数据可以说是当红“炸子鸡”，当5G和大数据逐渐地融入到各行各业，我们每天都会与各种各样的数据打交道，我们的工作也在不断的产生着各种数据。以往分析数据只是数据分析师（BI）的工作，伴随着信息技术的高速发展，我们日常工作中其实都会接触到大量的数据，但实际BI们更专注于对业务端的数据进行分析，继而为运营工作提供方向。在这个数据纷繁的时代，想把我们日常工作中所产生的数据利用起来，让数据为我们的工作创造价值，还得需要我们自身对数据进行研究。
为什么要做数据分析
腾讯正在着手研发输入法，原因之一就是输入法可以作为一个数据入口，高效率帮助分析用户行为。从优质数据到精准决策的转换，靠的就是数据分析，从海量的数据中，提炼、归纳、总结出某个结论，用来验证决策方向的正确性或者对当下业务情况进行可视化。数据分析的作用和价值，可以总结为识别机会、诊断问题、评估效果、提高效率四个方面，使用适当的分析方法，运用高效的分析工具进行分析，提取其中有价值的信息，概括总结形成有效结论，从杂乱无章的海量数据中，挖掘出数据的最大价值。
完整的数据分析怎么做
一谈到数据分析，我们常常会想到的问题有：
数据分析需要掌握哪些知识？
需要学习哪些工具？
它到底能解决什么问题？
……
简单来看数据分析的核心就是分析数据，一个完整的数据分析过程主要包括下面几个步骤：明确需求—确定思路—处理数据—分析数据—展示数据—撰写报告—效果反馈。而上面我们所说的关于数据分析的专业知识和相关工具等，都是为了辅助这个分析过程的顺利进行。
1.明确需求
数据分析的第一个步骤就是与他人沟通，明确需求内容，这个阶段容易出现反复沟通的问题。为避免这个常见问题，沟通中注意抓核心问题，并且可以尝试适当提出自己的想法，让需求更加立体。为了避免沟通不全或重复，可以从5个方面沟通：目的、主体、口径、思路、完成时间，沟通完毕后，尽量以文档形式记录，便于各方参考。
2.确定思路
分析思路是整个分析过程的“灵魂”，如何快速确定分析问题的思路呢？可以尝试从以下三方面拓展，第一个是套用经典，也就是活用“套路”，比如关于数据分析常常提到的“AARRR分析、RFM分析、5W2H分析”，这些经典的分析方法，可以帮助快速对问题有一个清楚的认知。第二个是利用公司现有的指标体系，目的是根据实际的情况，找到合适的切入角度。第三个是总结提炼，如果公司有历史分析报告，可以借鉴，在对问题现有认知的基础上，不断总结，提炼出自己的分析框架，建议使用思维导图软件，对框架进行呈现。
3.处理数据
当有了一个具体的分析框架，为了让数据呈现的更加清晰，便于从每个维度进行参考，需要对数据进行处理。那用于分析的数据一般是从哪里来呢，主要来源有现有数据库、报表和外部可以通过爬虫、统计网站获得的数据。数据传输过来，不能直接用来分析，因为数据是杂乱无章的，需要加工成适合数据分析的样式，常用样式为一维表。数据加工的主要方式有数据清洗、数据计算、数据转化。
数据清洗：剔除或用合理值代替掉异常值、空值等。
数据计算：通过数学公式计算出需要的其他数值，比如：日均值、总销售额。
数据转化：将数据转化为离散型数据。
4.分析数据
这一步是数据分析的重头戏，按照上面我们总结出的分析框架，应用我们所掌握的分析工具，Excel、SQL、Python、R，对处理好的数据进行分析。常用的分析方法有对比分析、结构分析、分类分析，高级分析方法有聚类分析、回归分析、决策树分析等。
5.展示数据
展示数据也就是我们说的数据可视化，俗话说“文不如表，表不如图”，所以在展示的时候，我们常用图表展示，如柱状图、条形图、饼图等，专业的展示工具有Power BI、Tableau。
6.撰写报告
常用的报告形式有PPT、WORD、Excel，内部的交流报告，常选择Excel，大型汇报一般选择美观度更高的PPT，在撰写报告的时候，要注明分析目标、分析口径、数据来源，需体现有价值的结论和建议。图文并茂、逻辑性强的报告，让阅读的人能够跟着你的一条分析思路走到分析结果。
7.效果反馈
所谓效果反馈就是根据恰当且具有代表性的指标，及时监控策略的执行进度。“有输入，有输出”才能知道自己的操作问题，所以效果反馈是很有必要性的。目前常用的反馈形式有两种：监控报表、分析报告。监控报表常用于日报、周报，分析报告常用于月报和年报等周期性较长的效果反馈汇报。
实用的数据分析思维
逻辑论证的三要素分为：论点、论据、论证。借助逻辑思维，能够确立正确的执行方向，减少执行过程中出现的误差，在训练逻辑思维时，要注意保证信息的完整度，否则后续的论证是没有意义的。在进行数据分析时，常用的4种思维方式以及运用方法有如下四种，分别是：目标思维、结构化思维、推理思维。
1.目标思维
目标即三要素中的论点，判断论点是否有效，需要细究其论据和论证方式。在陈述问题时，常常采用KWIC法，全面的呈现出现有信息，提升后续论证质量。
2.结构化思维
结构化思维能够帮我们将杂乱无章的信息，进行归纳、分类。
（1）问题树
问题树也就是我们常说的“脑图”。其运用主要有两种方式，一种是通过最终的目标进行拆解；另一种是将信息完全罗列，并对其进行归类逐层向上聚合。
（2）公式法
公式法不太关注细分场景以及整体漏斗，在分析时，结合场景、操作流程，对公式进行细化。比如我们研究一个APP的注册人数时，注册人数=手机号注册人数+微信注册人数，手机号注册人数和微信注册人数，又可以转化为进入页面人数和跳失率等指标，在运用公式法时要注意完全穷举各种指标，根据具体哪个数据跟我们的预期有出入，来进行优化。
3.推理思维
推理思维主要使用的方法是归纳、演绎、因果分析法。
（1）归纳法
归纳法，是指从特殊到一般的过程，所以这个方法不能保证准确度，在使用该方法时，要增加衡量维度，如样本数量、样本占比等。样本量太小会容易导致其代表性不足，容易出现错误的结论。
（2）演绎法
演绎法和归纳法相反，常见的表现形式是逻辑三段论，具体为：大前提、小前提、结论。假设大前提是真的，小前提也是真的，那么结论也是真的，演绎法追求的是不自相矛盾。
（3）因果分析法
使用因果分析法，应先对结果进行假设，并通过实现或者其他的验证手段进行验证，最终的验证结果才是真正的结论。
总结
在当下这个“数据时代”，用数据说话，也靠数据竞争。数据分析是门复杂的学科，需要不停的探索，所谓“技多不压身”，除了分析的结果所创造的价值，分析的过程也是对工作的一个梳理，和对逻辑思维的锻炼，多做一些，很可能打开新世界的大门。