关于【如何做数据分析】，数据分析的四个流程，今天乾乾小编给您分享一下，如果对您有所帮助别忘了关注本站哦。
内容导航：1、如何做数据分析：5个步骤，教你做出优秀的数据分析项目2、如何做数据分析，数据分析的四个流程1、如何做数据分析：5个步骤，教你做出优秀的数据分析项目
优秀的数据分析项目不是一大堆数据的堆砌，而是要有具体的产出。这需要数据分析师搞清楚为谁服务、找到合适的时机、在开工之前确认好项目需求再开始分析工作，并在最后结合项目目标做好个性化汇报。
上一篇我们普及了数据分析项目是什么。今天我们系统讲解一下：如何做一个优秀的数据分析项目。
首先大家要明白，并不是所有的项目，都需要找一个万人大会堂，拉着横幅，董事长总经理轮流上台鸣锣开道的。只要满足“在特定时间、特定条件下有具体产出的”都是项目。
因此，做项目的关键，不是图个名号，而是有具体的产出。有了具体产品的产出，KPI/OKR文档好交差；领导对你满意度提升；升职考评的时候有更多资本；跳槽也有更多可以写简历的东西。这才是我们要争取的。而所谓“优秀”的项目，指的是比“我跑个数据”更有说服力的产出。
那么，第一步该从哪里开始呢？
第一步，认识服务对象
做项目，最重要的当然是搞清楚目标；搞清楚目标，第一步当然是搞清楚为谁服务。这是数据分析新手与老鸟之间的最大差异。往往没入行的小白，满脑子都是“模板、模型、公式”。以为只要对着模板copy一份就算是完成工作了。刚入行的菜鸟们喜欢笼统的说：业务。可业务并不是一个孤零零的、独立的个人。业务两个字背后，是非常具体的、复杂的含义（如下图所示）。
具体问题具体分析，是数据分析的最基础要求，也是做好项目的第一步。因为这五大要素和它们的具体形态，决定了我们的数据分析可以做到什么程度，应该做成什么样子，做成什么样才能满足需求。具体的关系，如下图所示：
理清具体问题非常重要。过去我们常说传统企业如何如何，互联网企业如何如何，在渠道融合发展的今天，实际上二者之间边界越来越模糊。如果不具体分析，往往会闹出很多笑话。
比如：
曾是toC互联网企业，现在要发力toB，完全不知道怎么和客户打交道；名为互联网产品，可服务对象是实体老板，销售还在用最原始的电话外呼；名为互联网行业，可运作的仍是实体产品，进销存量收利一样都不差；名为新零售，可数据采集一塌糊涂，连传统连锁店都比不上；名为传统企业，可在做数字化转型，玩的是分销、裂变；以上种种复杂场景，不是大喊一句“我是互联网AARRR思维”就能搞掂的。指望套模板结局就是死翘翘。况且经过这几年的历练，很多运营、产品经理、策划都学会了基础数据分析概念，这时候还抱着充满“SOWT、PEST、5w2h”一类空洞口号ppt模板，数据分析师就等着下岗吧。具体问题、具体分析，怎么强调都不为过。
并且，了解清楚状况，对于下一步把握战机非常重要。如果凡事都等着业务找上门来才干，那就跟叼飞盘的汪汪没啥区别了（业务提一个假设，数据验证一个假设，宛如一只叼飞盘的汪汪）。自己对形势有判断，才好主动发现机会。
第二步，找到发力时机
数据分析项目，最大的敌人是：日常工作。所以，并不是所有事情都适合立项目来做。时机非常重要。
往往我们要挑业务部门的以下时机入手：
想做创新想改良现状新工作两眼一抹黑遭遇问题不知所措三板斧砍完不见效在这些战机时刻，抛出系统的解决方案，一鼓作气独立把问题解决掉（如下图所示）：
第三步，确认项目需求
找好发力时机以后，与具体业务方谈妥，准备动身开工。在开工前一定要确认好项目需求，具体来说就是项目铁三角：
这里有三点要注意：
数字、模型、报告本身不是产出。业务从不了解情况到了解，从没有办法到有办法，从不知道怎么选到知道怎么选，从没有准备到一二三级预案，这才是产出。所以不要脱离问题就数论数。从数字里推出结论。时间千万别忘了。时间紧，尽量快速出结论；时间宽，就要分步骤输出，企业不是学校留大半年给你慢慢憋论文。有多大锅下多少米。如果数据质量差、人手不足、缺乏分析经验，就沉住气一步步做，不指望一次解决所有问题。这三点对于项目成果至关重要，过往历史中有太多数据分析师沉迷于折腾“科学方法”，忽视了项目管理，忽视了时间-投入，结果画的饼大，煎的饼小，最后灰溜溜收场。
这里要还要注意工作方式。确认需求，不是让你直接问业务：“你们想分析点啥”。这种问法太被动，又回到叼飞盘老路上。而且往往业务会回答的你摸不着脑袋。
比如：
