首先我学习了个三天快速上手班，分为7节，从DataFocsu介绍到搜索分析、图表制作再到最后的可视化大屏制作，每个章节视频平均不会超过25分钟，知识点很浓缩，也不会很枯燥。 

跟着视频的进度，完成对应章节的实操作业，需要用到的资料都可以下载。基本上整个视频学完就能够掌握DataFocus工具的基本使用技巧，并掌握数据可视化报告的开发能力。 

为了进一步提高自己的数据分析能力，继续学习了数据分析的八大常用模型。

学习过程中，觉得受益匪浅。以热图分析模型为例，简单介绍一下。热图分析模型其实就是指页面点击分析，与一般热力图不同的是，页面点击分析主要应用于用户行为分析领域，分析用户在网站显示页面（比如官网首页）的点击行为、浏览次数、浏览时长等，以及页面区域中不同元素的点击情况，包括首页各元素点击率、元素聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比等等。

过程中也发现很多学员做的很好，值得我去借鉴学习。

经过八大模型的学习，可视化开发能力又进了一步，想要再提升自己的数据分析能力所以继续学习了店铺决策数据课程。

之后就是在官网去阅读学习实际分析案例，因为最终的数据分析还是得落到业务场景上。按照这样学习路径，在一个月内我掌握了BI分析工具的所有功能，并且具备了一定的数据分析的能力。

曾经参加过南昌阿里巴巴车友会的学习交流，每天和来自不同品类的商家一起交流分享，有C店，也有很多天猫店铺商家，其实大家关注的指标都大同小异，想要做好店铺数据分析需要重点关注以下内容。

访问

店铺访问量变化，甚至要具体到每个小时的访问量。如此一来就可以观察到本店的目标用户的访问时间聚集在哪一时间段，选择在该时间段进行上新和店铺活动。

转化

访问量重要吗，当然重要，但是如果仅仅去砸钱直通车获得了访问量，而没有匹配的转化率，那只是一场空欢喜罢了。

当发现转化率过低的时候就要去寻找原因，是因为店铺品类过少还是商品详情页不够吸引人，或者是好评率过低，发现原因然后去解决。

注意转化的动态变化，当发现转化率明显提高了，也需要立马对近期工作进行复盘，找到时什么原因导致转化率升高，进一步提升转化率。

留存

通过会员新增，可以去大致判断店铺的广告投放是否精准，是否真正带来了目标客户。同时根据会员流失可以大致判断最近的店铺活动、产品上新效果。

其实整个电商都是围绕流量所展开的活动，如何去获取这些流量，进一步如何高效地获取精准的流量。获取了流量后，怎么让他们进行付费，又如何留住流量，不断产生新的流量。

数据采集方式——网络爬虫

网络爬虫是很常用的数据采集方式了，它可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件，并以结构化的方式存储。它支持图片、音频、视频等文件或附件的采集，附件与正文可以自动关联。

数据分析工具——DataFocus

DataFocus是一款非常好用的工具，它是由一群热衷于技术的极客倾情三年打造的智能数据分析系统。DataFocus是个数据分析的多面手，你可以把他当作下一代BI系统，或者创新的报表分析工具使用，它包含了传统商业智能软件系统所具备的全部功能，智能数据分析功能可以针对较高维度的大数据集展开分析，并生成智能诊断报告。

搜索框内输入关键语句，系统即时返回结果，并智能适配图表，什么样的数据，最合适什么样的图表，系统会告诉你。因为DataFocus智通搜索，并且适配图表，无需你再做其他复杂的配置，也不要任何的代码、SQL语句等等，系统全部会在后台自动处理好，而你只需要等待结果就行。 

按数据分析的流程即一个数据分析项目的实施步骤，来看所需掌握的技术。一般情况下需要学习的内容如下：

1. 数据获取：需要了解公开数据集的渠道，爬取网站数据。

2. 数据的存储、提取：SQL（数据库）实现数据存储、查询、提取；数据库的分组、聚合；SQL建立多表联系。

3. 数据预处理：用Python进行数据预处理。

4. 数据建模与分析：统计学基础数据；统计量的描述与展示；假设检验；常用的回归分析；基本的分类、聚类算法；提升分析精度：特征工程。

5. 数据可视化：用Python进行可视化分析；分析结果展示、数据报告撰写。

当然，这些是主要的，但并非必须立即掌握的.像学会查询提取SQl中数据、用Python进行数据清洗、可视化分析等等，都需要花费大量时间去学习，而借助Excel进行存储、分析，在应对万以内的数据时，一般没有问题,一旦数据量大，就会力不从心。因此，可以选择专业的数据分析工具——datafocus系统，使用者不需要代码和SQL语言基础，且其有独特的搜索式分析方式，操作简单易学。

