数据分析做什么
数据分析的定义，在百度百科上是这样介绍的：用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。这句话的理解比较费劲，那么简单一点讲，数据分析就是发现有用的信息，提供结论并支持决策。
有道是数据在手，天下我有，但如何寻找出数据中潜在的价值，就是分析师的重要工作了。
数据分析大概有两种不同的发展方向，一种是偏向业务分析，需要对业务有比较深的理解，在此基础上，通过数据来寻找业务增长的套路，例如用户增长、网站分析、经营分析等;另一种是偏向数据挖掘，更加注重技术、尤其是算法能力的应用，需要对常见算法的应用熟练掌握。实际工作中，由于数据挖掘需要非常好的技术功底，因此绝大多数人都是偏向业务进行分析。
数据分析的工作内容
那么数据分析的童鞋，日常主要在做什么呢?简而言之，在做三件事：业务的现状是什么、为什么会发生、未来将要如何(或如何改进)。
现状分析，就是告诉业务决策者，过去发生了什么事情，并且通常以报表的形式呈现出来。所以分析师不光要能够做日报、周报，还需要自己来搭建报表平台，通过分析关键的指标，来掌握业务的运营情况。
原因分析，是在业务现状的基础上，分析为什么会发生这些事情。比如指标上升或者下降了，是因为什么原因造成的;或者是分析不同渠道对于最终转化的贡献情况。分析的过程，通常会通过专题的形式展示出来。
预测分析，则是告诉业务，未来会发生什么。预测其实是一件很重要的工作，不论是企业经营目标的制定，或者是相关策略的落实，都需要预测未来可能的情况，来保证业务的健康可持续发展。例如电商大促的到来，销量会得到很大的提升，那么对应的预算、物流、商家要做怎样的应对，都依赖于数据来提供预测。
相关概念的解释
还是有人会产生疑问：数据分析、数据科学、数据驱动、商业智能，这些概念都有怎样的不同呢?
首先说一下商业智能，英文是BUSineSS Intelligence，这是我们常说的BI，其主要价值，在于通过一系列的数据技术，从数据中挖掘隐藏的客观规律，总结这些规律背后的原因，并用于指导公司业务的发展。大多数情况下，BI分析师的工作，就是通过SQL、Python等语言，将已经统计好的数据，结合数据模型或者是分析框架，来对业务进行各种分析，并做成有价值的报表或者报告的形式，供业务方进行分析。
再讲讲数据科学，这个概念就要宽泛的多，通常指在跨学科的领域中，通过数据来寻找到解决问题的方法。数据科学的概念其实比较模糊，属于宽口径的概念，在不同的行业里所做的事情，可能是截然不同的。在互联网行业中，数据科学大约代表：先通过探索分析发现问题，然后再用数据建模去解决问题。
那么数据驱动又如何理解?数据驱动的字面意思是将数据来作为生产资料，通过科学的方法，来推动业务的优化提高。在互联网行业里，数据驱动又可以分为数据驱动产品、数据驱动业务两个方向，比如通过A/B测试来寻找最优的推荐算法，或者是设计实验来指导产品迭代更新的方向，等等。
因此，在一家公司中，不同数据岗位的分工大体如下：数据工程师负责数据平台的搭建、数据仓库的建设，以确保数据被正确的计算和方便的获取;数据分析师根据数据来描述或者是分析相应的问题，这其中包括商业智能来做报表，或者是数据科学来寻找数据模型，最终都是数据驱动业务增长或产品迭代。
如何来做数据分析
数据分析虽然需要的基础知识非常多，属于入门门槛比较高的那一种，但实际的工作却大体遵循如下的步骤，细节可以有不同：
明确分析目的 – 确定思路框架 – 准备数据 – 分析数据 – 展示数据 – 报告撰写。
一，明确分析目的，非常重要，目的不明确会导致分析的过程十分盲目。这里会有一个假设，即分析师需要懂业务，并且有自己对于业务的理解，如果没有相应的专业知识，通常分析的结果就没有特别大的价值。那么什么是懂业务?大体上就是需要明白企业的商业模式是怎样的，通过什么样的关系能够产生商业价值。如果是2B方向，还需要懂一些管理学的内容，了解数据如何辅助公司的经营管理。
二，确定思路框架，是通过怎样的指标、哪些角度来进行分析。其实业界有一些非常通过的方法，可以让我们快速开展业务的同时，能够保证MECE原则，即对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。
