數(shù)據(jù)分析實戰(zhàn)：90個精彩案例帶你快速入門

定　價：￥59.00

作　者：	汝思恒
出版社：	清華大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥56.10)

ISBN：	9787302660712	出版時間：	2024-06-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　數(shù)據(jù)分析是現(xiàn)在不僅在互聯(lián)網(wǎng)行業(yè)同時也在基礎(chǔ)行業(yè)中必不可缺的運營手段，是業(yè)務(wù)提升效率、增強收益的有效方法。本書的前8個章節(jié)精選提煉了多種數(shù)據(jù)分析中重要方法，包括ROI分析、數(shù)據(jù)標(biāo)簽和評分、用戶生命周期、因果推斷、可解釋模型、PSM理論、ABtest、時序分析等，并通過更清晰、簡單的方式向讀者全方位的展示數(shù)據(jù)分析在以下諸多原理上的闡釋，并且針對每種方法都提供了充足的生活和業(yè)務(wù)中的前沿案例作為輔助講解，幫助讀者更好的理解數(shù)據(jù)分析在傳統(tǒng)行業(yè)、互聯(lián)網(wǎng)行業(yè)及各類新興行業(yè)的實際應(yīng)用，同時也能更快的運用在實際工作和生活中，所以通過閱讀前8個章節(jié)，讀者可以系統(tǒng)的學(xué)習(xí)數(shù)據(jù)分析的理知識，擁有數(shù)據(jù)化思維，為讀者能夠在數(shù)據(jù)分析行業(yè)中不斷深耕打下良好的理論基礎(chǔ)并將數(shù)據(jù)分析能力逐步應(yīng)用于實際的工作和生活中，成為一名合格的數(shù)據(jù)分析師。本書適合從事需要掌握數(shù)據(jù)分析技能的行業(yè)，數(shù)據(jù)分析相關(guān)專業(yè)的在讀學(xué)生，入門數(shù)據(jù)分析行業(yè)的相關(guān)從業(yè)人員，以及已有自己本職工作，但仍需要學(xué)習(xí)數(shù)據(jù)分析能力來提升自己的職業(yè)技能和職場競爭力的相關(guān)行業(yè)從業(yè)者閱讀。

作者簡介

　　汝思恒，南京大學(xué)數(shù)學(xué)基地班保送生，先后入職國內(nèi)知名互聯(lián)網(wǎng)企業(yè)，包括字節(jié)跳動、遙望、由萊等公司；參與多個從0到1創(chuàng)業(yè)孵化項目，并幫助業(yè)務(wù)進入賽道正規(guī)；阿里巴巴公司數(shù)據(jù)營銷方向特邀講師。

