優(yōu)秀數(shù)據(jù)分析師的易精之路

課程大綱

「課程概括」今天，每個企業(yè)都面臨數(shù)字化的生死挑戰(zhàn)，提升員工數(shù)據(jù)分析能力是應(yīng)對挑戰(zhàn)的基礎(chǔ)。大多數(shù)培訓(xùn)課程都在傳授工具和算法，培養(yǎng)“數(shù)據(jù)科學(xué)家”。但是，數(shù)據(jù)科學(xué)家如何解得開企業(yè)的“剪不斷理還亂”？

“這不是我要的數(shù)據(jù)！…到哪里去找？”

“一個部門一個數(shù)一個說法，我該采信哪個？“

“領(lǐng)導(dǎo)不認(rèn)可我的方案，怎樣寫數(shù)據(jù)分析報告說服TA？”

企業(yè)不是科學(xué)院，要的是立桿見影！這里也沒有老師提供標(biāo)準(zhǔn)答案，一切要靠自己去尋找。因此，本門課程以  為目標(biāo)：

2 “易學(xué)”—— 快速上手，現(xiàn)用現(xiàn)學(xué)

2 “易精”—— 獨立作戰(zhàn)，精益求精

數(shù)據(jù)分析課不能“君子動口不動手”，課上案例需配套課后作業(yè)。上課聽 下課練，才能讓培訓(xùn)時間物超所值。

融會貫通《易精數(shù)據(jù)分析方法》，每個學(xué)員都是優(yōu)秀的獨立數(shù)據(jù)分析師，為企業(yè)獨當(dāng)一面。「內(nèi)容簡介」課程為學(xué)員鋪設(shè)了循序漸進(jìn)的四個成長階梯：

1. 想法——養(yǎng)成數(shù)據(jù)化思維

豐富學(xué)員數(shù)據(jù)分析問題的思路，強(qiáng)化必需的邏輯思維，明白設(shè)定什么量化目標(biāo)，相應(yīng)需要什么數(shù)據(jù)，從哪里獲取，如何清洗整理。

2. 看法——掌握數(shù)據(jù)可視化工具

學(xué)會制作企業(yè)精益運營數(shù)據(jù)儀表盤。Power BI等數(shù)據(jù)可視化工具是數(shù)據(jù)分析師的必備，幫助我們從復(fù)雜數(shù)據(jù)中萃取簡單道理，并分享給他人。

3. 干法——實操數(shù)據(jù)挖掘方法

幫助學(xué)員在實操中學(xué)會建立數(shù)據(jù)模型，掌握趨勢預(yù)測、轉(zhuǎn)化漏斗、聚類、RFM等實用挖掘方法，解決自身實際問題。

4. 說法——寫好數(shù)據(jù)分析報告

酒香**怕巷子深！報告人擁有數(shù)據(jù)化和邏輯化的生動表達(dá)力，才能說服領(lǐng)導(dǎo)、客戶和同伴。寫好數(shù)據(jù)分析報告是每個優(yōu)秀員工必備基礎(chǔ)能力。

「課程收益」l 6套實戰(zhàn)案例及原始數(shù)據(jù)

曾老師從主持的能源（充電樁）規(guī)劃精算、新能源汽車共享出行和互聯(lián)網(wǎng)游戲運營等項目中，提煉了6套經(jīng)典數(shù)據(jù)分析案例，涵蓋了數(shù)字產(chǎn)品轉(zhuǎn)化分析、數(shù)據(jù)驅(qū)動運營、客戶聚類分析和投資決策精算等熱門領(lǐng)域。數(shù)據(jù)模型可套用到學(xué)員工作中，現(xiàn)抓現(xiàn)用。

l 4節(jié)課后作業(yè)，練會為止

光說不練假把式！課程配備了與學(xué)員學(xué)習(xí)進(jìn)展一一對應(yīng)的課后作業(yè)，學(xué)員可以在線上方便提交作業(yè)，接受老師的答疑解難。

l 對優(yōu)秀學(xué)員的免費輔導(dǎo)

教學(xué)相長！對能學(xué)化為用的優(yōu)秀同學(xué)，曾老師很愿意提供幫助指導(dǎo)。

「課程模式」1. 課上面授

2. 分組互動

3. 課后作業(yè)

4. 微群輔導(dǎo)

「受眾對象」有數(shù)據(jù)分析工作需求為佳、非數(shù)據(jù)專業(yè)背景的企業(yè)執(zhí)行層員工

「時間安排」入門班1天

普通班2天

工作坊4至6天

「課程目錄」 1 優(yōu)秀數(shù)據(jù)分析師是怎樣煉成的？

1.1 數(shù)據(jù)分析師的前世

1.2 數(shù)據(jù)分析師的今生

1.3 我的數(shù)據(jù)分析師之路

1.4 易精之路

1.4.1 數(shù)據(jù)分析師立身之道

1.4.1.1 客戶之道

1.4.1.2 企業(yè)之道

1.4.2 數(shù)據(jù)分析師工作法

1.4.2.1 想法——數(shù)據(jù)化思維

1.4.2.2 看法——數(shù)據(jù)可視化

1.4.2.3 干法——數(shù)據(jù)挖掘技術(shù)

1.4.2.4 說法——數(shù)據(jù)分析報告

1.4.3 數(shù)據(jù)挖掘八術(shù)

