定义大数据

数据量。(Volume)
数据类型和数据结构的可变性和复杂性。(Variety)
新数据创建和增长的速度。(Velocity)
数据质量，可靠性（准确性和真实性）。(Veracity)

4V：数据量(Volime)，种类(Variety)，速度(Velocity)和真实性(Veracity)
5V：4V + 价值 (Value)

数据分析生命周期

六个阶段

发现
数据准备（分析沙箱）
模型规划（方法，技术，工作流程，变量，关系，模型）
建立模型（训练和测试数据集，软硬件）
沟通结果（确定关键发现）
实施（交付，试点项目）

在团队大规模部署模型之前，可以先在小范围内实验性部署，从而学习部署经验和有效的风控，并且建立一个对模型精度持续监测的机制，并在精度下降时，设法重新调试模型，如果模型输出达不到模型精度，就需要重新训练模型。

相关文章: 大数据总览和生命周期

项目管理

相关文章：一张图读懂项目管理十大知识领域

包含：项目整合管理、项目范围管理、项目进度管理、项目成本管理、项目质量管理、项目资源管理、风险管理、项目采购管理、项目相关方管理、

这十大知识领导之间的逻辑关系可以描述为，在整合管理思想的指导下：

第一、弄清楚项目的工作内容（范围）；

第二、弄清楚这些工作要在什么时间完成（进度），以多大代价完成**(成本)，满足什么要求（质量）**；

第三、弄清楚需要什么资源来完成项目，以及组织内部有没有这些资源（包括相应的人力资源、知识与技能）；

**第四、**如果没有足够的资源，就需要外包一些工作，从而就需要对采购及相应的合同进行管理；

**第五、**项目所涉及的内外部的资源之间都需要进行有效沟通，才能较好的相互协调；

**第六、**弄清楚哪些风险会促进或妨碍项目的成功，并积极加以管理；

**第七、**自始至终，都要进行项目相关方管理。

数据分析报告撰写

明确报告定位

报告就是向某一人群进行汇报，那么首先就要明确报告的对象，从报告对象的角度组织内容、结构，以及报告里各个模块的侧重点。

拆解核心指标，建立数据模型

明确了报告的定位之后，那么就可以结合报告定位和产品目标、活动运营目标等指标，对核心指标进行拆解，形成报告的数据模型。

**需要指出的是：**报告的核心指标和拆解是动态的，在产品的不同阶段，数据模型也需要进行调整。

数据的整理和分析

数据的获取

当数据出现差异时，需要对统计口径和统计方案进行分析，如果是统计手段层面造成的差异则可以忽略。

注意，如果一个数据来源出现大幅异常波动，往往可以借助另一个数据来源进行对比分析，如果两边是同方向、同幅度的波动，则要从业务角度去分析，如果两边差异很大，则很可能是数据统计源头出了问题。

数据的整理、清洗

数据的整理和清洗主要是排除脏数据和统计异常的数据、对数据进行结构化处理等等

分析数据 - 方法

拆解法

将一个大问题拆分为更小粒度的指标，如果没有发现问题则继续往下拆解，直到发现问题所在为止，从而寻找到对应的解决方案。
BCG矩阵

根据不同业务场景，选取两个坐标作为坐标轴，从而把业务或用户划分为不同的类型进行分析。
同比分析法

将各个业务相同类型的数据放在一起比较。
用户分析

用户分析包括了使用广度、使用深度、使用粘性等指标，这些指标一般是若干用户指标的组合。

例子：首先这是一份面向领导汇报的产品运营月报，因此需要突出核心指标的完成情况，以及拆解的二级、三级指标的情况，从而从上到下分析本月指标的完成情况。

其次，这是一个电商导购类的产品，因此在报告的第一项，就是依据产品特性，对数据指标进行拆解和建立数据模型，从而让读者一目了然知道报告的内容框架，以及各项数据的完成情况，之后才是逐步展开进行汇报，便于说清楚具体情况、问题点、改进计划。