如何着手商业数据分析？
本科是统计学，但是毕业后的工作都是被HR忽悠着做着一些打着数据分析的名号实为表格名单整理的工作。想从事一些商业分析的工作，对数据的建模分析解决商业问题，但是自己对真正的数据分析仅局限在本科课堂上的内容，对真正能运用到业务中的知识知之甚少。想请教，怎样能真正接触到实际的商业分析案例（就算是一两个小小的，我也能自己接触琢磨一下）或者说真实的商业分析案例大概是怎样的？想从事商业分析，还需要提高哪些方面的能力（比如软件R，SPSS，SAS？统计学概率论理论知识？并且希望能有一些书籍推荐）求各大神支招，感谢！
按投票排序
泻药。先来分享个故事。前段时间刚面试了个同学，看了下简历，第一感觉是各方面的工具技能应用应该比较扎实，而分析的案例上面还有待提升。实际的面试中，我问他，“我们是一家电商公司，现在要向CEO汇报3个数据，你会分析哪3个数据？”不到1分钟的时间，他就不假思索回答：“PV、订单和ROI。”继续问道，“你是怎么考虑到这3个数据？”“我想一个网站每天的基本情况应该是CEO比较关心的。每天的PV量和订单量是否在正常的范围内，以及目前的ROI判断是否是在盈利还是亏损状态。”“如果满分是10分，你给自己的答案打几分？”他犹豫了一下，半信半疑回道，“打6分吧。。。。。。”“为什么打了6分呢？”“可能公司的基本情况我还不是太了解吧。也可能CEO根本就不是关心这3个数据，因为我也没有和他接触过。我对整个公司的基本业务都不是特别的清楚，如果公司目前是正常的经营情况下，可能会对一些核心的销售数据关心，如果公司目前正在大力扩展业务阶段，对增长趋势比较关心，如果公司在面临削减成本阶段，那我们的投入应该是比较关心的。”我继续问道，“那你现在给你这个答案打几分呢？”这次他没有立马回答，而是思考了片刻，才回答“这次打7~8分吧。”其实我们平时所说的商业分析，数据分析的商业感觉到底是神马，它并不是什么很高深的理论或者别人捉摸不透的玩意。不是具体的结果，而是我们的分析的思维方式。想必我们都听过【数据分析师不是数羊】的故事，如果你通过各种工具和技术计算了羊群里有1000只羊，然后告诉放羊的牧民时，这只是告诉了一个他知道的数字。如果你告诉他，我们现在羊群有1000只羊，900只是母羊，100只是公羊。然后根据羊的特征不同，有300只是“非常能吃的”、100只是“非常能长的”、400只是“正常生羊崽的”。那么牧民会高兴，高兴的是你告诉了他一些一眼看不出来的信息，而又会有些遗憾，遗憾的是“然并卵！”如果你告诉他，我们现在有1000只羊，900只母羊、100只公羊，严重的羊群性别比例失调，当务之急是引进更多的公羊。根据市场预估的情况，5月份买羊比4月份买羊便宜，所以4月份可以多卖掉母羊，5月份引进公羊。牧民听到这个建议，大喜！我们做数据分析，一定要从一个只是统计数据，到分析数据，再到解决实际问题，最终创造价值！-------------------------------------------------------------------------------------------------------------你要问我商业是什么？不好意思，我真没办法具体回答！有人说是赚钱，有人说是业务，有人说是企业之间的合作，有人说是人心，也有人说是为社会创造价值！更愿意定义成，我们平时所做得业务分析是什么。是明白实际的业务是怎么回事，从而解决业务中得痛点问题，这个痛点问题不是你自己发现的，而是业务告诉你的。而这个解决痛点问题的方法，不是别人告诉你的，而是你发现的。