常见的思路框架包括：决策树管理分析法、PEST行业分析法、5W2H问题分析法、4P营销理论、SWOT竞争力分析模型 这里的方法论非常多，一些细分方向也有自己的成套理论，比如用户增长常用的AARRR漏斗模型、RFM理论等。这里就不一一展开了，网上能够搜到大把的资源，但有一点需要注意，就是掌握模型切记只掌握个大概，因为每个模型是相应知识体系的总结，只能交给你思路，而无法交给你哪些坑应该避免、什么情况下不起作用，等等。
三，准备数据，这个工作通常由数仓团队完成，一些流量场景，需要采集数据的，也可以通过数据埋点平台来自动完成。当然，成熟的团队会通过建立自己的指标体系，来灵活的支持业务的发展。
四，分析数据，以上文提到的现状、原因与预测分析为例，可以衍生出很多相应的分析方法。我们日常听到比较多的假设检验、回归分析、聚类分析等，都是在分析数据阶段需要用到的专业知识。
常见的分析方法有：A/B测试、描述分析、假设检验、信度分析、推断分析、相关分析、回归分析、聚类分析、时间序列分析 在使用分析方法时，需要注意的一点是口径要一致，例如指标的口径范围、计算方法、计量单位等进行检查。
五，展示数据，一般情况下是通过图表和表格来展示数据，通常是能用图说明的，就不要用表格，除非表格能够提供更多的信息。
所以有句话说道：数据分析无非四种方法：比较、分布、构成、联系。
六，报告撰写，根据分析框架，图文并茂的写一个好故事吧，记得要有清晰的结论。
A/B测试
俗话说，增长团队有三宝：埋点、漏斗、AB测，埋点是数据平台的功能，漏斗是分析问题的思路，但为什么要单独提一下A/B测试?是因为有了数据分析的方法之后，我们还需要数据分析的平台，来对分析的成果快速的进行实验。可以说，A/B测试是支持数据决策最有力的工具。
A/B测试针对2种以上的方案，不论是一整套产品方案，还是一个小元素的改动，只要变量是唯一的，那么我们就可以对同一组人群，进行随机的分组，在同等的时间维度内，将实验组和对照组的结果进行对比，来衡量那种方案更好。
其实很多开发与测试的同学不太理解A/B测试的重要性，因为从开发的视角出发，这些内容确实会增加很多的动作量。但如果从业务的角度出发，那作用可就大了，不论是争议方案的对比、还是产品转化率的提升、亦或是多个数据策略的贡献分配、再或者是产品功能保持简洁的方法，都需要大量的实验来验证我们的想法。在互联网公司中，我们并不缺少想法，但我们需要验证想法的工具，让数据来消除我们的收益淹没、认知偏差、侥幸心理和收益分配矛盾。
在实际的工作中，A/B测试并不简单的代表分成两个实验组，就完事了，因为我们需要考虑辛普森悖论的存在。辛普森悖论是指在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。如果不了解辛普森悖论，盲目的解读试验结论，很容易得出错误的结论。因此，我们通常会设计更多的参照，以验证我们想法的正确性，比如AA测试，或者AAB测试，这都需要一些经验的累积。
36KR曾在一篇报道中写道，头条发布一个新app，其名字都必须打N个包放到各大应用市场进行多次A/B测试而决定，张一鸣告诉同事：哪怕你有99.9%的把握那是最好的一个名字，测一下又有神马关系呢?
数据化运营
数据分析如果持续的做下去，那么它的目标就不仅仅是运营看板或者是分析报告了，而是走向数据化运营的发展路线中。
数据化运营的概念很火，但其实很多人对它有误解，认为这就是将运营的工作线上化了而已，但其实不然。在百度百科中，对数据化运营的定义是：数据化运营是指通过数据化的工具、技术和方法，对运营过程中的各个环节进行科学的分析，为数据使用者提供专业、准确的行业数据解决方案，从而达到优化运营效果和效率、降低运营成本、提高效益的目的。
但在互联网行业中，数据化运营的核心思路在于，基于用户的行为和属性，对用户进行运营。因为互联网产品的生命周期，就是一个闭环的模型：用户获取、用户活跃、用户留存、口碑传播、付费转化。这其中的每一个环节，都是一个漏斗，通过对数据进行分析，来运营指标的增长，或者是指导产品成长。例如最经典的啤酒与尿布的故事，就是一个典型的场景，通过发现用户行为的关联，来设置合理的运营策略，提升最终的产品销量。
就像精益创业中提到的MVP理论一样，不论是数据分析制定的各种策略，或者是企业的不同战术打法，其实都不一定是奏效的，而在执行策略的同时，通过数据的沉淀，来不断验证策略打法的有效性，最终发现那个最合适的MVP功能，是数据化运营的核心导向。
现在的数据化运营体系已经变得更加复杂，不仅是因为业务场景的设计越来越复杂，也因为机器学习、因果推断等新技术的应用，使得一些感性的数据能够被利用起来，让我们的运营能够更加清楚的看到业务与目标的