要有一个清晰的分析框架和分析思路。业务分析的框架具体如下：报告目录—重要提示—报告摘要—具体分析—存在问题—工作建议。 “报告目录”告诉阅读者本报告所分析的内容及所在页码； “重要提示”主要是针对本期报告新增的内容或须加以重大关注的问题事先做出说明，旨在引起领导高度重视； “报告摘要”是对本期报告内容的高度浓缩，一定要言简意赅，点到为止。 无论是“重要提示”，还是“报告摘要”，都应在其后标明具体分析所在页码，以便领导及时查阅相应分析内容。以上三部分非常必要，其目的是，让领导们在最短的时间内获得对报告的整体性认识以及本期报告中将告知的重大事项。 “具体分析”部分，是报告分析的核心内容。“具体分析”部分的写作如何，关键性地决定了本报告的分析质量和档次。要想使这一部分写得很精彩，首要的是要有一个好的分析思路。例如：某集团公司下设四个二级公司，且都为制造公司。报告的分析思路是：总体指标分析—集团总部情况分析—各二级公司情况分析；在每一部分里，按本月分析—本年累计分析展开；再往下按盈利能力分析—销售情况分析—成本控制情况分析展开。如此层层分解，环环相扣，各部分间及每部分内部都存在着紧密的勾稽关系。 “存在问题“一方面是对上期报告中问题执行情况的跟踪汇报，同时对本期报告“具体分析”部分中揭示出的重点问题进行集中阐述，旨在将零散的分析集中化，再一次给领导留下深刻印象。 “工作建议”部分，是针对问题综述中反映的问题，提出应对办法和解决对策。
教育政策分析的方法論 壹、教育政策分析的比較原理（袁振國，2001） ．教育政策分析的實質作法，就是在充分論證方案的基礎上，對各種備選方案進行比較與鑑別，從中選出最佳方案，因此，比較的思想是教育政策分析法的基本指導思想是。．實施教育政策方案的比較，必須考慮兩個基本問題：1.比較的標準，亦即政策評估的準則；2.比較的方法，一般認為政策分析應包括定性的分析方法，如專家判斷法、腳本寫作法、運籌博奕法、德爾菲法等，以及定量的分析方法，如馬爾可夫預測法、貼現率法、排隊理論法、線性規劃法、數值分析法、決策樹法、成本-收益法等。 貳、教育政策分析的基本方法（袁振國，2001） ．根據教育政策的特殊性，選擇介紹以下三種基本分析方法： 一、司法式分析方法 ．20世紀70年代初期，由R.L.Wolf提出。 ．司法式分析方法產生的原因，一方面由於教育決策者希望對一項複雜的政策方案能夠聽到兩種截然相反的解釋，以便使決策建立在更加可靠的基礎之上，並能夠反映出顯然對立的兩種觀點，於是借用法律領域中的訴訟程序和行政聽證的方法(作了些修 改)。另一方面，是出於分析的政治考慮，通過司法式分析程序，使得出的證據在形式上更加規範化，並且激發公眾參與教育政策制定的熱情，使其制定的教育政策更加民主化。 ．司法式分析方法將現場深入調查的嚴格性與廣泛分析證據的公開展開結合在一起，常用在教育政策方案的預測中，並在相當多的形成性評估、政策的回顧與分析中得到應
用。 ．實施步驟： 1.問題的提出(Issue Generation)。 2.問題的選擇(Issue Selection)。 3.辯論的準備(Preparation of Arguments)。 4.聽證討論會(Clarification Forum)。 ．關鍵角色(Key Roles)： 1.調查小組(Investigative Teams)。 2.案件分析者(Case Analyst)。 3.案件提出者(Case Presenter)。 4.會議主席(Forum Moderator)。 5.問題澄清小組(Clarification Panel)。 6.小組促進者(Panel Facilitator)。 ．主要優點：1.設計的綜合性。2.所需的證據有一定的廣度、深度和質量。3.通過反詰問和反覆的觀點表述能控制偏差。4.具有多元分析的作用。5.問題具有應答性和關聯性。 6.公眾之間能有效地交流。 7.通過公開的澄清和傳播有助於提高使用分析手段的可能 性。 ．缺點表現在處理下述問題時有困難：1.用雙方都公平的方式來表述問題。2.公正陪審人員的選擇。3.兩個案件的表達可能會不平衡，和兩個案件的提出者有不同的演說技能。4.直接詰問和反詰問的過程沒有揭示出什麼特點。5.由於時間關係對發言的機會造成的限制。6.在案件準備中所付出的財力和人力等。 二、情境分析法
