本文旨在通過一個實際案例，引導讀者用最樸素的方式解鎖數(shù)據(jù)分析的大門，打破對數(shù)據(jù)的迷信，將焦點回歸到解決問題上來。通過易于理解的語言和實操指南，即便是數(shù)據(jù)分析新手也能夠快速入門，提升工作效率，發(fā)現(xiàn)數(shù)據(jù)背后的商業(yè)洞見。

來到傳統(tǒng)私企后，發(fā)現(xiàn)很多人還停留在明細數(shù)據(jù)的階段。相對好一些的，卻是被毒害的青年，開局RFM、帕累托，然后解密宇宙。

提起數(shù)據(jù)分析，很多人容易陷入過于復雜的模型和工具中，為了“打破迷信”也為了有一份相對能看的數(shù)據(jù)，決定寫一篇易于理解的保姆級實踐指南。

01 數(shù)據(jù)科學，不是量子力學

無論多么高大上的語言或工具，數(shù)據(jù)分析繞不過這3點：獲取數(shù)據(jù)、清洗數(shù)據(jù)、理解數(shù)據(jù)。

它的難，難在熱搜里充斥著不實用和聽不懂。

接下來用一個案例來正式開啟這篇文章：

案例背景：你需要為景區(qū)設計文創(chuàng)產品，但不清楚哪類文創(chuàng)產品受歡迎。你想通過分析文創(chuàng)產品的類型、價格和銷量等數(shù)據(jù)來獲取靈感。比如，哪些類型的文創(chuàng)產品賣得最好？價格與銷量之間是否存在相關性？

數(shù)據(jù)需求：銷量排名前100個商品數(shù)據(jù)，包含名稱、分類、價格、銷量、用途、人群、材質、風格。

02 獲取原始數(shù)據(jù)，減少無效需求。

我們總覺得平臺取數(shù)速度太慢，或者研發(fā)諸多刁難，其實是要了太多沒用的數(shù)據(jù)。

在提需求時，要再三問自己：是否有必要、是否有替代方法。

其次請要原始數(shù)據(jù)，要更少的原始數(shù)據(jù)。

通過控制數(shù)據(jù)提取的范圍，減少處理冗余信息的計算和人工負擔。而原始數(shù)據(jù)便于組合，但結果數(shù)據(jù)不僅提取復雜，也很難二次加工。

在獲取了數(shù)據(jù)后，先不要著急進行數(shù)據(jù)分析，因為原始數(shù)據(jù)往往是雜亂的。

如果不清洗數(shù)據(jù)，后續(xù)的分析結果很可能會失真或者錯誤。只有數(shù)據(jù)“干凈”了，分析工具和模型才能發(fā)揮作用。

接下來，讓我們看看如何進行數(shù)據(jù)清洗，讓它變得“可讀”和“可用”。

03 清洗到你看得懂，機器才看得懂

工具層面，我建議使用飛書多維表格，后續(xù)的圖形化也更加方便。

1、數(shù)據(jù)清洗

首先清理無用的關鍵詞，例如：“故宮”、“文創(chuàng)”、“官方旗艦店”等。

清洗過后，不僅提高了閱讀體驗，也降低了機器處理數(shù)據(jù)的算力需求。

必要時，可以增加其他的清理手段，例如：補全空值或統(tǒng)一標簽格式，確保數(shù)據(jù)清晰規(guī)范。

2、數(shù)據(jù)分類

2-1、特征提取

第二步，我們要提取有價值的特征。例如商品標題中的節(jié)日、用途、人群。

最簡單的方式是使用飛書的字段捷徑進行智能標簽，但對于這類容易標準化的數(shù)據(jù)，更好的方法是函數(shù)提取。

例如REGEXEXTRACTALL函數(shù)：

REGEXEXTRACTALL([商品標題], “教師節(jié)禮物|生日禮物|喬遷禮物|兒童節(jié)禮物|結婚禮物|創(chuàng)意禮物|伴手禮”)

這個函數(shù)從商品標題中提取匹配的禮物類型，將其轉換為“用途標簽”。

提取標簽后要注意再次清除相關關鍵詞。

2-2、數(shù)值分類

在分析品類價格分布時，稀疏的價格數(shù)據(jù)無法幫助我們有效識別問題。

但如果我們將價格收窄為區(qū)間，數(shù)據(jù)就會變得集中，便于我們的分析。

IFS( [商品價格] <= 50,”50以下”,[商品價格]<=100,”100以下”,[商品價格]<=200,”200以下”,[商品價格]<=500,”500以下”,[商品價格]<=10000,”500以上”)

除了AI，更方便的方法是使用IFS函數(shù)。它會把價格匹配范圍內的數(shù)值，歸類到對應的區(qū)間。

通過清洗和分類，我們和機器都看得懂了，那就能進行下一步分析了。

04 分析好好擰螺絲，不要造火箭

分析常用的圖表是：趨勢圖、餅圖、柱狀圖、條形圖還有詞云，它們能應對80%的問題，就別再波特五力我了…..