谢邀。终于得空来更新一下从商业分析说起吧。关注过不少知乎上类似的问题和回答，发现个较严重的问题：大多数人对商业分析这个行业的认知并不准确。具体说来商业分析有两种：1. Business analysis. 应属于传统商科，主要是任务是对公司整个运营的流程、业务的开展等方面的分析。比如发现新的商业需求、提出/改善某些商业问题的解决方案。它可能包括公司组织上的变更，业务流程的改善，策略性的规划，政策的制定和提高。这个领域需要一定的数据分析，一方面因为公司发展前期一般主要靠业务的扩展，会涉及一些销售业绩等类似的数据分析。另一方面，大数据时代嘛，很多公司都觉得好像应该顺应潮流掺和一把。但总的来说还是business analysis为主。即定性为主导，数据分析（一般较简单）为辅助。这也是大多数答主所提到的。要在这个领域成长为专业人才，一般会选择MBA，MBA课程一般也会包含一定的相关课程，但很简单。2. Business analytics. 这才是真正的新兴学科。翻译上都叫商业分析，但内容却差很多，所以特意用英文区分开来。这个行业的核心就是数据分析，而且是高深的技术、模型和算法。通过对数据的深度分析、挖掘来研究公司以往的业绩，对行业市场潜在的商业信息的搜索等。目的是获取那些通过定性分析和简单的定量分析根本无法获得的insights。这个领域逐渐得到了学术界、业界和政府的高度重视：学术界，从纽约大学13年开始开设business analytics的硕士专业以来，全球各大高校纷纷增设相关专业，并且学费直逼MBA，在金钱至上的资本主义国家，高学费往往是高收入和良好职业发展的风向标。业界，更不用说了，BAT都在开设这一类的部门，阿里巴巴去年跟今年就从名校挖了一些这个领域的教授，百度更是把斯坦福大牛Andrew Ng请了来。政府，就我知道的，新加坡和澳洲政府直接拨款赞助开设business analytics部门的公司。说完基本概念，回到题主问题。仔细读过问题描述后，我相信题主感兴趣的应该是business analytics吧（不是的话，就请忽略以下吧）。那再深入一点讲一下相关的技能。题主是统计本科生，很好！哈哈！我是统计博士，现在在纽约一家投资管理公司做类似的工作，同事不乏一些计算机、自动控制、信号处理等数据分析相关的领域的博士。总体来说business analytics无疑是个交叉学科，包括数学（统计）、计算机和商学（经济学、市场营销，博弈论等等）。统计类的方法占据了数据分析学科的首要地位（主要是回归模型）。可以说如果把统计方法全部拿走，数据科学基本就支离破碎不成体系了。然后是计算机（包括机器学习、模式识别、图像处理等一类的领域），基于一些应用层面的需求，计算机领域提出了一些新颖的思路和模型。值得一提的是，这些东西又吸引了统计学家的关注，他们把同样的问题又用统计学方法做了出来。再结合一些传统的回归模型，统计学出现了新的分支：统计学习。最后是商学类，现阶段来说比重最小，不过其中一些思路也是值得借鉴的，比如博弈论。一些专门的business analytics硕士会结合商业应用来讲统计和计算机方法。实际的商业分析案例（当然是business analytics）。简单说几个吧：1.生存模型，生物统计最常用的模型，研究疾病的愈合、死亡时间之类的问题，可以用以测试某些药品、治疗手段是否有效。应用到商业中，比如公司对特定人群投放广告，他们通过不同的渠道点击观看，那么需要多久的时间他们才会决定购买？我们定义：消费者不购买=‘活着’，一旦消费即为‘死亡’。接下来的任务就是研究哪个渠道的广告/哪种组合的广告最为有效。2.聚类问题，公司投放过大量广告，做过促销。然后大量消费者前来购买，到底哪些真的看过上述宣传呢？如果这个都不知道如何分析哪个渠道或者哪些渠道的组合最有效？聚类分析就是解决这一类问题的。3.贝叶斯方法，不知你可了解过贝叶斯分析？是统计/机器学习领域很火的方向。主要应用是在建模时候可以把人为的观点融合进模型中去。使得定性和定量分析的结果结合起来。这一点很是受在business analysis领域做数据分析的人的欢迎。除此外还有很多，就不一一说了。