Python数据分析与数据化运营（笔记）第一章：python与数据化运营

1.开头三个问题：

1.python是什么？
2.数据化运营是什么？
3.为什么要将python用于数据化运营？

1.1 Python是什么?

老生常谈，这里简单列举一下，百度一大把，不过多赘叙

python是一种面向对象的解释性计算机编程语言
开源 | 免费：使用python和第三方库不用付费
可移植性：多平台运行
丰富的机构化和非机构化数据工具库和工具：
- 连接Oracle、MySQL、SQLite等数据库的连接库
- 数据科学计算库Numpy、Scipy、Pandas
- 文本处理库NLTK
- 机器学习库Scikit-Learn、Theano
- 图形视频分析处理和挖掘库PIL、Opencv
- 开源计算框架TensorFlow
海量数据的计算能力和效率：基于强大的第三方库支持，对于超过GB甚至TB规模的海量数据，python的计算能力和工作效率要远超其他数据工具语言
简单易学、开发效率高：简单的语法，对于有编程基础的人来说入门很简单，0基础还是建议看看基本教程

1.2 数据化运营是什么?

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分析、引导和应用，从而达到优化运营效果和效率、降低成本、提高效益的目的

1.2.1 数据化运营的重要意义

1）提高运营决策效率
决策效率越高意味着可以在更短时间内做出决策，从而跟上甚至领先竞争对手。数据化运营可使辅助决策更便捷，使数据智能引发主动决策思考，从而提前预判决策时机并提高决策效率。
2）提高运营决策正确性
智能化的数据工作方式，可以基于数据科学方法进行数据演练并得出可量化的预期结果，再配合决策层的丰富经验，会提高运营决策的正确性。
3）优化运营执行过程
数据化运营可以通过标准口径的数据、信息和结论（就是规定输入的数据格式），结合数据化的工作方法和思路，优化运营过程中的执行环节，从而降低沟通成本、提高工作效率、提升执行效果。
4）提升投资回报
通过对持续的正确工作目标的树立，最大化工作效率的提升、最优化工作方式的执行能有效降低企业冗余支出，提升单位成本的投资汇报。

1.2.2 数据化运营的2种方式

从数据发挥作用的角度来看，数据化运营分为辅助决策式数据化运营和数据驱动式数据化运营
（1）辅助决策式数据化运营
通过数据、模型、知识等辅助决策者进行业务决策，起到帮助、协助和辅助决策者的目的
（2）数据驱动式数据化运营
指整个运营运作流程以最大化结果为目标，以关键数据为触发和优化方式，将运营业务的工作流程、逻辑、技巧封装为特定应用，借助计算机技术并结合企业内部流程和机制形成一体化的数据化工作流程。例如，个性化推荐就是一种数据驱动式数据化运营方式。

辅助决策式数据化运营和数据驱动式数据化运营是两个不同层次的数据应用，数据驱动相对于辅助决策的实现难度更高、数据价值体现更大。

辅助决策式数据化运营为业务决策方服务，整个过程都有运营人员掌控，数据的辅助角色。
数据驱动式数据化运营的过程由数据掌控，数据是主体，实现该过程需要IT、自动化系统、算法等支持，数据驱动具有自主导向性、自我驱动性和效果导向性。

1.2.3 数据化运营的工作流程

（1）第一阶段：数据需求沟通

1）需求产生：由运营部门产生的某些数据化运营需求，例如预测商品销量、找到异常订单、确定营销目标人群名单等。
2）需求沟通：
- 业务需求沟通，包括需求产生的背景，要解决的问题，预期达到的效果等
- 数据现状沟通，包括数据存储环境、主要字段、数据字典、数据量、更新频率、数据周期等，如果没有数据则需指定数据采集规则并开始采集数据
- 数据与分析的关联性沟通，根据与运营人员的沟通，了解业务背景下哪些是常见的、带有业务背景的数据、不同场景会导致数据如何变化、分析中会涉及哪些关键字段或场景等，业务人员丰富的经验会帮助数据工作者少走很多弯路。

（2）第二阶段：数据分析建模

1）获取数据：数据化运营分析所需的数据需要经过特定授权从数据库或文件中得到。
2）数据预处理：对数据进行质量检测、样本均衡、分类汇总、合并数据集、删除重复项、分区、排序、离散化、标准化、过滤变量、转置、查找转换、脱敏、转换、抽样、异常值和缺失值处理等。
3）数据分析建模：运用多种数据分析和挖掘方法，对数据进行分析建模。方法包括统计分析、OLAP分析、回归、聚类、分类、关联、异常检测、时间序列、协同过滤、主题模型、路径分析、漏斗分析等。
4）数据结论输出：数据分析或挖掘建模报告、Excel统计结果、数据API输出、数据结果返回数据库、数据结果直接集成到应用程序中进行自动化运营。

（3）第三阶段：数据落地应用

1）数据结论沟通：主要沟通的内容是将通过数据得到的结论和结果与业务进行沟通，通过沟通来初步验证结论的正确性、可靠性和可行性，并对结果进行修正。如果没有可行性，那么需要返回第二阶段重新开始数据分析建模流程。
2）数据部署应用：经过沟通具有可行性的数据结论，可直接应用到运营执行环节。
3）后续效果检测和反馈：大多数的数据化运营分析都不是“一次性”的，尤其当已经进行部署应用后，需要对之前的数据结论在实践中的效果进行二次验证，如有必要则需要进行结论的再次修正和意见反馈。

1.3 为什么要将python用于数据化运营？

python用于数据化运营，将充分利用python的强大功能和效率来满足数据化运营的复杂需求。

python可以将数据化运营过程中的来源于企业内外部的海量、多类型、异构、多数据源的数据有效整合到一起，提供丰富的集成、开发、分析、建模和部署应用。
python高效的开发效率能帮助数据化运营在最短的时间内进行概念验证，并提供科学的预测结果，为数据化运营的快速和准确提供基础。
简单来说，就是因为python能够高效处理复杂数据，接口也多，满足数据化运营的需求。