趨勢的波動讓我們更快發(fā)現(xiàn)問題，而占比及變化幫助我們聚焦重要的問題。組合圖的交叉、下鉆分析則是進一步識別問題了。

回到我們的分析問題上。

1、文創(chuàng)的類型、銷量、價格

通過分析餅圖可以發(fā)現(xiàn)：銷量占比與分類占比大致匹配。

但在“其他”分類中，紙袋的銷量有2萬個，導致數(shù)據(jù)失真。

因此我剔除了紙袋類商品，重新分析裝飾、文具、器皿等主要品類的銷售情況。

品類主要集中在裝飾（29.4%），文具(22.6%)，器皿(20.17%)，品類多的也是賣得好的。其中，平均價格最高的是器皿（210元），最低的是文具（76元）。

2、銷量與和價格的關系

將商品收窄至分類進行后續(xù)分析，注意到右上角的按鈕了嗎？飛書文檔生成的圖表能夠進行智能分析，幫助我們進一步提效。

洞察：

不同分類商品中，器皿的商品價格最高（210），但銷量并非最高（877）。

首飾的商品價格（154）處于中等水平，銷量（506）相對較低。

分析：

價格和銷量的相關性較弱。以器皿為例，雖價格較高，但銷量可觀；首飾價格中等，銷量卻較低。這表明價格并非決定銷量的唯一因素，可能受產品特點、市場定位等影響

飛書多維文檔

3、用途、人群、材質對價格和銷量的影響

洞察：教師節(jié)禮物的銷量達到 1012，為所有用途中最高。

兒童節(jié)禮物的商品價格僅為 35，相對較低。

分析：

用途、價格和銷量存在一定相關性。例如，價格較高的中秋禮物銷量為 700，而價格較低的兒童節(jié)禮物銷量為 400。教師節(jié)禮物價格并非最高但銷量突出，可能因其更符合市場需求或推廣更有效。

整體上，價格與銷量呈正相關，較高價格商品往往有相對較高的銷量。

細分用途后，價格和銷量相關性結論不一樣了，我們可以用相同的辦法去驗證人群、材質、創(chuàng)意的影響。

基于標簽生成的詞云，創(chuàng)意部分非常奇怪，這也說明了非標的數(shù)據(jù)不適合直接提取。

最后就是輸出建議了，分析必須要有觀點和建議。

觀點:

1）裝飾、文具、器皿品類表現(xiàn)優(yōu)異：生產得多也賣得好，裝飾品類銷量占比最高，達到29.4%；

2）銷量和價格關系較復雜：整體上非強相關，部分高價值的商品如器皿銷量可觀，但其他類別沒有呈現(xiàn)相關的特點；

3）節(jié)日影響顯著：教師節(jié)銷量（1012件）明顯領先，價格較高的中秋禮物也表現(xiàn)不俗（700件），特定節(jié)日對銷量有較大推動作用；

4）人群、創(chuàng)意數(shù)據(jù)參考意義不大：標題由于SEO僅部分有明確目標人群，創(chuàng)意詞云較為混亂，建議選擇品類Top5銷量的產品定向查詢。

建議：

1）考慮到定制化成本，建議在裝飾、文具品類發(fā)力；

2）結合詞頻，前期建議優(yōu)先設計泛人群的日常產品，如出行使用的包袋、家居擺放的裝飾等，減少季節(jié)性和節(jié)日波動對銷量的影響；

3）此外，可以基于節(jié)日主題開發(fā)成本低、生產快的產品，如圣誕節(jié)冰箱貼。

05 最后

在業(yè)務量沒有到達一定級別的時，別花太大的力氣在高深的名詞上，而且很可能名詞都找錯了，其次站得高不一定看得遠。

當?shù)搅四莻€級別，我相信也會請專門的數(shù)據(jù)分析師來做這件事情，希望不同崗位的同學看了這篇文章后能夠快速入門。