常用数据分析方法论 ――摘自《谁说菜鸟不会数据分析》 数据分析方法论主要用来指导数据分析师进行一次完整的数据分析，它更多的是指数据分析思路，比如主要从哪几方面开展数据分析？各方面包含什么内容和指标？数据分析方法论主要有以下几个作用： 理顺分析思路，确保数据分析结构体系化 把问题分解成相关联的部分，并显示它们之间的关系为后续数据分析的开展指引方向 确保分析结果的有效性及正确性 常用的数据分析理论模型 营销方面管理方面 4P PEST 用户使用行为5W2H STP理论时间管理 SWOT生命周期 逻辑树 金字塔 SMART原贝 U PEST分析法 PEST分析理论主要用于行业分析 PEST分析法用于对宏观环境的分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量 对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。
以下以中国互联网行业分析为例。此处仅为方法是用实力，并不代表互联网行业分析只需要作这几方面的分析，还可根据实际情况进一步调整和细化相关分析指标：
?国衆出台那些相关政策？有何彩响?脚还是促谨? ?相关法律育哪些?有何影响? ?GDP及増悅壬迓出口总磁增氏聿谓劉介络拒题失业率、居民可支配收入 利用5W2H分析法列出对用户购买行为的分析：（这里的例子并不代表用户购买 行为只有以下所示，要做到具体问题具体分析）■ 经济 ?中国网民与中国公民在认可规愎性^比例、年龄结构、人口分布、生活方 式、购买习億教育伏况嫌扶宗教信仰状况等方面（网民与国民是否有区 别？ 锻术的发明、技术传抵更新、商品礎度、技术发离窗& ■国家重点支持顶目.国羸投入的研发费甩专利个数 5W2H分析法 5W2H分析理论的用途广泛，可用于用户行为分析、业务问题专题分析等。 r How1nu已1 k何价 What How 如何做 F-* k 5W2H 分 1 i k J r厂 i JVh o 何 k Ik——-J Wheni 何时
敏捷数据分析方法论革命来袭 想必大家都听说过敏捷开发，敏捷开发是以用户的需求进化为核心，采用迭代、循序渐进的方法进行软件开发。随着敏捷概念的深入人心，数据分析方法论也发生了革新，敏捷数据分析逐渐进入主流视野。本文将简要介绍到底何为敏捷数据分析。 传统VS敏捷 我们先来看一下传统的数据分析流程： 解读业务战略目标–>确定目标分解的量化KPI–>确定KPI的计算公式和所需字段–>确定所需字段来自于哪些数据库的哪些表–>数据建模–>预先汇总成二次表和Cube–>结果展示。由于需要建模和打CUBE，这一流程通常需数月才能完成。 现在，取代传统数据分析流程的，是快速迭代式分析。敏捷数据分析不必在开始时花很长的时间构思大而全的分析指标体系，而是低成本快速迭代，几分钟就做好一个当前想要分析的结果，通过敏捷数据分析工具实现动态切换视角，灵活展示数据，日积月累，指标自然越来越丰富，计算公式也越来越符合业务逻辑，这时再体系化。下面的演示视频将帮助大家了解如何通过敏捷数据分析工具在几分钟时间内实现自己的分析需求。 为什么传统数据分析无法实现快速迭代分析的高效?因为在过去这么多年以来，我们对于大数据海量数据的计算能力达不到比较理想的要求，所以我们才需要IT人员用通过建模等方式提前把数据计算汇总好，随着现在大数据的技术相对来讲都日趋成熟和完善，分布式计算，内存计算、列存储等比较成熟的技术架构，采用这种新的办法去处理数据的性能，已经比以前提升了几十倍甚至更高。 符合迭代思维 快速迭代式的敏捷数据分析有什么好处?首先，这种分析方法十分符合互联网思维中的迭代思维。企业的分析指标不可能一开始想得非常全面，本身就是迭代逐步形成的。以电商行业为例，电子商务的数据可分为两类：前端行为数据和后端商业数据。前端行为数据指访问量、浏览量、点击流及站内搜索等反应用户行为的数据;而后端数据更侧重商业数据，比如交易量、投资回报率，以及全生命周期管理等。 在最初期，电商行业最关注的是那些核心指标：UV、转化率、客单价、毛利率、推广ROI、
