正文

互联网行业数据分析（大数据行业现状分析）

发布时间：2023-04-21 21:38:47 稿源：创意岭阅读： 114

大家好！今天让创意岭的小编来大家介绍下关于互联网行业数据分析的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

1、解密数据分析
2、数据分析师的就业前景如何？
3、大数据分析工程师在互联网行业中处于什么地位?
4、互联网数据分析之探讨如何分析竞争对手

互联网行业数据分析（大数据行业现状分析）

一、解密数据分析

数据分析的定义，在百度百科上是这样介绍的：“用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。”这句话的理解比较费劲，那么简单一点讲，数据分析就是发现有用的信息，提供结论并支持决策。

有道是“数据在手，天下我有”，但如何寻找出数据中潜在的价值，就是分析师的重要工作了。

数据分析大概有两种不同的发展方向，一种是偏向业务分析，需要对业务有比较深的理解，在此基础上，通过数据来寻找业务增长的套路，例如用户增长、网站分析、经营分析等；另一种是偏向数据挖掘，更加注重技术、尤其是算法能力的应用，需要对常见算法的应用熟练掌握。实际工作中，由于数据挖掘需要非常好的技术功底，因此绝大多数人都是偏向业务进行分析。

那么数据分析的童鞋，日常主要在做什么呢？简而言之，在做三件事：业务的现状是什么、为什么会发生、未来将要如何（或如何改进）。

现状分析，就是告诉业务决策者，过去发生了什么事情，并且通常以报表的形式呈现出来。所以分析师不光要能够做日报、周报，还需要自己来搭建报表平台，通过分析关键的指标，来掌握业务的运营情况。

原因分析，是在业务现状的基础上，分析为什么会发生这些事情。比如指标上升或者下降了，是因为什么原因造成的；或者是分析不同渠道对于最终转化的贡献情况。分析的过程，通常会通过专题的形式展示出来。

预测分析，则是告诉业务，未来会发生什么。预测其实是一件很重要的工作，不论是企业经营目标的制定，或者是相关策略的落实，都需要预测未来可能的情况，来保证业务的健康可持续发展。例如电商大促的到来，销量会得到很大的提升，那么对应的预算、物流、商家要做怎样的应对，都依赖于数据来提供预测。

还是有人会产生疑问：“数据分析”、“数据科学”、“数据驱动”、“商业智能”，这些概念都有怎样的不同呢？

首先说一下“商业智能”，英文是Business intelligence，这是我们常说的BI，其主要价值，在于通过一系列的数据技术，从数据中挖掘隐藏的客观规律，总结这些规律背后的原因，并用于指导公司业务的发展。大多数情况下，BI分析师的工作，就是通过SQL、Python等语言，将已经统计好的数据，结合数据模型或者是分析框架，来对业务进行各种分析，并做成有价值的报表或者报告的形式，供业务方进行分析。

再讲讲“数据科学”，这个概念就要宽泛的多，通常指在跨学科的领域中，通过数据来寻找到解决问题的方法。数据科学的概念其实比较模糊，属于宽口径的概念，在不同的行业里所做的事情，可能是截然不同的。在互联网行业中，数据科学大约代表：先通过探索分析发现问题，然后再用数据建模去解决问题。

那么“数据驱动”又如何理解？数据驱动的字面意思是将数据来作为生产资料，通过科学的方法，来推动业务的优化提高。在互联网行业里，数据驱动又可以分为数据驱动产品、数据驱动业务两个方向，比如通过A/B测试来寻找最优的推荐算法，或者是设计实验来指导产品迭代更新的方向，等等。

因此，在一家公司中，不同数据岗位的分工大体如下：数据工程师负责数据平台的搭建、数据仓库的建设，以确保数据被正确的计算和方便的获取；数据分析师根据数据来描述或者是分析相应的问题，这其中包括了“商业智能”来做报表，或者是“数据科学”来寻找数据模型，最终都是“数据驱动”业务增长或产品迭代。

数据分析虽然需要的基础知识非常多，属于入门门槛比较高的那一种，但实际的工作却大体遵循如下的步骤，细节可以有不同：

明确分析目的 - 确定思路框架 - 准备数据 - 分析数据 - 展示数据 - 报告撰写。

一，明确分析目的，非常重要，目的不明确会导致分析的过程十分盲目。这里会有一个假设，即分析师需要懂业务，并且有自己对于业务的理解，如果没有相应的专业知识，通常分析的结果就没有特别大的价值。那么什么是懂业务？大体上就是需要明白企业的商业模式是怎样的，通过什么样的关系能够产生商业价值。如果是2B方向，还需要懂一些管理学的内容，了解数据如何辅助公司的经营管理。