你帮我想个办法呗（找你要执行方案）一定是对手/天气/运气……（企图甩锅）我想分析用户心智资源（压根没数据）只要有人工智能用户就会买单（方法不切实际）所以，靠谱的做法，是一步步梳理需求，引导到数据分析可以解决的问题上，正本清源，客观解决问题（如下图）。具体引导方法有很多细节可以讲，稍后我们结合具体案例，详细的说。
第四步，开展分析工作
做完需求，后续就是正式工作。具体内容和分析议题有关，这里不展开讲的。如果前期梳理清楚，中间过程自然顺利。这里只强调一点：数据分析工作切记憋大招。憋得越久，人们对你期望值就越高，最后失望就越严重。因此，只要项目工资超过1周，就得有周汇报，通知大家进度；时间超过1个月，一定要有月总结，拿中间过程和大家碰一下。
特别特别是用到算法的项目，往往一听到算法业务部门都以为是神兵下凡，所到之处必然望风披靡。所以，算法项目死于业务期望值过高的例子，特别特别多。过程中，具体的算法过程不用向业务汇报，但是遭遇的困难和期望输出的结论，要经常保持沟通，适当控制业务期望，避免最后一刻才发现货不对板，最后身败名裂。
第五步，工作汇报
这里不展开说了，陈老师刚刚更新一个数据分析报告系列连载，大家可以参阅。总之，汇报的时候，要考虑目标听众的身份、目的、结合项目目标做个性化汇报。这样才能取得好效果（如下图）。
基于听众的思考，使得即使同样的数据，同样的结论，也能有不同的表达形式，最后抓住听众眼球，让大家感兴趣，给项目完美收工。
小结
纵观整个过程，我们能看到，做好项目的过程，就是把数据方法应用于企业实践的过程。数据本身有统计学、数学、编程、数据库等专业知识，但其中相当部分（比如数仓、ETL）是为保障数据本身的正常运行；相当部分（比如语义判断、图像识别）是用于工业应用，不用考虑业务理解和配合；相当部分（比如统计学）适用于科学实验、农林牧鱼研究。
大量的业务不是科学问题，而是实操问题。O2O平台如何管理商户，新媒体平台如何发展本地客户，直播电商怎么选款等等问题，都得把数据知识和实际工作结合才能输出结论。更不用说，大家混职场都夹杂了办公室政治，如何出人头地少背锅的诉求。因此才有了我们今天的讨论，才有了各种推动项目的方法。这是每个做数据的同学从校园到职场的必经一步。
今天只是给了个框架，具体的问题，我们结合具体场景来分析。之前说分享基建类项目，很多同学说做得苦，那我们也考虑给一个最符合数据分析幻想的分析型项目的例子，如果感兴趣，我们下一篇分享哦。
2、如何做数据分析，数据分析的四个流程
编辑导语：不同等级的数据分析师对“复杂”一词的看法不一样，那理解的意思也会有所偏差；那怎么能快速并且正确的get到领导和客户的点呢？本文用数据分析的方式巧妙的解释了这个问题。
很多同学表示：从0到1的文章很多，可面对复杂问题，该怎么搭建数据分析思路呢？
首先，“复杂”一词在不同等级的数据分析师里含义不同。对小白而言，领导传达命令的时候，有“模型”俩字的就是复杂问题，一听“模型”，新人就开始狂翻《西瓜书》《统计学习》《机器学习》誓要与“模型”血战300回合。
而有经验的同学都知道，企业里真正复杂的才不是这些。
来看个具体例子：
场景——电商行业（纸质书、视频光盘等商品为主），客服领导对物流领导意见非常大，认为物流问题影响了客户满意度；但物流领导表示：所有发货不及时，发货过程中包装破损等问题已经被处理了，怎么可能还有物流问题。现在有一份分析需求，要求：建立全面、细致的客户满意度评估指标体系。
一、什么是真正的复杂问题问题1：收到这个需求，你会百度哪个关键词？
评估指标客户满意度指标客服客户满意度指标物流客户满意度指标很多新人一看这种问题就觉得：简单。不就是建个评估指标吗，这种文章网上一天能见8篇。而且“客户满意度”这个词我也熟悉，又不是私域流量，精准画像这种玄乎词。于是开始百度上边四个关键字，找一个看起来可行的就开始干了。
可关键问题是：眼前的问题，是大家不知道客户满意度怎么考核吗？
不是！眼前的问题是客服跟物流俩部门干上了！这才是大问题。
所谓“客户满意度”只是两边干架的一个由头。如果“客户满意度”的标准不能让两边共识，那不管书本上是怎么定义的，只要你甩出来，都会被其中一方喷到死。这才是第一大难题。
所以这一题根本就不该选。第一步要干的事，是先了解具体不满的点在哪里。
又有新人表示：既然是客服对物流不满，那客服记录用户来电里，有“客户投诉”这一项，直接把这个指标拿出来不就完了（如下图）
这就涉及到第二个难题：客户满意度，是个含义丰富，但采集数据非常难的指标。
到底啥算满意？客户不满意是不是就一定投诉？是不是客户满意了就不会投诉？都不一定！特别是涉及物流问题：
