本文旨在通过一个实际案例，引导读者用最朴素的方式解锁数据分析的大门，打破对数据的迷信，将焦点回归到解决问题上来。通过易于理解的语言和实操指南，即便是数据分析新手也能够快速入门，提升工作效率，发现数据背后的商业洞见。

来到传统私企后，发现很多人还停留在明细数据的阶段。相对好一些的，却是被毒害的青年，开局 RFM、帕累托，然后解密宇宙。

提起数据分析，很多人容易陷入过于复杂的模型和工具中，为了 " 打破迷信 " 也为了有一份相对能看的数据，决定写一篇易于理解的保姆级实践指南。

01 数据科学，不是量子力学

无论多么高大上的语言或工具，数据分析绕不过这 3 点：获取数据、清洗数据、理解数据。

它的难，难在热搜里充斥着不实用和听不懂。

接下来用一个案例来正式开启这篇文章：

案例背景：你需要为景区设计文创产品，但不清楚哪类文创产品受欢迎。你想通过分析文创产品的类型、价格和销量等数据来获取灵感。比如，哪些类型的文创产品卖得最好？价格与销量之间是否存在相关性？

数据需求：销量排名前 100 个商品数据，包含名称、分类、价格、销量、用途、人群、材质、风格。

02 获取原始数据，减少无效需求。

我们总觉得平台取数速度太慢，或者研发诸多刁难，其实是要了太多没用的数据。

在提需求时，要再三问自己：是否有必要、是否有替代方法。

其次请要原始数据，要更少的原始数据。

通过控制数据提取的范围，减少处理冗余信息的计算和人工负担。而原始数据便于组合，但结果数据不仅提取复杂，也很难二次加工。

在获取了数据后，先不要着急进行数据分析，因为原始数据往往是杂乱的。

如果不清洗数据，后续的分析结果很可能会失真或者错误。只有数据 " 干净 " 了，分析工具和模型才能发挥作用。

接下来，让我们看看如何进行数据清洗，让它变得 " 可读 " 和 " 可用 "。

03 清洗到你看得懂，机器才看得懂

工具层面，我建议使用飞书多维表格，后续的图形化也更加方便。

1、数据清洗

首先清理无用的关键词，例如：" 故宫 "、" 文创 "、" 官方旗舰店 " 等。

清洗过后，不仅提高了阅读体验，也降低了机器处理数据的算力需求。

必要时，可以增加其他的清理手段，例如：补全空值或统一标签格式，确保数据清晰规范。

2、数据分类

2-1、特征提取

第二步，我们要提取有价值的特征。例如商品标题中的节日、用途、人群。

最简单的方式是使用飞书的字段捷径进行智能标签，但对于这类容易标准化的数据，更好的方法是函数提取。

例如 REGEXEXTRACTALL 函数：

REGEXEXTRACTALL ( [ 商品标题 ] , " 教师节礼物 | 生日礼物 | 乔迁礼物 | 儿童节礼物 | 结婚礼物 | 创意礼物 | 伴手礼 " )

这个函数从商品标题中提取匹配的礼物类型，将其转换为 " 用途标签 "。

提取标签后要注意再次清除相关关键词。

2-2、数值分类

在分析品类价格分布时，稀疏的价格数据无法帮助我们有效识别问题。

但如果我们将价格收窄为区间，数据就会变得集中，便于我们的分析。

IFS ( [ 商品价格 ]