二，确定思路框架，是通过怎样的指标、哪些角度来进行分析。其实业界有一些非常通过的方法，可以让我们快速开展业务的同时，能够保证“MECE原则”，即对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。

常见的思路框架包括：决策树管理分析法、PEST行业分析法、5W2H问题分析法、4P营销理论、SWOT竞争力分析模型…… 这里的方法论非常多，一些细分方向也有自己的成套理论，比如“用户增长”常用的AARRR漏斗模型、RFM理论等。这里就不一一展开了，网上能够搜到大把的资源，但有一点需要注意，就是掌握模型切记只掌握个大概，因为每个模型是相应知识体系的总结，只能交给你思路，而无法交给你哪些坑应该避免、什么情况下不起作用，等等。

三，准备数据，这个工作通常由数仓团队完成，一些流量场景，需要采集数据的，也可以通过数据埋点平台来自动完成。当然，成熟的团队会通过建立自己的指标体系，来灵活的支持业务的发展。

四，分析数据，以上文提到的现状、原因与预测分析为例，可以衍生出很多相应的分析方法。我们日常听到比较多的假设检验、回归分析、聚类分析等，都是在分析数据阶段需要用到的专业知识。

常见的分析方法有：A/B测试、描述分析、假设检验、信度分析、推断分析、相关分析、回归分析、聚类分析、时间序列分析…… 在使用分析方法时，需要注意的一点是口径要一致，例如指标的口径范围、计算方法、计量单位等进行检查。

五，展示数据，一般情况下是通过图表和表格来展示数据，通常是能用图说明的，就不要用表格，除非表格能够提供更多的信息。

详情见下图。

所以，数据分析无非四种方法：“比较”、“分布”、“构成”、“联系”。

六，报告撰写，根据分析框架，图文并茂的写一个好故事吧，记得要有清晰的结论。

俗话说，“增长团队有三宝：埋点、漏斗、AB测”，埋点是数据平台的功能，漏斗是分析问题的思路，但为什么要单独提一下A/B测试？是因为有了数据分析的方法之后，我们还需要数据分析的平台，来对分析的成果快速的进行实验。可以说，A/B测试是支持数据决策最有力的工具。

A/B测试针对2种以上的方案，不论是一整套产品方案，还是一个小元素的改动，只要变量是唯一的，那么我们就可以对同一组人群，进行随机的分组，在同等的时间维度内，将实验组和对照组的结果进行对比，来衡量那种方案更好。

其实很多开发与测试的同学不太理解A/B测试的重要性，因为从开发的视角出发，这些内容确实会增加很多的动作量。但如果从业务的角度出发，那作用可就大了，不论是争议方案的对比、还是产品转化率的提升、亦或是多个数据策略的贡献分配、再或者是产品功能保持简洁，都需要大量的实验来验证我们的想法。在互联网公司中，我们并不缺少想法，但我们需要验证想法的工具，让数据来消除我们的收益淹没、认知偏差、侥幸心理和收益分配矛盾。

在实际的工作中，A/B测试并不简单的代表分成两个实验组，就完事了，因为我们需要考虑“辛普森悖论”的存在。辛普森悖论是指在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。如果不了解辛普森悖论，盲目的解读试验结论，很容易得出错误的结论。因此，我们通常会设计更多的参照，以验证我们想法的正确性，比如AA测试，或者AAB测试，这都需要一些经验的累积。

36Kr曾在一篇报道中写道，“头条发布一个新APP，其名字都必须打N个包放到各大应用市场进行多次A/B测试而决定，张一鸣告诉同事：哪怕你有99.9%的把握那是最好的一个名字，测一下又有神马关系呢？”

数据分析如果持续的做下去，那么它的目标就不仅仅是运营看板或者是分析报告了，而是走向“数据化运营”的发展路线中。

“数据化运营”的概念很火，但其实很多人对它有误解，认为这就是将“运营”的工作线上化了而已，但其实不然。在百度百科中，对“数据化运营”的定义是：“数据化运营是指通过数据化的工具、技术和方法，对运营过程中的各个环节进行科学的分析，为数据使用者提供专业、准确的行业数据解决方案，从而达到优化运营效果和效率、降低运营成本、提高效益的目的。”

但在互联网行业中，“数据化运营”的核心思路在于，基于“用户”的行为和属性，对“用户”进行运营。因为互联网产品的生命周期，就是一个闭环的模型：用户获取、用户活跃、用户留存、口碑传播、付费转化。这其中的每一个环节，都是一个漏斗，通过对数据进行分析，来运营指标的增长，或者是指导产品成长。例如最经典的啤酒与尿布的故事，就是一个典型的场景，通过发现用户行为的关联，来设置合理的运营策略，提升最终的产品销量。

