在大数据时代，我们并不缺少数据，缺少的是利用数据分析的思维和工具去解决实际问题的能力。数据化分析是运用恰当的方法和工具，对数据进行科学、有效的分析，从而提出有理有据、具有可操作性的建议，以解决现实中的难题。本书主要介绍了数据分析的9 种思维、7 种工具、学习方法、基本方法、展现方法、制作数据分析报告的方法，以及数据分析的思维模型。本书适合所有对数据分析感兴趣的读者阅读，特别是在工作或生活中需要经常跟数据接触的人，如数据分析师、产品经理、运营人员、管理人员、财务人员等。

为什么要写这本书 2008 年，作者开始从事数据分析工作，学习运用数据分析的思维和工具，来解决现实世界中的各种难题，并积累了一些数据分析的实战经验。 2012 年，作者给自己起了一个网名叫“数据化分析”，当时的想法是运用恰当的方法和工具，对数据进行科学、有效的分析。 2016 年，作者给“数据化分析”赋予了新的内涵：用数据化解难题，让分析更加有效。“数据化分析”比“数据分析”多了一个“化”字，以突出“化解难题”的作用。数据化分析从收集数据开始，到改善数据，再到分析数据和化解难题，然后又反过来收集更多的数据，形成了一个用数据解决实际问题的增强回路。 数据化分析不是把数据收集、整理好就完成任务了，而是需要运用恰当的方法和工具，对数据进行科学、有效的分析，从而提出有理有据、具有可操作性的建议，以解决现实中的难题。 在大数据时代，我们并不缺少数据，缺少的是利用数据分析的思维和工具去解决实际问题的能力。掌握数据分析的思维和工具，可以让我们去伪存真、化繁为简，通过现象看本质，找到问题的根本原因，进而睿智地解决问题。 为了帮助读者提升利用数据分析的思维和工具解决实际问题的能力，作者把自己十多年的数据分析实战经验总结、分享，并编写了这本书，希望能够对读者有所帮助或启发。作者相信，那些能够对数据进行有效分析的人，在解决实际问题时，能够做出更加明智的决策。 谁适合阅读这本书 本书适合所有对数据分析感兴趣的读者阅读，特别是在工作或生活中需要经常跟数据接触的人，如数据分析师、产品经理、运营人员、管理人员、财务人员等。 阅读建议 “纸上得来终觉浅，绝知此事要躬行。” 建议读者在阅读本书时，不要只是简单地浏览，而是要采用精读或主题阅读的方式，把本书作为参考书或一个引子，主动进行深入的思考，领悟本书中数据分析的脉络，并且学以致用，把数据分析的思维、工具、方法和模型内化为自己的，并应用到日常的工作和生活中，让自己真正长期受益。 请读者千万不要局限于专业知识，而要多去了解业务的实际情况，多接触一些其他学科的知识（如经济学、心理学等），也能对工作起到很好的促进作用。 数据分析必须结合业务场景才能开展。 数据分析必须符合业务目标才有意义。 数据分析必须付诸行动才能创造价值。 读者服务 如果读者在阅读本书的过程中有任何问题、意见或建议，敬请进入作者的微信公众号“林骥”，在菜单栏中找到“答疑通道”→“书的答疑”，即可进入本书的专属答疑通道，在这里可以给作者留言，也可以和其他读者一起交流学习。 作者通过该通道可以调整本书中任何需要增补或修改的内容，让本书像一棵树一样不断生长，内容不断完善。

目录 第1 章 数据分析的9 种思维 / 001 1.1理解现状/001 目标思维 / 008 对比思维 / 020 细分思维 / 027 1.2分析原因/0032 溯源思维 / 032 相关思维 / 042 假设思维 / 047 1.3预测未来 /051 逆向思维 / 051 演绎思维 / 056 归纳思维 / 061 1.4 综合应用案例 / 068 应用目标思维 / 069 应用对比思维 / 070 应用细分思维 / 071 应用溯源思维 / 071 应用相关思维 / 072 应用假设思维 / 072 应用逆向思维 / 072 应用演绎思维 / 073 应用归纳思维 / 073 本 章 复 盘 / 075 第2 章 数据分析的工具 / 077 2.1 Excel：应用最广泛的数据分析工具之一 / 079 2.2 Tableau：敏捷的商务智能展现工具 / 080 2.3 SQL：结构化的查询语言 / 081 2.4 SPSS：老牌的统计分析工具 / 082 2.5 SAS：强大的统计分析工具 / 083 2.6 R：专业的数据分析工具 / 084 2.7 Python：重要的数据分析工具 / 085 本 章 复 盘 / 086 第3 章 数据分析的学习方法 / 087 3.1 数据分析学习指南 / 089 学习方法 / 089 学习内容 / 090 学习路径 / 091 3.2 精准搜索学习资料 / 093 3.3 高效学习的6 种方法 / 095 3.4 高效学习的36 种思维 / 097 3.5 数据分析的精进之道 / 112 数据分析的材质 / 112 数据分析的造型 / 113 数据分析的装饰 / 114 数据分析的工艺 / 115 数据分析的层级 / 116 本 章 复 盘 / 117 第4 章 数据分析的基本方法 / 118 4.1 数据分析的5 个步骤 / 120 确认数据源是否正确 / 120 判断变化的程度如何 / 120 判断数据变化的周期如何 / 120 数据变化的前、后发生了什么 / 121 细分维度有哪些 / 121 4.2 数据分析的8 个状态 / 123 新的需求 / 123 需求确认 / 123 数据确认 / 125 实现中 / 125 交付 / 126 复盘 / 126 等待 / 127 拒绝 / 127 4.3 数据分析的指标体系 / 128 利用鱼骨图找到关键指标 / 128 从业务逻辑出发建立指标体系 / 129 用二八法则管理指标体系 / 129 4.4 提高数据敏感度 / 131 4.5 用数据解决实际问题 / 134 用流程解决问题 / 134 通过分解找到关键问题 / 135 通过交叉视点锁定原因 / 136 依据方程式制定对策 / 136 用数据讲故事 / 137 4.6 数据分析的 9 个问题 / 138 本 章 复 盘 / 140 第5 章 数据分析的展现方法 / 142 5.1 数据分析展现的重要原则 / 144 5.2 数据分析展现的常用方法 / 146 5.3 数据分析展现的图表选择 / 150 类别比较 / 150 时间趋势 / 151 占比构成 / 152 关联 / 153 分布 / 154 增强 / 155 单值 / 156 提示 / 156 本 章 复 盘 / 157 第6 章 制作数据分析报告的方法 / 158 6.1 数据分析报告的3 个层级 / 162 是什么 / 162 为什么 / 162 怎么办 / 162 6.2 数据分析报告的4 种情景 / 165 首次数据分析报告 / 165 常规数据分析报告 / 165 问题数据分析报告 / 166 总结数据分析报告 / 166 6.3 数据分析报告的5 类问题 / 167 是多少 / 167 好不好 / 167 为什么 / 168 会怎样 / 168 怎么办 / 168 6.4 数据分析报告的6 个步骤 / 170 明确目标 / 170 数据收集 / 170 数据处理 / 171 数据分析 / 171 数据展现 / 172 结论建议 / 172 6.5 数据分析报告的7 个模块 / 173 标题封面 / 173 目录导航 / 174 背景说明 / 174 思路方法 / 174 结论建议 / 175 分析正文 / 175 附录及封底 / 176 6.6 数据分析报告的8 种颜色 / 177 红色 / 177 橙色 / 178 黄色 / 178 绿色 / 178 蓝色 / 179 紫色 / 179 黑色 / 180 灰色 / 180 本 章 复 盘 / 182 第7 章 数据分析的思维模型 / 184 7.1 理解现状类思维模型 / 187 正态分布模型 / 187 幂律分布模型 / 188 帕累托分析模型 / 191 本福特分析模型 / 192 同期群分析模型 / 194 SWOT 分析模型 / 195 PEST 分析模型 / 197 7.2 分析原因类思维模型 / 201 杜邦分析模型 / 201 矩阵分析模型 / 203 RFM 分析模型 / 209 销售漏斗模型 / 212 聚类分析模型 / 215 KＡＮＯ分析模型 / 216 标杆分析模型 / 218 7.3 预测未来类思维模型 / 220 决策树分析模型 / 220 生命周期模型 / 223 福格行为模型 / 224 夏普利值模型 / 225 A/B 测试模型 / 227 线性回归模型 / 230 本 章 复 盘 / 233 后 记 / 234 致 谢 / 235 参 考 文 献 / 236