应用该分析工具进行数据分析时，可将从各渠道获取的数据以文件形式存储到本地或数据库，再导入或连接datafocus系统，甚至在系统中创建。并在系统中直接完成数据的预处理、建模与分析，以及制作数据可视化大屏。使数据分析，省时、省力、省心。

财务报表分析是对企业财务报表所提供的数据进行加工、分析、比较、评价和解释。

财务报表分析的方法，主要有趋势分析法和比率分析法两种。

趋势分析法：是指根据连续几期的财务报表，比较各个项目前后期的增减方向和倾度，从而揭示财务和经营上的变化和趋向。趋势分析法是通过对有关指标的各期对基期的变化趋势的分析。

比率分析法 :是通过财务报表的有关指标的比率计算，分析企业财务状况和经营成果，了解企业发展前景的分析方法。

财务报表至少应当包括下列组成部分：

（一）资产负债表；

（二）利润表；

（三）现金流量表；

（四）所有者权益（或股东权益，下同）变动表；

（五）附注。

财务报表分析的一般步骤包括：

(一)明确分析目的

(二)设计分析程序

(三)收集有关信息

(四)将整体分为各个部分

(五)研究各个部分的特殊本质

(六)研究各个部分之间的联系

(七)得出分析结论

虽然对财务方面的分析了解不深，但既然设及了数据分析，建议选择一个适合自己的分析工具。一般，都会想到Excel，但随着时代的发展，最普遍的不一定是最适合的。国内外出现很多大数据分析的BI工具，像国外的Tableau、fineBI；国内的帆软、永洪、DataFocus等等。当然，我选择了适合自己的，国内专业数据分析工具——DataFocus，目前它支持的40多种图表已够我使用，最重要的是它独特的搜索式分析功能，在制作图表时操作很方便。不需要代码和SQL语言基础就可以制作图表，而且快速省时，开心~

财务报表分析是对企业财务报表所提供的数据进行加工、分析、比较、评价和解释。

财务报表分析的方法，主要有趋势分析法和比率分析法两种。

趋势分析法：是指根据连续几期的财务报表，比较各个项目前后期的增减方向和倾度，从而揭示财务和经营上的变化和趋向。趋势分析法是通过对有关指标的各期对基期的变化趋势的分析。

比率分析法 :是通过财务报表的有关指标的比率计算，分析企业财务状况和经营成果，了解企业发展前景的分析方法。

财务报表至少应当包括下列组成部分：

（一）资产负债表；

（二）利润表；

（三）现金流量表；

（四）所有者权益（或股东权益，下同）变动表；

（五）附注。

财务报表分析的一般步骤包括：

(一)明确分析目的

(二)设计分析程序

(三)收集有关信息

(四)将整体分为各个部分

(五)研究各个部分的特殊本质

(六)研究各个部分之间的联系

(七)得出分析结论

虽然对财务方面的分析了解不深，但既然设及了数据分析，建议选择一个适合自己的分析工具。一般，都会想到Excel，但随着时代的发展，最普遍的不一定是最适合的。国内外出现很多大数据分析的BI工具，像国外的Tableau、fineBI；国内的帆软、永洪、DataFocus等等。当然，我选择了适合自己的，国内专业数据分析工具——DataFocus，目前它支持的40多种图表已够我使用，最重要的是它独特的搜索式分析功能，在制作图表时操作很方便。不需要代码和SQL语言基础就可以制作图表，而且快速省时，开心~

大数据包括：数据分析，数据挖掘，数据产品，数据工程等等,涉及不同的技术和业务方向，所要学习的技能也不尽相同。在这里，我主要说一说较为熟悉的数据分析方向。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。。