最后说到你的近况。本科背景还是弱了点，想要接触上述类型的工作，你需要更进一步。并且想吃的开最好也不要限制在统计学领域，毕竟读一个偏应用的学科，学会从应用角度考虑问题对于职业发展更有好处。升学的话可以考虑data analytics/business analytics的硕士专业。不过，如果觉得学费太高的话，其实统计硕士也是个不错的选择。自学的话，coursera上也有很多不错的课程。至于R/Python/SAS嘛，能会一个就够了。数据分析级别的编程，会一个，别的看个把礼拜就能上手。最后的最后，分享一个链接：。里面列举了全世界各地高校开设的数据分析类的研究生专业、各种收费的/不收费的在线课程。与题主共勉！
这个问题和我在另外一个问题的回答（）高度相似，所以把大部分内容贴过来了，并加入了一些自己新的理解。“商业数据分析”，其实是两个词，“商业”和“数据分析”。商业，其实就是对商业的理解，通过理解问题来构建假设和分析框架。数据分析，在我们这类数据控的定义中，基本就是等于分析，没有数据搞什么分析。因此，要点亮这棵技能树，需要完成两个技能树的修炼：商业理解和数据分析。在最近的一篇分析中国VC/PE各种基金恩怨情仇额专栏文章中（），其实就比较完整地实践了上述的模型及各类技巧。通过日常的观察和商业理解，准备用各基金在各项目上的合作关系作为基本数据；然后，抓取数据构建模型，解释数据并与实际情况进行核对，最后写在知乎专栏上进行传播，并获得推荐。一、商业理解在商业理解这个模块上可分为四大模块，分步骤进阶：点、线、面及超维。1.1 描点，事实积累无论是人类学习还是机器学习，基础都是大量的样本、案例、数据或者事实，如同在存储系统中描点，记录下一个个的数据点。因此要想理解商业，或者精确点说要想理解一个行业或者公司，任何人一开始都不能避免的事情就是：大量阅读这个行业相关的资料、信息及数据，构建最基础的事实基础。在问题（）中，其中有不少精彩回答指出了各种方法，相信能够帮助迅速构建针对一个行业或者公司的事实基础。这里分享两个小窍门：善用逻辑框架Framework。框架的主要作用是不重不漏（Mutually Exclusive and Collectively Exhaustive）得掌握这个行业或者公司的知识，并具有一定的系统性。框架如同拳术或者武功派别，不存在以框架定高低贵贱，核心的还是使用框架的大脑。如果非要推荐，SWOT分析和波特五力竞争模型非常易用且通用，因此内外部沟通也非常方便，理解成本很低。养成每天看数据和报告的习惯，就像习武之人每天练习蹲马步这样的基本功一样。古人所说的“熟读唐诗三百首，不会作诗也会吟”，其实也是强调日常对业内知识的积累和商业感觉的培养。认识的一个某互联网公司超级高管，对于各种业务及财务数据了然于胸，甚至能精确到十万和万级别，和他讨论问题堪称翻阅活字典。除了天赋异禀对数字的敏感之外，也来源每天孜孜不倦得关注各项业务数据。1.2 从点到线，建立关联和对比即使在框架的帮助下，各种掌握的知识和数据仍然会非常零散，全是孤立的点。如果能通过连线将这些知识点联系在一起，就如同用排兵布阵将没有战斗力的散兵游勇排成阵势，战斗指数将会大增。学习各项知识大概都是如此，比如正在或者曾经让大家烦恼的历史知识，单个事件时间记忆起来确实费劲，这主要还是因为记忆点太孤立。比如太平天国（1851年～1864年）和南北战争（1861年～1865年），单独记忆时间和历史意义肯定很难。但是如果能把两个点连成线，做成对比就会容易很多，同时也让孤立的历史事件更有逻辑性：都大约发生在19世纪的中页；一个是当时正在没落的东方最大国家的最大内战，而另一个是正在崛起的未来西方最大国家的最大内战；两者对于双方未来的命运都有分水岭般的决定作用。回到商业分析的问题，以流量和用户运营为例。