坚持写作两年，我的第一本书出版啦， 本周限时优惠，免费送30本！

哈喽大家好，跟大家分享一个消息，我的第一本书《数据分析之道——用数据思维指导业务实战》出版了！之前也没有跟大家透露过这个消息，总想着做出来再说吧，要是一不小心没写出来呢。不过经过一年多的努力，反复修修改改，最终还是写完了这一本书。

熟悉我的读者可能都发现了近一年，我公众号的原创文章几乎不更新了，大部分都是转载的其他号的优质原创文章。没错，我就是停下来准备这一本书了。

01

内容简介

本书以数据分析思维为主题，主要介绍对比思维、分群思维以及相关思维三大数据分析思维，同事以数据分析全流程为主线，融合了编程语言、统计学基础以及案例分析等多模块内容，全书分为4篇，囊括了数据分析思维的基础概念培养方法、数据来源及体系建设、数据分析三大思维方式以及用户流失、用户转化实战等共十一章的内容。

全书都是彩印，放上两张图让给大家瞅瞅。

02

本书特色

本书并不是空洞而孤立地讲数据分析思维，而是基于完整的数据分析流程阐述数据思维在整个流程中的应用，涉及到数据分析的每一阶段。从通过数据埋点获取用户数据到数据标签化处理再到指标体系监控业务变化是数据分析的准备工作；而对比思维、分群思维以及相关思维是数据分析各个阶段都会用到的思维方式；而将各类分析方法以及分析思维恰到好处的运用到业务场景中以揭示业务问题才是数据分析真正要解决的问题。本书从数据埋点到各类分析方法的应用为读者搭建一套系统的分析框架，读者需要在掌握Python、SQL、Excel等数据工具的前提下进行实践效果最佳。

数据分析思维并不是一蹴而就的，也不是学完本书就会立刻拥有的，本书不具备赋予读者数据思维的“超能力”。数据分析思维不同于数据分析工具，数据思维较为抽象，不像数据工具有一定的语法结构，需要在业务实战中进行积累的。但是本书会总结分析方法论以及分享实践案例引导读者树立数据分析思维，当然这是远远不够的，培养数据思维最好的方式还是在实战中积累和总结，本书只是抛砖引玉为读者建立一个系统地框架，最终还是需要读者在自己行业中进行实践和积累。

03

面向的读者

本书适合以下几类人群

-工作1-3年的初级数据分析师

-已经掌握了数据分析工具，需要培养数据分析思维的转行人员

-数据科学行业的人力专家和猎头，用于标定候选人数据分析能力

本书主要以数据分析思维为主题，其中的实践案例涉及到Python以及SQL语言，但本书不会去讲解。

Python以及SQL语法，所以本书面向已经掌握了Python及SQL等数据分析工具的出即数据分析师和相关转行人员。

04

写书的契机

市面上大部分数据分析相关的书籍都是从工具出发，但很多时候数据分析还是依靠数据思维。特别是面对复杂业务场景时，对于业务的熟悉程度以及数据思维显得尤为重要。因为数据思维决定了分析问题的角度以及合理性，只要能够针对特定问题提出分析方案，无论用什么工具都是可以出结果的，因此数据分析思维是数据分析师成长进阶路上的必修课。

而市面上关于数据分析思维的书籍较少且部分书籍讲授的知识点较浅，能够将数据思维、编程语言、统计学思想以及案例分析等模块融为一体的书籍更是少之又少，于是我萌生出想要写一本以数据分析全流程为主线的数据思维相关的书籍。由于我长期坚持分享在自媒体上分享数据分析相关的转行经验、数据分析思维相关经验和思考，几年下来积淀不少优质文章，为后续书籍的创作奠定了一定基础，因此也有多家出版社编辑陆续找到我邀请我写书。最终，选择和电子科技出版社张慧敏老师合作，也开始了自己长达一年的写书历程。

05

全书目录

最后附上全书的目录，本书围绕数据思维展开，一共11章内容。

目录内容介绍如下：

第1章 什么是数据思维

1.1 从数据治理流程浅谈数据思维

1.2 数据思维到底是什么

1.3 数据思维最直观的解释

第2章 为什么数据分析思维如此重要

2.1 数据思维是数据分析师必备的技能

2.2 数据思维是数据分析师成长晋升的必备技能

2.3 数据思维能让数据分析师建立影响力

第3章 数据思维如何养成

3.1 熟悉常用的数据分析方法

3.2 树立目标意识，寻找潜在分析点

3.3 不预设立场，通过客观的标准代替主观的判断

3.4 基于数据分析结果为业务方提出切实可行的解决方案

第4章 数据埋点

4.1 从隐私保护浅谈数据生命周期，初识数据埋点

4.2 数据埋点的分类及主流上报技术

4.3 数据埋点方案设计

第5章数据标签体系

5.1 数据标签体系与用户画像

5.2 如何构建数据标签体系

5.3 数据标签体系的应用场景

第6章 数据指标体系

6.1 从中国人口数据谈指标体系构建

6.2 四个模型教会你指标体系构建的方法

6.3 如何搭建一套通用的指标体系并快速实现落地

6.4 定位异动因素

第7章 对比思维

7.1 利用对比分析得出和结论

7.2 A/B 试验设计及容易忽略的误区

7.3 A/B试验背后涉及的统计学原理

7.4 Python实战：A/B试验在智能广告中的应用

第8章 分群思维

8.1 从用户生命周期浅谈分群思维

8.2 用数据分箱进行结构化分析

8.3 同期群分析解读用户生命周期，剖析真实用户行为和价值

8.4 Python实战：基于RFM模型以及K-Means实现用户分群

第9章 相关性与因果性

9.1 相关性分析简介

9.2 因果推断方法论

9.3 Python实战：利用Dowhy框架实现因果推断

第10章 用户流失分析

10.1 用户流失分析方法论概括

10.2 案例分析：5W2H分析游戏用户流失原因

10.3 5个理论模型构建外部因素分析框架

10.4 如何设计问卷验证用户流失原因

10.5 Python实战：生存分析预测用户流失周期

第11章 用户转化与付费分析

11.1 用户转化与付费分析概述

11.2 贝叶斯公式在用户转化中的应用

11.3 案例：漏斗模型分析某电商换货业务，提升用户转化率

11.4 营销增益模型实现用户分群，辅助运营识别营销敏感人群

11.5 Python实战：利用营销增益模型识别营销敏感人群