【資料分析概論】

本次社課很榮幸邀請到 NTU DAC Founder 之一的 Bryant 學長來向我們分享資料分析對於他的定義、資料分析的流程以及他在實務上實際應用的案例。

在這堂課結束後，你可以學到：

• 什麼是資料分析

• 資料分析流程及工具

資料分析是什麼？

Bryant 學長向我們分享，資料分析對他來說可以用三點簡單描述。

• 數據驅動

• 發現洞察，並且是與眾不同的洞察

• 後續的行動 (Action)

• 資料分析的核心是——藉由數字的力量，分析數字後產生洞察，並作出決策與行動。

資料分析的流程

資料分析步驟

Phase 1. 資料蒐集

Step 1. 定義公司問題：在接到主管指派的任務時，不能僅僅是只看部門的問題，要仔細思考這套資料分析是否能夠為公司帶來正面影響。

• 建議使用工具：議題樹（例如：畫出心智圖有助思考脈絡）、假說思考、金字塔原理

Step 2. 定義部門問題：定義所需的 data scope，在定義問題時也能應用議題樹、假說思考、金字塔原理幫助思考。

Step 3. 蒐集需要的資料

• 外部資源：例如委託市調公司收集資料、自公開資訊站取得所需資料

• 內部（利用SQL抓取內部資料、發問卷等）

Phase 2. 資料處理與分析：務必先清洗資料並作 EDA 分析，視需求決定是否建立模型

Step 4. data 清洗＆處理

• 建議使用工具：excel/python/R/SQL/BI tool(Tableau, power BI, google data studio...等)

• 資料清洗：排除資料error、資料標準化

Step 5. EDA探索式資料分析

Bryant 學長提醒，在此階段不需要急著建model，

先稍微整理一下數據，探索式資料分析必須先行，才考慮建立模型！

• 建議使用工具：excel/python/R/SQL/BI tool(Power BI,Tableau)

Step 6. 迭代/評估模型

• 建議使用工具：python/R

Step 7. 選擇模型

• 建議使用工具：python/R/google analytics/mix panel等

Phase 3. 資料呈現及影響決策：以適當的圖表表達立場、利用視覺化工具凸顯洞察，並說服利害關係人使用

Step 8. 得出insight/預測結果

• 建議使用工具：excel/python/R/SQL/BI tool(Tableau, power BI, google data studio)

Step 9. 視覺化呈現並誘發行動

• 建議使用工具：excel/python/R/SQL/BI tool(Tableau, power BI, google data studio)

• 簡報技巧

商業分析常用的資料分析方法論及工具

1. Excel / Google sheet

2. A/B Testing

3. RFM model：經常用在B2C產業的消費者分群模型

   • R (recency)：最近一次消費。上次消費時間越近，用戶價值越大。

   • F (frequency)：在一段時間內買了幾次。頻率越高，用戶價值越大。

   • M (monetary)：顧客一共在產品花了多少錢。創造多少利潤，金額越高，用戶價值越大。

4. Cohort Analysis：固定時間維度，比較不同客群的重點KPI

   • 不同獲客月份（Cohort）的單期累積消費 （Y軸表示時間維度，X軸表示客戶留存的時間長度）

－從垂直線來看：不同獲客月份的表現

－從水平線來看：同獲客月份的表現

－從斜對角來看：季節現象（seasonal effect）、行銷活動的表現

最後，Bryant 學長也提醒我們在資料分析上經常會出現的三大誤區。

小心不要犯的錯

1. 邏輯誤區：相關性，不能直接推論因果性

在判斷 A 和 B 有相關性的狀況下，要考慮以下邏輯上的五種可能，不能隨意做出結論。

• A造成B

• B造成A

• A造成B，但C也會造成B (一果多因）

• C造成A，同時C也會造成B（隱藏變因）

• 純屬巧合

2. 別把巧合當insight，善用統計理論檢驗顯著性，讓每個推論都信心十足。可以利用 P-value判讀、T檢定檢驗統計顯著，避免取到偏誤資料而作出錯誤推論的可能性。

3. 數字本身沒有意義，要經過找到適當標的，經過合理比較後才有意義。

Bryant 在這裏舉了特斯拉、鮮乳坊兩者相比當例子。光是比較兩家企業同一年的營收，其實是沒有意義的，因為兩間企業的資本額、所處產業都不相同。