如果能将PC端和M端的SEO与App端的ASO联系在一起，许多技巧都是完全雷同的，而许多关键词的设置技巧也会通用。而如果能长期观测几个App的留存率，这些数据就不再会枯燥，首先在时间维度会形成价值（比如留存率如何衰减，从次日留存到7日或30日留存），其次在跨品类维度也成为一个个的标杆（比如：工具类、应考类、社交类、内容类等等的留存率范围以及DAU/日均新增的比例）。当面对下一个新版本或者全新App的时候，如何评判其用户黏性以及增长潜力，就有一把现成的尺子放在心中了。1.3 从线到面，理解共性绝大多数的商业模式，都可以精炼为非常基本但核心的公式。比如对于某生活类垂直网站而言，其商业模式依赖于如下的核心公式：商业收入 = 用户点击量x广告展现率x广告点击率x平均点击价格流量成本 = 总流量x外购流量比例x单个流量成本两者组合而成的公式：ROI=商业收入 / 流量成本，毛利润=商业收入 - 流量成本这些公式中的核心点，如同子节点一样，又可以往下繁衍出新的枝节，最后由点到线，由线及面，最后铺成一个盘根错节的树状面。比如：要降低外购流量比例，可以涉及到提高自身产品的留存率或返客比例，或者提高产品内用户推荐新用户的比例要提高广告展现率，可以提升广告主的数量以及购买力度；或者降低广告和呈现内容匹配的精度，使用更多的模糊或者粗暴匹配，但这同时又会降低用户体验，然而这确实百度正在一路狂奔的方向再比如，专栏文章（）中提到了某呼叫中心核心的指标是在不降低用户满意度（用接通率来表示）和不减少业务量的前提下，降低整个呼叫中心的运营成本，即人工服务成本（用人工服务总时长来表示）。核心目标是人工服务时长，可拆解为：人工平均服务时长 x 人工话务量人工话务量又可拆解为：每人平均呼叫次数 x 呼叫人工的用户数呼叫人工的用户数又可拆解为：试图呼叫人工的用户数 x 接通率……如下图所示，通过一系列得从点到线的连接和拆解公式，最终将该呼叫中心的运营拆解成平铺的一张树状图，可以根据各个节点去改进数值以达成总体的目标。做商业分析也不能仅仅局限在内部，如果能走出去，能够跨公司和跨行业获取标杆数据以及行业最佳实践做法，就能让这颗树状图进一步铺开，而蕴含的能量和价值也就会倍增。1.4 超维，理解人性以上的讨论都是技法，到超维去理解人性就属于心法，这也是最最难的。一旦掌握这个技能，往往能做的就是降维打击和吊打对手。作为一个也还在路上的人，也不能分享太多，只能举一些身边的例子。许多思考透人性的商业模式在一开始，乍一看往往是难以接受甚至反智的，然而这恰恰是这个商业模式在闷声发大财或者增长的时候，“不是别人傻，而是自己傻”。比如某著名的美女交友和聊天软件，当年在市场上大肆买量。当大家得知这款App留存率的时候，都鄙夷得笑了，觉得人傻钱多。可是这款以陌生人社交为皮的App，根本就不是社交软件，而是一款页游类型的App。所以用社交软件的点线面来理解它是完全错误的，以为用户留存低就是垃圾软件。No！No！No！别人是真正抓住了人性——一般的矮矬穷即使在互联网中也很少被美女搭理，别人其实是页游模式。关注的不是留存，而是关注用户进来的数量、转化到首次付费的比例、从付费到大R的比例以及最核心的ROI，即使留存低和用户停留时间长，只要ROI&1，就可以肆无忌惮地购买用户。再比如2014年在香港上市的天歌娱乐（著名的9158），其实连YY都是它的追随者。在初创的头几年，9158一直处于闷声发大财的阶段，地处远离互联网中心的金华而且创始人傅政军也极其低调。公司创立于2005年而且保持着非常良好的暴利状态，然而直到2012年YY上市才将这头大象逐渐爆出水面。在这漫长的潜伏期内，人们很少听到9158创造的秀场模式，即使听到也选择怀疑秀场模式能够让用户一夜之间消费数万。然而大家选择的是逃避对人性的理解，对三四线群众缺乏娱乐生活而又渴求被关注被重视的需求。