链接：pan.baidu.com/s/1lnjyzdPb_HpUQpqqa9Rc3A?pwd=wmp8 

提取码：wmp8

《数据分析师手记：数据分析72个核心问题精解》从底层认知、思维方法、工具技术、项目落地及展望出发，使用问答的形式对数据分析中的72个核心知识点进行讲解，构建了数据分析的知识框架，带领读者认识数据分析背后的奥妙。读者可以用本书作为学习地图，针对具体的方法、技术进行延伸学习。

目录

第 1 章　底层认知

1.1 基础认知

第 1 问：数据分析怎么学？—本书学习指南 / 2

第 2 问：数据分析是怎么来的？—数据分析极简发展史 / 4

第 3 问：什么是数据指标？ / 6

第 4 问：常见的指标有哪些？ / 9

第 5 问：对于数据分析领域，统计学要学到什么程度？ / 10

第 6 问：数据分析领域主要的岗位有哪些？ / 13

1.2　底层逻辑 / 17

第 7 问：如何建立完整有效的数据指标体系？ / 17

第 8 问：数据指标体系如何应用？—数据监控体系 / 21

第 9 问：数据分析的产出价值是什么？ / 24

第 10 问：数据分析的常见陷阱有哪些？ / 26

第 11 问：如何让数据驱动业务？—数据分析流程 / 28

第 2 章　思维方法 / 32

2.1　数据思维 / 33

第 12 问：什么是数据思维？ / 33

第 13 问：怎么使用数据思维？ / 35

第 14 问：怎么训练数据思维？ / 38

2.2　通用分析方法 / 41

第 15 问：什么是数据异常分析？ / 41

第 16 问：什么是描述性分析？ / 43

第 17 问：什么是对比分析？ / 46

第 18 问：什么是细分分析？ / 48

第 19 问：什么是归因分析？ / 52

第 20 问：什么是预测分析？ / 56

第 21 问：什么是相关性分析？ / 58

第 22 问：什么是二八定律 / 帕累托定律分析？ / 61

2.3　商业分析方法 / 63

第 23 问：什么是 PEST 分析？ / 63

第 24 问：什么是 SWOT 分析？ / 65

第 25 问：什么是逻辑树分析？ / 68

第 26 问：什么是“STP+4P”分析？ / 71

第 27 问：什么是波士顿矩阵分析？ / 73

第 28 问：什么是 5W2H 分析？ / 77

2.4　产品分析方法 / 79

第 29 问：什么是生命周期分析？ / 80

第 30 问：什么是 AB 测试分析？ / 83

第 31 问：什么是竞品分析？ / 88

2.5　用户分析方法 / 90

第 32 问：什么是用户画像分析？ / 90

第 33 问：什么是漏斗分析？ / 96

第 34 问：什么是 RFM 用户分层分析？ / 100

第 35 问：什么是同期群分析？ / 104

第 3 章　工具技术 / 107

第 36 问：分析工具如何选？—常用场景说明 / 108

3.1　Excel / 109

第 37 问：用 Excel 做数据分析够吗？— Excel 的学习路径 / 109

第 38 问：Excel 中有哪些重要的函数或功能？—Excel 高频常用函数介绍 / 110

第 39 问：如何用 Excel 做数据分析？—Excel 透视表最全指南 / 114

3.2　SQL / 127

第 40 问：什么是 SQL ？—SQL 的学习路径 / 127

第 41 问：SQL 基础操作有哪些？ / 129

第 42 问：SQL 有哪些高频函数？ / 130

第 43 问：SQL 的表连接该如何做？ / 130

第 44 问：什么是 SQL 的窗口函数？ / 137

第 45 问：SQL 要学习到什么程度？—SQL 在数据分析中落地 / 147

3.3　Python / 151

第 46 问：什么是 Python ？—Python 的介绍与开始 / 151

第 47 问：Python 基础语法有哪些？ / 152

第 48 问：Python 数据分析工具包 Pandas 是什么？ / 160

第 49 问：Python 数据可视化工具包 Matplotlib 是什么？ / 177

第 50 问：Pandas 如何解决业务问题？—数据分析流程详解 / 183

3.4　PowerBI / 195

第 51 问：什么是商业智能？—商业智能与 PowerBI 入门 / 195

第 52 问：PowerBI 的核心概念有哪些？—一文看懂 PowerBI 运行逻辑 / 198

第 53 问：如何用 PowerBI 做数据分析？—PowerBI 完整数据分析流程案例 / 208

第 4 章　项目落地 / 222

4.1　落地思维 / 223

第 54 问：数据分析的结果该如何落地？ / 223

第 55 问：数据分析没有思路怎么办？—数据分析中“以终为始”的思考逻辑 / 226

第 56 问：如何从不同层次理解业务？—数据分析中“点线面体”的思考逻辑 / 229

第 57 问：数据分析怎么做才有价值？—数据分析中的目标管理 / 231

4.2　理解业务本质 / 235

第 58 问：常说的业务场景是什么？—从营销角度出发构建“业务场景模型” / 235

第 59 问：零售行业常说的人货场是什么？—从“人货场模型”看落地场景中的数据

分析 / 240

第 60 问：如何深入理解业务？—利用点线面思维构建“业务模型” / 242

第 61 问：如何梳理业务流程？—从“线”的层次思考业务 / 245

第 62 问：如何看懂公司的商业模式？—从“面”的层次思考业务 / 250

第 63 问：从战略层次全局看待业务？—从“体”的层次思考业务 / 254

4.3　互联网产品数据分析实践 / 258

第 64 问：如何分析用户行为数据？—还原实际业务中的落地分析流程 / 258

第 65 问：如何定义问题？—AARRR 模型中获取阶段的落地分析 / 263

第 66 问：如何形成分析思路？—AARRR 模型中促活阶段的落地分析 / 268

第 67 问：如何给落地建议？—AARRR 模型中留存阶段的落地分析 / 274

4.4　报告呈现 / 279

第 68 问：为什么要做数据分析报告？—向上汇报与横向沟通 / 279

第 69 问：如何用数据来讲故事？—报告结构与金字塔原理 / 281

第 70 问：如何制作一个图表？—数据可视化的逻辑 / 284

4.5　项目复现实战 / 287

第 71 问：游戏行业，如何分析活动？ / 287

第 5 章　展望 / 298

第 72 问：数据分析师的前景及如何成长？ / 299

查看全部↓

前言/序言

前言

为什么要学习数据分析

以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。在那个时代，业务运营主要依 靠经验和直觉驱动。例如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家只需 基于经验选品即可大卖。

但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入存量期，仅靠 经验驱动的增长模式不再有效。还是拿跨境电商举例：由于卖家剧增，海外市场饱和， 跨境电商进入存量运营时代，已经不存在绝对的蓝海市场，每个细分领域都有许多竞争对手。

此时，要求商家从粗放运营转为精细化运营，由经验驱动转为数据驱动，而这个转变中最重要的一点就是数据，也就是用数据分析报告决定市场是否值得投入，用数据选 品，用数据做经营分析，用数据管理库存。

从这个角度来看，数据分析已然成为了大数据时代各个岗位的通用能力。因此，为 了保持竞争力，任何人都有必要用数据分析能力武装自己：利用数据思维分析问题，依 靠数据支撑决策。

如何开始 — 数据分析师胜任力模型