可能客户假装发脾气，只是为了让客服处理速度快一点。也可能客户闷声不响，但是最后退货！退货！退货！更有可能客户拨打的是咨询/建议，但是发脾气：为啥还不发货！只靠一个字段：投诉，是无法真实反映情况的。
比如客服领导给出来的“客户不满意”是以下场景
这又涉及第三个问题：如何在各种庞杂数据里，真正识别出客户投诉/非投诉。
如果按客户领导的说法，得把所有客户来电都转文字记录 关键词过滤一遍才能识别情况。可显然这么干太费时费力，得找个简单的处理办法。
然而这又涉及到第四个问题：客服的工作流程得调整。
不调工作流程，依然会有大量真真假假的投诉混杂在其他来电里，后续还是没法跟踪，客服依然会无休无止的抱怨，物流依然不知道自己错在哪。然而，调流程这事，又涉及业务部门能不能、肯不肯、想不想的问题。
这时候如果有个人冒出来，说：“你们做数据的不是会人工智能大数据吗，就不能我们照常干，你们Duang一下就分析的一清二楚吗。肯定是你能力不行”……是不是你也想打爆他的狗头了。
部门利益有冲突
指标含义不清楚
原始数据内容乱
相关流程要改动
这些才是老鸟眼中真正难解决的问题。然而这也是企业真实的经营场景，那种数据完美，含义清晰，静静躺在excel表里等着被建模的事，只存在于网上文章里。现实就是各种利益纠葛，数据混杂，流程不清，咋弄呢？？？
二、如何建立分析思路总结下本次的问题。表面上看，是：客服反馈物流问题多，客户满意度低。
可往深入看，客服与物流对客户满意度口径不统一，导致无法解决问题。
再往深入看，客户的很多问题并非物流引起，却都怪到物流头上，客服自己没有做区分，而是一股脑打上门来。
这种场面下，有三种解决思路：
第一：中立判官
如果得到了更高层授权，或者两个部门能平心静气谈，希望数据部门站在中间当判官，可以用这种思路。这时候可以围绕客服反馈的客户不满意问题，逐级梳理，把哪些是真问题，哪些是假抱怨一层层剥清楚：
第二：故作小白
如果两个部门打的不可开交，铁了心要吵架的话，可以用这个思路。数据部门好像一只人畜无伤的小白兔，表示：“你看我们也不懂物流业务，也不懂客服业务，如果有需要区分哪些来电是不满意的，可以业务给具体的区分规则，我们按规则去提取数据”。
是滴，让两家自己吵架，定清楚了到底什么算不满意、从哪里、依照什么标准提数，数据部门就当个跑数机。并且只给数据，不给判断。这样是看着很怂，但是能在部门混战里先保护好自己。
第三：解决问题
注意，客户总是想多占点好处，所以客户真真假假的抱怨是避免不了的。但物流提高配送能力却是结结实实要花钱的。就像所有的老板都说要提高客户满意度，可你问他花100个亿来提高满意度——十有八九就不同意了。
所以站在解决问题的角度，第一步并非建立客户满意度指标，而是先定义物流的服务原则，比如最长发货时间是多久，比如发货破损率控制在多少等等。
有了这个标准，第二步就能推动客服，在应对客户投诉的时候，先区分有没有违背服务原则。
如果有就是物流执行没到位，转物流处理；如果没有，就得靠客服努力，或者安抚客户，或者向客户解释原则。这样大家都能在有限的成本内，最大化解决问题。
如果用问题解决思路，需要的分析就不1个建立客户满意度指标体系，而是3个相互配合的分析
依据物流原则，目前执行不到位的客户情况分析基于物流原则，客户真实不满意、假不满意的分析基于现有客服安抚方式，客户真/假不满意最终处理情况分析分析的复杂度大大提高。实际上，解决问题导向的分析逻辑都很复杂，并且依赖于数据分析师的业务处理能力。
小结你会发现：
一般网络文章里的数据分析思路都是中立判官式的，作者都喜欢把自己当成最大的老板，指点江山，真他妈爽。一般现实工作中，都是故作小白的搞法。“请业务自己想清楚”“我就是个跑数据的，我啥也不懂”——到头来经常被人骂“没有用”“你分析了啥”。一般老板们解决问题的时候，会用问题解决型思路；可丢给数据分析师的，是三份独立的取数表，跑数的同学还是不知道在干啥。其实三种做法，单独看都没错，难的不是做某一种方法，而是审时度势，结合真实的问题点，系统数据现状，处理问题的决心，选择一个贴合实际的做法。这就要求数据分析师们，如果真想参与解决问题的话，就得从问题沟通、开会、聊天就开始观察情势，构建思路，而不是像开篇那样，上来抓个关键词就百度走起了。
本文关键词：spss如何做数据分析，如何做数据分析培训班，excel如何做数据分析，多选题如何做数据分析，如何做数据分析总结。这就是关于《如何做数据分析，数据分析的四个流程（教你做出优秀的数据分析项目）》的所有内容，希望对您能有所帮助！更多的知识请继续关注《犇涌向乾》百科知识网站：！