因此要想真正做好商业分析和商业理解，要常常从人性角度出发，颠覆怀疑自己的传统认知，按照Elon Musk所说的第一性原理思考商业问题。二、数据分析谈了这么多怎么去理解商业，下一步就是需要去沟通、去争取资源、去行动……然而行动的时候，总不能始终摆出世界上最廉价的三个字“我以为”作为招牌，始终还是要靠摆事实讲道理。摆事实讲道理，就是要在事实基础上做深入分析，而对于数据控来说，基本就等于数据分析，所以本部分就按照数据分析来阐述。在之前的回答及专栏文章中，其实已经讲了很多，按照之前的回答（），将这个模块分为五大部分：沉淀、解释、验证、探索和传播。2.1 沉淀（或数据获取）好数据加平庸的分析也往往会做出优质的产出，如同“食材新鲜就不需好厨师”；而烂数据加顶尖的分析也常常garbage in and garbage out，如同“巧妇难为无米之炊”。可见，获取真实的优质数据源并清洗干净，是商业分析的基础。在商业分析中要把数据沉淀修炼到极致，当然面对老板或者用户的各种无理分析需求，避免尴尬得摊手耸肩说，“对不起，没有数据源”。正确的姿势是：找到有创意的数据源及数据沉淀办法，最后解决问题。正所谓“有数据也要做，没有数据创造数据也要做”。常规的用爬虫获取数据的方式（）已经很平庸了，下面提一些更有创意的。案例1：为了对这几年中国私募案例（VC+PE投资）中的投资条款进行研究（详见），帮助创业者对投资条款有更定量的了解。从各种渠道收集了大几百份Termsheet及SPA（真是求爷爷告奶奶），在脱敏之后，然后将其里面的核心条款结构化整理成可分析的数据。关于如何艰难地求人拿到Termsheet及SPA就不再这里赘述了，因为那种场景很难具象化。只是把一份SPA的缩图放在下面，大家就可以了解将其里面的核心条款结构化是怎么一件难事。到目前为止，NLP在这方面的帮助仍然有限。最终形成的是这个饱受创业者喜欢的投融资系列：。能够将员工期权与公司估值之间的大致关系搞清楚而画出如下美丽的回归线条，一切努力也是值得的。案例2：为了获得某一类人群的画像及了解他们的消费习惯，不能因为我们没有超级App就说不。我们只好走上了通过提供WiFi服务收集用户数据的不归路（详见）。下图是“商业分析人员”深入到咖啡厅及蓝领工人宿舍中安装Wi-Fi，以期望采集数据。除了OpenWRT和普通的客户端开发，连Arduino开发都用上了，以降低采集数据的成本。案例3：（以下案例为道听途说，不能完全保证其准确性）MIT某实验室将声音采集设备放到交易所大厅，通过采集交易员的吼叫声然后做情绪分析，判断当前交易所众交易员的情绪，然后预测股市未来一段时间的走势。有海外对冲基金动用卫星拍摄照片，根据建筑物的阴影长度，来跟踪某国各地的建筑情况，以此作为该国宏观经济的运行情况。2.2 解释在商业实战中，每天都要面对的问题会有：销量或者在线消耗怎么暴涨（或暴跌）了？新上的渠道效果怎么样？用户的ARPU或者人均PV怎么上升（降低）了？数据分析，需要基于数据解释产品或功能的某项核心指标（包括收入、DAU、ROI等等）的走势及背后的原因，往往需要细化到多个维度（比如：时间、区域、渠道等）。基于这些解释，做事后总结或者提前预警，试图保证产品及功能在正确的轨道上发展。下图是2015年二手车风风火火的三家企业瓜子、人人车和优信的百度指数，根据这张图可以解读出非常多的信息（参见），包括：电视广告的投放效率、周中或者周末效应等等。优秀的数据分析应该可以得出不同广告投放的效果并改进。优信第二次广告就比第一次广告成功很多。然而即使这样的改进，优信花掉1亿美元左右，也只能和花掉1以人民币左右的人人车达到几乎类似的效果。2.3 验证商业分析往往是围绕产品或服务进行。而随着技术的发展和竞争的加剧，产品或者服务在按照天或者周的速度在更新和迭代，各种功能及改进都在高频率得上上下下。对新推出的功能或者改进，验证其效果或者影响，使用的方式包括：简单的时间维度或者地理纬度或者渠道纬度的对比，复杂一些的做AB Testing。