1.4.3.1 橫切面x 4

1.4.3.2 縱貫線x 4

2 想法——養(yǎng)成數(shù)據(jù)化思維

2.1 什么是數(shù)據(jù)化思維

2.1.1 中國古代的數(shù)據(jù)化思維

2.1.2 客戶之道與企業(yè)之道

2.1.3 數(shù)據(jù)化思維定義

2.1.4 數(shù)據(jù)化思維公式

2.1.5 人與AI的認(rèn)知融合

2.2 我們需要什么數(shù)據(jù)？

2.2.1 緊急的數(shù)據(jù)

2.2.2 重要的數(shù)據(jù)

2.2.3 緊要的數(shù)據(jù)

2.3 數(shù)據(jù)從哪里來？

2.3.1 現(xiàn)場調(diào)研

2.3.2 企業(yè)內(nèi)部數(shù)據(jù)

2.3.3 交易/協(xié)作平臺

2.3.3.1 電商平臺

2.3.3.2 供應(yīng)鏈

2.3.4 外部行業(yè)數(shù)據(jù)

2.3.4.1 免費/付費咨詢報告

2.3.4.2 行業(yè)數(shù)據(jù)統(tǒng)計網(wǎng)站

2.4 案例：中美四級產(chǎn)業(yè)股市數(shù)據(jù)分析

2.5 作業(yè)：Power BI電商銷售數(shù)據(jù)處理

3 看法——使用數(shù)據(jù)可視化工具

3.1  “工欲善其事，必先利其器”

3.1.1 數(shù)據(jù)工具概況和分類

3.1.2 Excel與Power BI——人手一份的數(shù)據(jù)分析工具

3.2 數(shù)據(jù)可視化

3.2.1 歷史著名可視化精品

3.2.2 圖表分類與應(yīng)用

3.2.3 Power BI的Dashboard實操

3.2.4 數(shù)據(jù)可視化視頻經(jīng)典案例

3.3 怎樣**數(shù)據(jù)對比做決策？

3.3.1 拉普拉斯與決策模式

3.3.2 五大對比方法

3.3.2.1 甲/乙對比

3.3.2.2 前/后對比

3.3.2.3 A/B測試對比

3.3.2.4 類比

3.3.2.5 回歸

3.4 分組游戲：決策私董會

3.5 案例：電力系統(tǒng)充電樁大數(shù)據(jù)規(guī)劃與運營

3.6 作業(yè)：Power BI電商銷售Dashboard

4 干法——實操數(shù)據(jù)分析方法

4.1 大數(shù)據(jù)探秘

4.1.1 大數(shù)據(jù)概念

4.1.2 大數(shù)據(jù)技術(shù)成熟度曲線分析

4.1.3 通用數(shù)據(jù)挖掘模式CRISP-DM

4.1.4 大數(shù)據(jù)“陷阱”

4.2 逆向大數(shù)據(jù)思維突破

4.3 不以贏利為目的的企業(yè)數(shù)據(jù)分析是“耍流氓”

4.4 數(shù)據(jù)挖掘八法：4橫4縱

4.4.1 橫截面

4.4.1.1 分類下鉆

4.4.1.2 杜邦分析

4.4.1.3 聚類分群

4.4.1.4 A/B測試

4.4.2 縱貫線

4.4.2.1 趨勢變化（Bar/Line Chart）

4.4.2.2 轉(zhuǎn)化漏斗（Funnel）

4.4.2.3 行為路徑（Sankey Chart）

4.4.2.4 運營干預(yù)（RFM）

4.5 易精數(shù)據(jù)決策導(dǎo)圖

4.6 案例：新能源汽車分時租賃

4.7 作業(yè)：超市RFM分析

5 說法——寫好數(shù)據(jù)分析報告

5.1 通天塔因為什么而倒塌？

5.2 酒香就怕巷子深

5.3 數(shù)據(jù)分析報告忌諱“三無”

5.3.1 胡言亂語——無邏輯

5.3.2 無病呻吟——無洞察

5.3.3 只挖不埋——無建議

5.4 優(yōu)秀數(shù)據(jù)分析報告要素“2 2”

5.4.1 “痛”——量化問題——y

5.4.2 “病”——分解病因——x

5.4.3 “理”——數(shù)學(xué)模型——f（）

5.4.4 “藥”——解決方案——y’和x’

5.5 案例：一份救命的數(shù)據(jù)分析報告

5.5.1 分組互動：提取痛、病、理、藥

5.6 課后作業(yè)：“我的數(shù)據(jù)分析報告大綱”

6 大數(shù)據(jù)與AI未來已來

6.1 史上**次人類認(rèn)知危機(jī)

6.2 從古典邏輯到機(jī)器學(xué)習(xí)

6.3 人類天生認(rèn)知障礙

6.4 人工智能優(yōu)勢和劣勢

6.5 人和AI的認(rèn)知融合

6.6 人工智能應(yīng)用：無人駕駛

6.7 AI驅(qū)動型組織機(jī)制

6.7.1 亞馬遜的“數(shù)字泰勒主義”

6.7.2 東西方融合：日本“現(xiàn)場主義”

6.7.3 A/B測試：數(shù)據(jù)驅(qū)動體制的試金石

6.7.4 數(shù)據(jù)決策分權(quán)機(jī)制激發(fā)執(zhí)行層活力

6.8 數(shù)字孿生運營

6.9 案例：新能源汽車投資精算

6.10 人性與AI的順逆冷暖

6.11 總結(jié)：數(shù)據(jù)分析師的心

6.12 結(jié)業(yè)作業(yè)：“我的數(shù)據(jù)分析報告”