人人可做数据分析：从数据分析到数据驱动运营

参考文献

9.5 数据分析与公司战略地图

9.4 牛刀小试的一个例子

9.3 数据驱动运营概述

9.2 不同行业领域都有些哪些数据分析需求

9.1 不同业务层次都有哪些数据分析需求

第9章 数据驱动运营

8.4 机器学习

8.3 以统计为主的传统数据分析及其工具

8.2 目标的一致性及适用场景的区别

8.1 数据分析、传统算法、人工智能之间的范畴关系

第8章 人工智能与传统数据分析的关系

7.3 数据可视化举例

7.2 常见的数据可视化图表

7.1 数据可视化的意义：探索性分析

第7章 数据可视化

6.5 成交总额GMV

6.4 业务分析框架OSM

6.3 行动步骤利器：AARRR模型与UJM模型

6.2 分类利器：波士顿矩阵与RFM模型

6.1 针对业务问题的“假设检验”

第6章 常见的数据分析综合方法

5.6 指标思维

5.5 减熵：把事情流程化，把关系图谱化

5.4 细致拆解与辛普森悖论

5.3 层层拆解，才见真章

5.2 把一个具体业务问题转化成一个数据可分析问题

5.1 数字时代，数据素养是重要的技能

第5章 数据思维之数据素养

4.6 对数据分析的预期，要有合理的参照系

4.5 物联网等技术的发展催生了新的数据应用场景

4.4 信息摘要的敏感性，抓重点的能力

4.3 以前常用的一些方法论，如5W2H法不灵了

4.2 AI高大上，传统手段失效了吗

4.1 数据算法VS数据应用

第4章 数据思维之基础问题

3.4 大数据平台不是核心

3.3 大数据平台的数据采集、处理、输出与展示

3.2 大数据架构

3.1 大数据时代的传统数据处理方法

第3章 大数据平台架构

2.9 数据估算

2.8 数据集

2.7 数据整理，多维度拆解

2.6 数据清洗

2.5 数据库及合并表单

2.4 网页埋点采集数据

2.3 工业协议采集数据

2.2 不同的应用场景对应不同的数据采集方式

2.1 什么是数据，数字就是数据吗

第2章 数据采集、存储与整理

1.3 数据分析与其他学科的关系

1.2 数据分析话题同样存在“量变引起质变”的问题

1.1 数据分析话题的“树模型”知识框架

第1章 绪论

前言

推荐语

推荐序

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

推荐序

推荐语

前言

第1章 绪论

1.1 数据分析话题的“树模型”知识框架

1.2 数据分析话题同样存在“量变引起质变”的问题

1.3 数据分析与其他学科的关系

第2章 数据采集、存储与整理

2.1 什么是数据，数字就是数据吗

2.2 不同的应用场景对应不同的数据采集方式

2.3 工业协议采集数据

2.4 网页埋点采集数据

2.5 数据库及合并表单

2.6 数据清洗

2.7 数据整理，多维度拆解

2.8 数据集

2.9 数据估算

第3章 大数据平台架构

3.1 大数据时代的传统数据处理方法

3.2 大数据架构

3.3 大数据平台的数据采集、处理、输出与展示

3.4 大数据平台不是核心

第4章 数据思维之基础问题

4.1 数据算法VS数据应用

4.2 AI高大上，传统手段失效了吗

4.3 以前常用的一些方法论，如5W2H法不灵了

4.4 信息摘要的敏感性，抓重点的能力

4.5 物联网等技术的发展催生了新的数据应用场景

4.6 对数据分析的预期，要有合理的参照系

第5章 数据思维之数据素养

5.1 数字时代，数据素养是重要的技能

5.2 把一个具体业务问题转化成一个数据可分析问题

5.3 层层拆解，才见真章

5.4 细致拆解与辛普森悖论

5.5 减熵：把事情流程化，把关系图谱化

5.6 指标思维

第6章 常见的数据分析综合方法

6.1 针对业务问题的“假设检验”

6.2 分类利器：波士顿矩阵与RFM模型

6.3 行动步骤利器：AARRR模型与UJM模型

6.4 业务分析框架OSM

6.5 成交总额GMV

第7章 数据可视化

7.1 数据可视化的意义：探索性分析

7.2 常见的数据可视化图表

7.3 数据可视化举例

第8章 人工智能与传统数据分析的关系

8.1 数据分析、传统算法、人工智能之间的范畴关系

8.2 目标的一致性及适用场景的区别

8.3 以统计为主的传统数据分析及其工具

8.4 机器学习

第9章 数据驱动运营

9.1 不同业务层次都有哪些数据分析需求

9.2 不同行业领域都有些哪些数据分析需求

9.3 数据驱动运营概述

9.4 牛刀小试的一个例子

9.5 数据分析与公司战略地图

参考文献