Facebook在AB Testing方面积累深厚；对于各种UI方案甚至小到文案及颜色，都需要进行AB Testing来选出最优方案。Facebook曾经利用这个系统在某个WiFi段定点发布新功能，来戏弄某杂志，诱骗其发布Facebook有产品的错误消息。数据分析，需要在验证的过程中屏蔽各种噪音来排除对真相的干扰。同时，在数据不充分或者无法实现AB Testing的情况下，找到噪音最小的方式来逼近真相。近年来推出了不少专业做AB Testing的工具，包括比较红火的Optimizely。不过它是一个付费服务，具体收费标准见下图。2.4 探索商业分析需要通过研究内外部的数据（比如：用户的使用行为数据及搜索词等，百度指数及贴吧发言等等），探索规律和探索用户的需求，通过数据的方式进行初步验证；或者满足一定的功能，通过数据挖掘的方式满足功能需求。之前提到的案例（）就属于探索一类，虽然整个过程起步不低（Hive + MySQL + Python + R的基础框架），而且过程中不断遇到阻碍，但是数据分析人员不会被打倒，要么是自己死坑要么是借力其他工程师，需要不断提供新的解决方案来还原真相找到答案，如同柯南所说“真相只有一个”。下图是利用某女鞋品牌送货地址做的用户群分布的热力图，以北京的海淀区为例，大量的用户密集集中在中关村周边，其次便是各大高校宿舍聚集的区域，如五道口，知春路等地。红色标签为品牌线下店铺位置，可见门店已经覆盖了中关村，北京大学和五道口等地，但对于知春路片区，以及用户相对集中的牡丹园并未开设分店。相比之下安贞里分店四周并没有特别多的目标用户群出没。根据用户居住地的热力图分析，来探索开店的选址问题，做到店面分布的优化。在算法上，Deep Learning/CV/Machine Learning等等，数据分析人员不敢说要一一精通，但是最好还是能略小一二到熟练使用各种框架的程度，才能轻松完整上面的各种任务。2.5 传播完成商业分析之后，对内对外的传播也非常重要。前者负责争取资源来推动产品服务及业务改进，后者负责通过新鲜的报告来吸引用户和维系用户。当下最易传播并适合于数据黑客的媒体类型无疑是图文并茂并结合数字的文章（被称之为Infographics）。Infographics凭借其直观易读和理性化的数据呈现方式，越来越受读者的喜欢，并逐渐成为内容制作者青睐的方式。这里有不少精彩的案例（），这些案例都非常方便在手机端或者微信里面传播。基于内部丰富的数据并结合外部的数据，制作有见地有传播性的图文文章，并便于在朋友圈及知乎等地传播，为自己产品赢得口碑和品牌增值。是制作Infographics的一个简单工具，下图是它的交互界面。总结在事实分析这颗技能树的每个分支上，从易到难都有理论体系、算法或者工具去实现。按照 在中的提法，从易到难分别为Business analysis和Business analytics，前者属于传统商科，利用Excel及SQL等简单工具能够完成，人脑手把手使用工具去发现规律和完成分析；后者属于新兴学科，需要用到更复杂的编程工具以及涉及到更复杂的算法，包括机器学习、图像识别和处理、深度学习等等各个方面，人脑驱动工具去发现一些复杂规律和完成复杂分析。个人感觉不用在工具以及算法上太纠结，Business analysis和Business analytics在本质上并无太大区别。即使有，技术的发展和开源两大趋势，也会模糊这个界限。首先，最简单的工具也难玩出花来（参见和），甚至可以拿它做图像处理来模拟油画。其次，复杂的算法也越来越开源，Deep Learning正在涌现越来越多的开源框架，OpenCV这个开源社区也曾解放无数人而不用关心底层的各种图像算法。所以核心还是对商业的理解，然后如何利用工具和算法实现自己的目的。————————————————————更多文章关注我的专栏：