一、填写题（抄题，写答案） 1.数据分析“六步曲”按顺序依次是：明确分析目的和内容、数据收集、数据处理、 数据分析、数据展现、报告撰写。 2.定量数据一般可分为计量的、计数的、二种类型。定性数据一般可分为有序的、名义的、二 种类型。 3.数据收集方法总的可分为一手数据、二手数据、两大类。前一类方法常用的具体方法有调查法、 观察法、实验法；后一类方法常用的具体方法有机构查询、书刊查询、网络查询。 4.SPSS中有三种主要的工作窗口，它们是：数据编辑窗口、结果浏览窗口、程序编辑窗口； 在进行数据表编辑时，有二种主要视图，它们是：数据视图、变量视图。 5.SPSS中对变量属性进行定义时，对变量的命名在Name 栏中设置，定义变量值标签在Values 栏中 设置。 6.根据数据的计量性质，可以将数据分为定量的数据和定性的数据；根据数据获得的直接性，可以 将数据分为一手数据和二手数据。 7.统计检验的一种思路是：设定原假设H0，构造相应的统计判断量，当根据实验数据或样本数据计算出 的统计判断量落在拒绝区域，则拒绝原假设；反之，则落在接受区域，接受原假设。在SPSS软件的统计操作中，通过计算样本数据的实际显著性概率Sig.，并将其与给定的显著性概率水平α比较，当Sig. < α时（填“>” 或“<” ），则拒绝原假设。 8.方差分析主要用来判断样本数据之间的差异是由不可控的随机因素造成的还是由研究中施加的对 结果形成影响的可控因素造成的。 9.因子分析法是多元统计分析中处理降维的一种，其最主要的工作是降维，即将具有错综复杂关 系的变量或者样品综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系。 10.下图所示因子分析结果中，数值6.845的含义是第一主成分特征根，数值84.421的含义是前三个 主成分的累计贡献率；在Extraction Sums块中，有三行数据，其含义是根据提取因子条件----特征值大于1，共选出了三个公共因子。 11.下图所示椭圆圈中信息的含义11变量，200样例。
价值需求测评试题 答题说明：下面有64个对价值的需求，请为每题选择一个代表你真实想法的分数，在10分钟内交卷。 每道题有以下3种答案： 2=完全如此，1=基本符合，0=完全不是 1、我满脑子创业，并有所行动 2、我会理财，让钱能生钱 3、我比其他朋友或同学收入相对较高 4、我有独特的项目并形成了行动力 5、我对未来的事情分析较准 6、我为团队成功可以得罪人 7、我善于外交 8、我经常做而不是经常说 9、我吃饭很在意营养而且并不多吃 10、我每天睡眠平均不少于七小时 11、我很平淡看待钱 12、我时常忘记苦恼的事情 13、我几乎没有仇人，我不恨别人，并不抱怨社会制度 14、我每周都运动，不少于两小时 15、我可以为了身体健康停下工作 16、我明白不良的习惯对身体的危害 17、我认为生命是艳丽的，我可以着装与众不同 18、我没有手机简直不能生活 19、我知道很多种时尚品牌 20、我经常参加娱乐活动 21、我身上至少有两件饰品，包括美丽的包 22、我对一件物品动情即买之 23、我经常没钱，并借钱，一年至少一次 24、我对度假与玩有兴趣 25、我想有更多的压力，只要事业更好 26、我强调付出，从不强调收入 27、我认为只要为公司着想，突破制度也有必要 28、我想一生都不停工作 29、我常常为公司发展写出报告或文字
30、我经常谈出我对公司发展的看法 31、我没有吃过回扣等公司严防的事情 32、我经常做家务或公司事务，别人并没有要求的前提下 33、我与别人谈话是为了影响或控制别人 34、我没有给别人进行情感性打分 35、我不会拍马屁 36、我能控制混乱的局面 37、我喜欢人力资源管理胜过研究与技术 38、我想做管官的官，让下级为此而快乐 39、我喜欢哲学，并了解宗教 40、我认为能处理好下级的分配问题，让他们没有怨言 41、我喜欢物理 42、我有特殊的创意，并尝试有效果 43、我有专利或专利级的产品或技术 44、我学习力强并精通某一方面 45、我不在意工作对我的汇报，而在于兴趣 46、我经常思考或工作不知时间 47、我爱看科普类栏目 48、我逻辑力强 49、我认为家是第一位 50、我工作不是为了钱，而是情感 51、我不说假话 52、我为了爱人失去了很多 53、我认为承诺比生命更重要 54、我会因为情感而放弃工作或生活的城市 55、我时常想起初恋 56、我发现爱情对我的激励作用很大 57、我经常原谅别人 58、我认为我身后有追随者 59、我认为自己有品位，而从不说脏话 60、我是一个项目专家，并培训别人为胜任力者 61、我出席各级名流活动 62、我决不拿不属于自己的东西 63、我教身边的人做好事 64、我赞同现行的规则，并主动提出见解而不是抱怨
