从事数据科学行业差不多快5年了，自行设计开发过两套数据分析平台，对业务数据分析深有体会，本人深恶痛绝那种《5天学会数据分析》的课程或者趴一下甩出来一堆技能列表与书单的回答。
我们知道，数据分析的本质就是辅助决策，我们应该尽可能地根据业务问题通过数据分析寻找出解决问题的对策，今天在这里，我将结合数据科学在实际中应用方法，讲解一下真正数据分析技能速成方法与数据分析的业务本质，讲的都是真真在在的干货，有志于真正能掌握业务数据分析技能的小伙伴一定要耐心看完，文中我将无偿分享一套业务数据分析框架，传授的两个小伙伴靠这套分析框架从菜鸟到大神，在用户增长、精准营销等业务数据分析中屡试不爽。
直接甩干货，一套业务数据分析的框架
Step1：梳理、理解分析对象的具体业务逻辑图；
Step2：收集数据，构建该分析对象的画像；
Step3：定位业务问题锚点，分析两阶段对象的画像差异以及两阶段各自对象内部相似行为或者特征；
Step4：根据上面的画像差异性或相似行为结合业务做出假设；
Step5：通过一切方法（ABTest/走访）验证假设，用小场景小试错对假设进行验证
正常，下面我将结合对数据科学的理解进行阐述。
Step1：梳理、理解分析对象的具体业务逻辑图；
首先我们先来看看几个现实中的问题
公司做了场活动，效果不好，用户来了也不下单，数据分析师你怎么分析？
这个月公司的线上产品销售量呈现断崖式下跌，数据分析师你怎么分析？
新出的产品用户反馈不错，投了很多广告，但是销售量却提不上去？
某理财产品曝光度从未降权，但是购买用户却一直在流失，啥原因？
其实我们仔细观察一下，这类问题本质上就是关于留存率、转化率分析，前面我们说到，数据分析的本质就是辅助决策，那么业务数据分析的本质就是通过分析数据的规律，得到针对业务问题行之有效的策略。像这类留存率、转化率的分析，在业务就是作用于精准营销、用户增长方面，只有这类分析，才能为公司带来变现，提升自己的职场竞争力。回归正题，要做数据分析，首先得充分理解业务的逻辑。通过梳理、理解分析对象的具体业务逻辑图就是针对我们遇到的现实业务来梳理业务路径或者业务流转路径图，要完成这个步骤，业内是有非常多的理论或者构建路径框架的，我总结了一下，其核心主要分为两种：
?路径类模型
如路径分析，漏斗分析，核心定位是上一个节点与下一个节点存在交叉重叠的关系
例如漏斗分析，它的展现这个节点的用户数是包含点击这个节点的用户数的
?层次类模型
如生命周期模型，RFM模型，核心定位是上一个节点与下一个节点不存在交叉重叠的关系
例如生命周期模型，它的形成期这个节点的用户数是不包含点击这个节点的用户数的，他们之前的上下承接关系仅仅只是层次
其实业务中最常见的业务梳理方式还是漏斗模型与生命周期模型，特别是生命周期模型，可以这么说，用户运营的本质就是用户生命周期模型的梳理，业务逻辑梳理的质量直接影响第三步的分析，这里以购买理财产品A为例子，利用漏斗分析梳理一下业务逻辑
注册开通个人账户→线上存钱或者绑定代发、转账→收到推送理财短信→浏览推荐理财产品→购买理财产品
Step2：收集数据，构建该分析对象的画像；
第二部核心就是收集数据了，其做法便是构建业务对象的标签体系，例如我们这里的业务是购买理财产品的人，那么其业务对象就是某平台下的银行卡用户。
我们知道近几年来用户画像、标签运营这两个词特别火，现在搞精准营销或者用户增长都一直强调用户画像、标签运营，其实说白了就是构建业务对象的标签体系，然后利用筛选逻辑圈选出来的客群，展现客群标签的区间分布就是用户画像。业内特别热门的用户画像平台有神策，诸葛IO、个推等等，但是其实本质上，他们的核心作用就是管理、存储标签用的，像现在我接触的很多区域性银行他们有些都是直接拿excel来替代做用户画像，所以，其实用户画像平台是不值钱的，他们真正的核心竞争力就是构建用户（业务对象）标签体系的能力，所以很多时候他们这类平台签署的合同都是人力资源服务，而用户画像平台是半卖半送的，像我司在客户现场的精准营销项目组其实工作内容就是帮客户建设用户标签体系，所以搭指标体系可是数据分析师的必备技能，也是数据分析岗位进阶的核心竞争力，业内有流传：不会搭指标体系的的数据分析师都是菜鸟数据分析师。
通常是我是分为基础标签、统计标签、特征标签、模型标签这四个大方向的技术路径来构建标签的，下面是我搭建的银行业客户画像的指标体系方案，由于图太大了，这里就放出来简缩版，（