我回答过类似的问题，链接在此不过这里可以补充一些，希望对于没有实战经验的你能有一些启发有统计基础是你的一个优势，我是半路出生并没有这个基础，但是我觉得对于商业数据分析，统计学基础是一个途径，但是商业分析的目的其实是帮助企业获得更多的insights从而对公司战略产生影响，如果能够通过数据分析制定合理的策略，将会有利于提高公司的收入和业绩，这是最终目的。所以实战中的商业分析师围绕着上面的目的来的，比如你手里有一套销售的数据，这个数据是有以月为单位的也有以周为单位的，里面你所在企业的各项产品过去两年每周的销量，还有竞争对手的各项产品每周的销量，还有这些销量各自都走的哪些渠道，还有整个行业每周的销量，只有这个你就已经大有文章可做。你可以做整个market size的评估，两年整个的走势，或者今年与去年同期比较的走势，你可以做所有竞争对手以及你们自己企业市场份额的比较，你可以做销量的比较，进一步你可以把产品进行细分，比如根据价格分为中高低，然后比较每个品牌中高低各占的比例，如果数据里有市场价值你还可以比较各自品牌的市场价值，市场价值越高的品牌一般利润率也越高。你可以做渠道的比较，有些数据里还有购买方式，比如线下线上的比较。或者你可以做某个个品牌的产品组合（portfolio）的分析，分析两年内产品组合的变化，你可以把产品特性整合到数据里去做比较，比如某个性能的进行归类，甚至某个颜色的进行归类。还有一类数据是消费者数据，一般是demographic（性别，年龄，地区，购买方式等等）这些，这种数据是对目标消费者的一种分析，可以看出自己与竞争对手之间目标客户群的差异，或者是消费者购买某个品牌所追求的买点在哪里等等。至于SAS，SQL这些在有些企业里面更重要一些，如果会了会增加竞争力，一般一个企业的分析团队都是定性分析和定量分析的组合，定量分析的那个分析师一般软件会比较强，我就是属于还不会SAS的人，所以我做定量分析都是excel，大部分也是够用的，其余时间我会做更多定性分析，定性分析在某些企业里面会有一些优势，因为定量分析最终的输出不是数据本身而是其中的insights,能挖掘出其中的价值才是目的，所以我的工作更偏向与总结insights,然后最终输出为可以影响销售或者营销部门策略的建议。数据分析少不了要预测要假设，总会有数据不足的时候，比如要预测下一季度的市场走向来确定本公司产品的销售目标，要通过对历史数据的分析，历史同期数据走向规律的把握来进行预测。有时候会有多个变量，这些变量都是不确切的数字，但是假设也是具有一些逻辑性的，比如我预测某类产品xx国家市场四季度的market size，我什么数据都没有，但是我收集了一系列行业对全球此类产品销量的预测，我就要试图找到相关性，你可以做简单的回归分析，然后得出某个市场大部分时间market size是全球市场的2%，这个2%就是一个估计出来的变量。这只是其中一个例子，题主学统计的，回归分析什么肯定比我熟悉。总之因为最近我在很多数据确实的情况下做了一组预测，有三四个变量共同作用，最后的预测模型也是灵活的，因为通过调整变量可以多设置几个可能性。
做商业分析前首先要明确一点，你的目的比形式更重要，带着你的问题进行数据收集分析得出你的结论，为你们公司下一步计划做好基础！
除了数据分析，了解其公司的商业模式、业绩模式
这要理工科吧
从找一家你刚兴趣行业的公司做起。
这个问题我大概想了下，题主可以先着眼于近处嘛，从身边的商业开始统计分析。衣食住行，这都是和人们息息相关的，题主可以先从餐饮开始，在细化点，比如题主公司附近的题主经常去吃的快餐店，分析做得好的原因。统计学嘛，主要是你得先收集数据，才能统计分析。从味道，口岸，人流量，男女比例，年龄等等数据的统计，分析嘛。
已有帐号？
无法登录？
社交帐号登录}