数据分析的流程即一个数据分析项目的实施步骤，可大致分为：数据获取——数据存储与提取——数据预处理——数据建模与分析——数据可视化。一般情况下需要学习的内容如下：

1. 数据获取：需要了解公开数据集的渠道，爬取网站数据。

2. 数据的存储、提取：SQL（数据库）实现数据存储、查询、提取；数据库的分组、聚合；SQL建立多表联系。

3. 数据预处理：用Python进行数据预处理。

4. 数据建模与分析：统计学基础数据；统计量的描述与展示；假设检验；常用的回归分析；基本的分类、聚类算法；提升分析精度：特征工程。

5. 数据可视化：用Python进行可视化分析；分析结果展示、数据报告撰写。

   学习方式有很多，网页视频、书籍、交流群等等，每个模块的知识最好都有所涉猎。当然，像学会查询提取SQl中数据、用Python进行数据清洗、可视化分析等等，都需要花费大量时间去学习。而使用Excel进行存储、分析，在应对万以内的数据时，一般没有问题，一旦数据量大，就会力不从心。

现在市场上有很多数据分析工具，借助它们，也能够尽快提升业务水平。以datafocus系统为例，一款专业数据分析工具，使用者不需要代码和SQL语言基础，且其有独特的搜索式分析方式，操作简单易学。

应用该分析工具进行数据分析时，可将从各渠道获取的数据以文件形式存储到本地或数据库，再导入或连接datafocus系统，甚至在系统中创建。并在系统中直接完成数据的预处理、建模与分析，以及制作数据可视化大屏。为数据分析之路，省时、省力、省心。

分析方法，按功能分：定性分析、定量分析以及结构分析。定性和定量研究是社会科学研究首先必须面对的两个研究取向问题，定性分析与定量分析是人们认识事物所用的分析方式。

定性分析，“性质”，对研究对象进行“质”的方面的分析。运用归纳和演绎、分析与综合以及抽象与概括等方法，对获得的各种材料进行思维加工，从而能去粗取精、去伪存真、由此及彼、由表及里，达到认识事物本质、揭示内在规律。定性分析主要是解决研究对象“有没有”“是不是”的问题

定量分析，“数量”，对社会现象的数量特征、数量关系与数量变化的分析。其功能在于揭示和描述社会现象的相互作用和发展趋势。

定性——用文字语言进行相关描述；定量——用数学语言进行描述。

比如，我从加拿大官网收集了17号加拿大的疫情数据，通过数据分析工具，做了一个患病总人数的热力图，通过这些患病量，能看出截止17号，加拿大哪部分地区疫情较为严重，患者较多。这是对数据多少进行的分析，定量分析。

我再利用datafocus的智能洞察功能，查看对收集到的各元素的分析报告，展现各元素之间的关系，类别离群值、相关性等等，定性分析。

我们以前讲到过如何用DataFocus搜索式分析搜索相应“表头”并配以“按月”、“VS”等关键词进行店铺诊断。有不少读者来信希望我们能够从思维和方法端进行分享，尤其是出现了相应数据结果后的实施建议。

那么本篇我们就来分享店铺客户区域性诊断的相关内容。还是一样，由于对于合作商家的真实数据保密要求，数据部分将只以文字进行描述。 首先当然是会员等级占比分析。每个等级的占比可以帮助我们衡量店铺会员体系的健康性，低等级客户数太多，说明体系价值并没有发挥； 高等级客户太多，会给店铺增加成本。

 此店铺数据显示，V1会员占会员总数98%，V2会员占1%，V3占1%，V4-V6无。 而行业参考值为V1 60%，V2 30%，V3 6%，V4 2%，V5 1%，V6 1% 。 那么我们可以看到会员分布较不均衡，建议再做一次全面的会员体系升级，优化会员各个细节，比如会员特权有是有，但是不是根本没有落地；又或者会员等级的提醒没有做到位让客户没有这个意识。目标是让客户一次性或者首次就对店铺会员感兴趣。

 上述是一个静态的指标，那么动态指标就需要分析会员变迁。可以“按月”或“按季度”分析。

会员如果升级很慢，证明客户对会员升级缺乏动力，可以进一步优化权益和展现。尤其是如果店铺客户基数庞大，做好客户升级到普通会员的提醒，以及会员继续升级时的权益变更提醒。 

当然，现在很多商家包括淘宝本身，都直接采用快很准的二权分立，即“普通会员”和“超级会员”，权益一个天一个地，淘宝的88VIP、爱奇艺会员等都是如此。