3小时学会自动化办公，想加班都难！

Topic 1: 个人能力(技术栈)

数据仓是由开发人员去做

对于传统行业，需要分析师数据链路清理出来，因为他们表格很乱的，没有到经济化运营的阶段。包括工业公司比如西蒙子工业4.0，它的生产线非常厉害，数据智能化程度却很低，所以他们没有到精细化运营的阶段。

当BI没办法很好的提供帮助的时候还是要自己写SQL去select，才能写成日志数据。SQL不需要建表操作，只要会group by

基本上会了一个BI平台那就基本上都会了，各平台都大同小异的。电商新零售用帆软，互联网公司用神策。

更加资深的方向就要做数据挖掘来增长，就会涉及机器学习和算法。还需要写行业分析报告。

工具只要熟练运用就可以了，不需要一定去精通，那就是表哥表姐。

R语言只是语言更加偏向统计罢了。spass啥的更加傻瓜，纯统计，用在特定场景中，比如实验。如果会了Python了就不需要那么复杂，一行数据解决问题。

matlab是工科同学用，只在高校存在，而且软件本身很贵，发论文才用到。对技术栈没有任何加分。用5年做业务积累

Part 2 指标与指标体系

有些高级数据工程师是不会什么工具的可能只会excel，因为他脑子里有很强的业务和指标的联系。普通人对于指标的理解就是KPI，但其实它不止于此。指标甚至是需要从0到1去建立的。

指标缩写特别多，不要懒去看看计算口径，对业务的理解就上来了，那么就可以去拆解了。

原子指标也就是基础指标(卖货的就是订单数，做app的话就是日货DAU)

复合指标是运用一种计算，规则运算。ARPU叫average rate for per user(游戏领域就是单人用户付费金额，人均客单价)吸金能力指标。

派生指标在前两个指标之上。更加细化的指标。比如: 双11+成都+订单数

CPM CPC

开发人员不了解业务是特别正常的事情。

运营体系有按照业务板块(子功能运营)，还有按照地域板块运营的。不同部门间的数据是很敏感的。外企的核心东西碰不到，对接开发的管理层都是老外，机密不告诉你。指标体系理解就行，一般不会让你去从0-1建立体系的。

指标体系也指导各部门间的KPI，同一指标口径。包括指导业务，增长业务。

用户旅程地图(它必须要结合APP本身去看)→用户行为(他的操作)→关键指标(出现)

OSM

当我们为指标加上维度:

二级指标是，根据一级指标通过计算做一些事，把每个步骤打开，每个步骤都有单独的一些指标。三级指标就是更加深入的做一些拓展。

把指标衡量出来以后，有什么行动策略:

到公司一定要先看架构图和业务如何开展的，从用户到下订单是哪些部门负责那些板块，不要外泄公司机密。重点看运营架构和产品架构，有些看不懂的很正常。要快点熟悉每张数据表是什么。把自己作为用户，然后去转化这些知识，理解表，在把行为select出来。刚到公司一定要多找运营姐姐，多做表格帮她们做轻量化，要知道核心指标是什么，建立整个业务逻辑。

Part 3 数据分析的方法和模型

数据的敏感性: 其实就是对数据的理解程度。当你看到数据，你明白发生什么事情的时候，你就是敏感的，否则就是不敏感的。那么你不敏感的原因是什么，就是因为你不知道数据在说什么。

1.占比分析

2.趋势分析

3.对比分析

4.象限分析

5.排名分析 (***)

**产品，看份额站80%的东西它的占总品类多少，就非常希望有一个明星产品

用户画像

Part 4 思想模型(维度拆解有些人喜欢叫逻辑树)

估算，不知道数值无所谓，建立逻辑，大概给个思路，把问题具体化出来，开放题没有正确答案，给几个指标和角度就行

5w2h开始有用(活动策划和主题内容开始出现)

游戏行业:

模型三 AARRR 让用户留下了

Part 5 统计学

统计学是实用的学科，对事物本身没有概念，高校学习就很痛苦。反思维的统计学。

Part 7 Excel专题