圖書目錄

第1章ROI：值得做還是不值得做
1.1淺層ROI
1.1.1案例1：活動拉新ROI
1.1.2案例2：吃早餐的ROI
1.1.3案例3：地攤零售ROI
1.1.4案例4：《囧媽》決策的ROI分析
1.1.5案例5：淘寶私域引流ROI情況
1.2深層ROI
1.2.1案例6：綜藝直播ROI測算
1.2.2案例7：擺地攤的ROI測算
1.2.3案例8：廣告投放中的ROI測算
第2章標(biāo)簽與評分：千人千面的基礎(chǔ)
2.1數(shù)據(jù)分析對象的有效標(biāo)簽
2.1.1案例9：信貸公司用戶畫像
2.1.2案例10：美妝產(chǎn)品用戶畫像
2.2標(biāo)簽的組合與量化
2.2.1案例11：外賣員畫像
2.2.2案例12：店鋪評分系統(tǒng)
2.2.3案例13：層次分析法
2.2.4案例14：層次分析法應(yīng)用
第3章用戶分層與生命周期：業(yè)務(wù)服務(wù)的是一個人及他整個“一生”
3.1用戶生命周期N種分層方式
3.1.1案例15：店鋪用戶生命周期分層
3.1.2案例16：平臺用戶生命周期分層
3.2用戶生命周期中的無限可能性
3.2.1案例17：用戶分層四象限法
3.2.2案例18：用戶生命周期分層
3.2.3案例19：中國移動的用戶生命周期分層運營
3.2.4案例20：用戶生命周期劃分方法
3.2.5案例21：用戶召回
第4章因果推斷：種瓜得瓜，種豆得豆
4.1因果推斷原理
4.1.1案例22：相關(guān)不等于因果
4.1.2案例23：數(shù)據(jù)不會說話，但可能有偏
4.2因果推斷方法
4.2.1案例24：準(zhǔn)實驗方法
4.2.2案例25：匹配法
4.2.3案例26：雙重差分
4.2.4案例27： App新功能影響效果歸因
4.2.5案例28：電影網(wǎng)站打分
4.2.6案例29：貝殼App的因果推斷應(yīng)用
4.2.7案例30：快手App的因果推斷應(yīng)用
4.2.8案例31： Bigo的因果推斷應(yīng)用
第5章可解釋模型：沒有實際場景的模型是劣質(zhì)模型
5.1串聯(lián)業(yè)務(wù)的可解釋模型
5.1.1案例32：面包質(zhì)量問題
5.1.2案例33： TikTok商家成長模型問題
5.2常用分析方法
5.2.1案例34：決策樹的ID3算法
5.2.2案例35： Shapley值法
第6章PSM理論：所有人都搞促銷，我能不能不搞
6.1傾向值匹配(PSM)理論
6.1.1案例36：吸煙用戶的PSM應(yīng)用
6.1.2案例37：低價引流的PSM應(yīng)用
6.1.3案例38： PSM的代碼實現(xiàn)
6.1.4案例39： PSM在Lalonde數(shù)據(jù)集的應(yīng)用
6.1.5案例40： NGO組織的PSM應(yīng)用
6.1.6案例41：阿里媽媽的PSM應(yīng)用
6.1.7案例42：淘寶商城3D化的PSM應(yīng)用
第7章AB實驗：試一試才知道誰是對的
7.1AB實驗原理
7.1.1案例43：淘寶商城中的AB實驗
7.1.2案例44： EA游戲公司的AB實驗
7.1.3案例45： Upworthy的AB實驗
7.1.4案例46： ComScore的AB實驗
7.1.5案例47：微營銷新電商平臺的AB實驗
7.1.6案例48：泰康在線的AB實驗
7.1.7案例49： AB實驗的框架升級問題
7.2進階的AB實驗方法
7.2.1案例50： Bing的AB實驗應(yīng)用
7.2.2案例51： Netflix的AB實驗應(yīng)用
7.2.3案例52： Booking的AB實驗應(yīng)用
7.2.4案例53：罹患心臟病概率的AB實驗應(yīng)用
第8章時序分析：我們從歷史的數(shù)據(jù)當(dāng)中可以獲得什么
8.1時序預(yù)測分析原理
8.1.1案例54：學(xué)校發(fā)放計算機以提高學(xué)生成績
8.1.2案例55：疫情前后流入人口變化
8.1.3案例56：疫情前后流入人口變化的合成控制法
8.1.4案例57：疫情前后城市展現(xiàn)率變化
8.1.5案例58：疫情前后對于搜索的影響
8.2時序預(yù)測的普遍情況
8.2.1案例59：金融中的時序預(yù)測應(yīng)用
8.2.2案例60：電影票房預(yù)測
8.2.3案例61：店鋪選址
第9章數(shù)據(jù)可視化：清晰地展示數(shù)據(jù)分析結(jié)果
9.1數(shù)據(jù)可視化基礎(chǔ)
9.1.1案例62：生活開支可視化
9.1.2案例63：抖音的數(shù)據(jù)可視化案例
9.1.3案例64：旭日圖
9.1.4案例65：散點圖
9.1.5案例66：熱力圖
9.1.6案例67：箱線圖
9.1.7案例68：霍亂發(fā)生原因圖
9.2視覺效果升級的數(shù)據(jù)可視化
9.2.1案例69：巴士群互動游戲
9.2.2案例70： NFL球隊表現(xiàn)圖
9.2.3案例71：全球變暖的自然原因
9.2.4案例72： 2014年最具價值的運動隊50強
9.2.5案例73：創(chuàng)意人士的日程安排
9.2.6案例74：受關(guān)注新聞的可視化
9.2.7案例75：慈善年度報告
9.2.8案例76：公司各業(yè)務(wù)線目標(biāo)完成情況
9.2.9案例77：塑料垃圾的可視化
第10章數(shù)據(jù)分析報告： “說人話”讓老板為你買單
10.1.1案例78：大促復(fù)盤分析
10.1.2案例79：專題分析報告
10.1.3案例80：綜合分析報告
10.1.4案例81：日常數(shù)據(jù)報告
10.1.5案例82： Airbnb分析報告
第11章數(shù)據(jù)分析入門工具介紹
11.1Excel
11.1.1案例83： Concatenate函數(shù)
11.1.2案例84： Len函數(shù)、Conunta函數(shù)、Days函數(shù)、
Sumifs函數(shù)、Rank函數(shù)
11.1.3案例85： Vlookup函數(shù)
11.1.4案例86： Find函數(shù)
11.1.5案例87： Iferror函數(shù)
11.1.6案例88： Left/Right函數(shù)
11.1.7案例89： Sumproduct函數(shù)
11.2MySQL
11.3Python
11.4R語言
11.5SPSS
11.6Tableau
案例90：過去40年電子游戲數(shù)據(jù)