就像精益创业中提到的“MVP”理论一样，不论是数据分析制定的各种策略，或者是企业的不同战术打法，其实都不一定是奏效的，而在执行策略的同时，通过数据的沉淀，来不断验证策略打法的有效性，最终发现那个最合适的“MVP”功能，是数据化运营的核心导向。

现在的数据化运营体系已经变得更加复杂，不仅是因为业务场景的设计越来越复杂，也因为机器学习、因果推断等新技术的应用，使得一些感性的数据能够被利用起来，让我们的运营能够更加清楚的看到业务与目标的差距在哪里、应该通过哪些手段来弥补GAP，调整方法会产生怎样的影响，最终形成我们口中的“数据智能”。

KPMG（毕马威）的Swami Chandrasekaran分享过一个数据科学家的学习路线图，包括了数据的基本原理、统计学、机器学习、数据可视化、大数据处理等方面的推荐知识，感兴趣的可以学习一下。原本是2013年写的，部分内容可能需要更新，但个人觉得这种类似地铁线路图的方式，很适合作为自己学习的思维导图。

二、数据分析师的就业前景如何？

数据分析师的就业前景是广阔的。

1、人才缺口大，IT时代逐渐被DT时代取代，用理性的数据分析代人工的经验分析成为主流，数据分析人才的供给指数仅为0.05，属于高度稀缺。

2、入门相对简单数据分析是一门跨领域技术，不需要很强的理工科背景，反而那些有市场销售、金融、财务或零售业背景的人士，分析思路更加开阔。

3、薪资待遇高1-2年工作经验的大数据分析岗位的平均月薪可达到13k左右的水平。岗位的薪酬和经验正相关，越老越值钱。

4、行业适应性强几乎所有的行业都会应用到数据，数据分析师不仅仅可以在互联IT行业就业，也可以在银行、零售、医药业、制造业和交通传输等领域服务。

5、职业寿命长数据分析职业一旦掌握，可以在职场上收益长久，掌握这门新兴技术都会大有用武之地，受其他外部业务影响相对较小，职位相对稳定。

三、大数据分析工程师在互联网行业中处于什么地位?

大数据分析在互联网行业中更多是属于通用技能，即使你不做大数据分析工程师，不管你是做产品、运营、研发，还是项目、管理，基本上都需要掌握大数据分析技能。而且这是大趋势，市面上大多数的数据分析都是比较低级的业务分析工作，不需要专门设立新的分析岗位来负责，交给产品、运营的人做就行了;比较高级的数据分析工作，比如业务决策等还是比较少的，目前来说整个大数据分析工程师行业的专业深度还不够深。如果你说的是大数据分析工程师的地位，那就要先分一下类，企业中的大数据分析工程师为运营和研发两种角色。

如果是运营类，大数据分析工程师都有前提目标，分析一场营销活动的转化效果、分析用户下载激活注册的转化率、分析某个广告渠道的下载量、每激活成本、用户留存情况等等，这些一般是不设专岗，往往ceo、coo、产品、运营同学把这部分工作各自承担了。当然，如果公司组织结构很大，不排除单独设立，这时候需要你具备熟练操作大数据分析工程师工具、如mySQL、spss、python，甚至是报表呈现。

另外一个就是就是研发型大数据分析工程师，一般就是据业务需求做数据埋点、监测，数据处理、报表呈现。高深一点的就是大数据分析工程师、BI工程师、机器学习、个性化推荐了。

其实造成大数据分析工程师地位不高的主要原因，就是不认同和价值缺失。我们总说数据驱动业务，可平时看到的，却总是业务部门追着数据部门屁股要数据，而且大数据分析工程师的价值其实很难表现出来，领导不认同，同事不认同，甚至连自己都不认同，甚至会怀疑自己所做的事情是不是真的有价值，这种情况在企业中非常常见，做大数据分析工程师的人基本都会转做管理和运营。

这一方面是整个大数据分析工程师行业的大环境造成的，另一方面也是因为个人的发展有瓶颈，大数据分析工程师行业这几年吸引了太多人涌了进来，水平又都参差不齐，企业又都盲目做大数据分析工程师，趋之若鹜，你说这里面掺的水分能少吗?综上所述，就是小编今天给大家分享的内容，希望可以帮助到大家。