利用大数据分析应用案例剖析大数据分析方法论的几种理论模型 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。 管理方面的理论模型： PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等 PEST：主要用于行业分析 PEST：政治（Political）、经济（Economic）、社会（Social）和技术（Technological）P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。 E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。 S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。 大数据应用案例：沃尔玛
5W2H分析法 何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何做（How）、何价（How much） 网游用户的购买行为：
第9章政策研究方法论 思考题 一、系统分析包含哪些基本内容？ 二、简述定量分析方法的作用及局限？ 三、简述定性研究方法的特征与应用？ 答案 一、系统分析包含哪些基本内容？ 系统分析包含五个方面的内容： 1、整体分析。系统整体状态及其目标优化是整体分析的主要内容。整体分析强调从全局出发，考虑系统、子系统要素之间以及它们与所处环境之间的相互关系和相互作用，探求系统整体的本质和规律，提高整体效应，追求整体目标的优化。因此，要在整体利益最优的前提下，处理好局部与整体、近期与长远的关系。 2、结构分析。系统结构是指系统内部诸要素的排列组合方式。结构不仅引起物质量的变化，也引起质的改变。结构分析是探求系统合理结构的手段或方法，按照系统的整体性、环境适应性、相关性和层次性等特征，使系统的组成要素及其相互关联达到最优定位、最优结合和最优输出。 3、层次分析。任何一个系统尤其是复杂的系统，都可以从纵向上将其划分为若干等级，又可以从横向上分成若干相互联系、相互制约又相对独立的平行部分。系统结构层次性是系统稳定性和连续性的保证，也是系统有效发挥功能的前提。 4、相关分析。相关性是系统的特征之一。一是相关性体现在系统中各要素之间的关联。二是相关性体现在要素与系统整体的关系中。三是相关性表现在系统与环境的关系方面。四是相关性还表现在系统
发展的协同性上。 5、环境分析。系统与环境的影响是相互的，系统与环境不断进行物质、能量和信息的交换。要确定系统的边界和约束条件，必须对环境做出分析。 二、简述定量分析方法的作用及局限？ 定量分析方法在现代政策研究中具有十分重要的作用： 一是定量方法能使有关的知识条理化、专门化，能将这些变量和其他特殊的变量加以比较。二是定量分析使复杂的表述更有条理，可以将发生的事件记录下来，以便复查、评估、比较和检验，还可以设计出反馈机制来帮助控制和决策。三是定量分析法比其他方法更客观、准确和严密，有助于更好地界定问题、确定目标和选择方案，有助于政策制定、政策执行、评估与监控。 理性分析法尤其是定量分析方法不能处理所有政策问题或政策问题的所有方面，不能取代定性方法和创造性思维方法。它的局限性表现在以下三方面： 一是不适应外部条件的变化。理性方法是在一定的已知和未知条件下应用的，如果时间、空间或其他方面的条件改变了，则依据原有的条件所得出的结论可以不再与变化了的情况相符，原来的最优方案，未必再是最优，甚至可能是错误的方案。 二是不能对结论再做判断。政策分析者用理性的方法去分析一个政策问题，有时可能得出两个同样优良的政策方案，而分析者再用理性方法就难以确定应当选择哪一个，所以必须运用理性方法以外的方法，去决定哪一个方案是最优的。 三是应用范围受到限制。理性方法面对各种不能量化处理的问题时就十分尴尬，比如人类行为、心理因素、社会政治制度及过程、价值观、意识形态等是难以靠定量分析来处理的。 三、简述定性研究方法的特征与应用？