四、互联网数据分析之探讨如何分析竞争对手

竞品分析根据产品阶段的不同侧重点也会有很大的不同。而且，根据你本身职位职责的不同也会有很大的不同。但总的来看，竞品分析多集中在两个阶段：第一阶段是立项前，此阶段的竞品分析更倾向于竞品商业分析;第二阶段是项目确定需进行具体的产品策划设计，此阶段的竞品分析更倾向于产品功能分析。当然，除此之外，我们其实还可以关注产品生命衰落期的竞品分析，此时此刻你可以关注竞品是如何死的或者如何让垂死的产品复活。一、立项前的竞品分析立项前的竞品分析更多的是停留在商业层面上的，所以我们也可以称之为商业分析。商业分析一般关注的是行业的数据、发展和前景，比如行业的市场整体规模、行业内大佬的市场份额、行业的用户群体细分、行业的市场饱和程度、行业的发展前景等。更多的是为项目寻找到一个立脚点，说明项目本身的可行性。关于立项前的竞品分析，可以参考一下Nielsen所做的51的分析。虽然这份报告并不完全是竞品分析，但整体的思路大概是如此的。二、项目确定后的竞品分析项目确定后的竞品分析，关注的更多是功能本身。先是从小到大的收集，再是从大至小的整理，最后是着力于某一个或者两个核心功能点。关于核心功能点的确立一般有两种确认的方式：一种是从大家都有的现功能点中提取1-2个核心的功能点，然后着力在这1-2个功能点上深钻细研;另一种是逃离大家都有的现功能点，重新开辟出全新的功能体验，寻找所谓差异化之路。两者之间并没有对错。但相对而言，个人感觉前者保险，后者冒险。不过冒险也并不见得是件坏事，如果冒险对头，说不定就抓到了大金矿。针对项目确定后的竞品分析，我想主要应该这么去进行。1、找对象既然是竞品分析，既然不是个人的独舞，需要找到一家或者几家或同类或不同类的产品进行分析。不然，也就无所谓竞不竞了。关于找对象只简单说一下个人的想法：对象更应该找门当户对的。只有门当户对的对你的产品本身才更具指导意义。如果你找的都是业界大佬，一般情况下都对你的指导意见不会太大。因为业界大佬的资源不是一般小公司所具备的。所以即便你真的能把他分析的无比透彻，很多时候你也无法把这些方案落地。当然，也不是说不去关注大佬们，既然能够做大势必是有很多值得我们学习的地方，但只是想说在竞品分析时不要把大佬们放在核心的竞品上。2、分析体验调研齐头并进找到对象之后，就可以开始进行竞品的分析了。一般来说，竞品分析可以通过以下这三种方法进行：分析、体验、调研。分析分析主要就是针对你现阶段手头上所收集的整理的数据进行分门别类的观察对比，从而更深刻的去认识自己以及对方的问题点。比如你可以去微博上以关键字的形式去搜索对手相关的微博量，从中将所有微博信息分门别类，比如咨询、投诉、活动、表扬等，从中去分析对手现阶段产品运营阶段所存在的问题或者亮点。体验体验则是最直接的使用对手的产品，通过系统的有效的体验方法去了解和认识竞争对手。这里的体验不是盲目的主观的，更多的是使用公认的统用的一些体验方法和原则进行。只有这样才能够有效。否则，你的体验只能是个人主观的喜恶。同时，体验可以在分析和调研的基础上进行，三者之间完全可以相互辅助和支持，同时也能够较好的较客观的反映问题本身。调研这里的调研可以是简单的调研，也可以是系统化的调研。系统化的调研则是需要通过一对一访谈、群访、电话访谈、问卷调查等综合的方式进行的，当然这里需要根据自己的实际情况而进行。一对一访谈更多的是做为定性的调查，了解用户对产品的行为、动机和带来的影响，它实际上不具备数据统计意义。群访实际上也不具备统计意义，更多时候应用于开拓产品思路以及寻找更好的Idea。关于电话和问卷一般情况下是通过前面所说的定性分析的验证，因为电话和问卷调查一般用户样本规模较大，具备统计数据上的意义。这三者在实际操作中最好能够综合在一起使用，否则很难真正的去认识到用户的需求，无法真正的为自己的产品提供参考。三、产品衰落期的竞品分析关于产品衰落期的竞品分析，其实是个伪概念。其实就是去多看看那些已经死去的或者垂死挣扎的产品的失败原因，这样可以更好的告诫自己以后少走弯路。当然，也有一些经历衰落期的产品通过不断的转变优化从而让自己起死回生的，这样的案例更值得我们去学习和研究。

以上就是关于互联网行业数据分析相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。