「課程概括」今天，每個企業都面臨數字化的生死挑戰，提升員工數據分析能力是應對挑戰的基礎。大多數培訓課程都在傳授工具和算法，培養“數據科學家”。但是，數據科學家如何解得開企業的“剪不斷理還亂”？
“這不是我要的數據！…到哪里去找？”
“一個部門一個數一個說法，我該采信哪個？“
“領導不認可我的方案，怎樣寫數據分析報告說服TA？”
企業不是科學院，要的是立桿見影！這里也沒有老師提供標準答案，一切要靠自己去尋找。因此，本門課程以 為目標：
2 “易學”—— 快速上手，現用現學
2 “易精”—— 獨立作戰，精益求精
數據分析課不能“君子動口不動手”，課上案例需配套課后作業。上課聽 下課練，才能讓培訓時間物超所值。
融會貫通《易精數據分析方法》，每個學員都是優秀的獨立數據分析師，為企業獨當一面?！竷热莺喗椤拐n程為學員鋪設了循序漸進的四個成長階梯：
1. 想法——養成數據化思維
豐富學員數據分析問題的思路，強化必需的邏輯思維，明白設定什么量化目標，相應需要什么數據，從哪里獲取，如何清洗整理。
2. 看法——掌握數據可視化工具
學會制作企業精益運營數據儀表盤。Power BI等數據可視化工具是數據分析師的必備，幫助我們從復雜數據中萃取簡單道理，并分享給他人。
3. 干法——實操數據挖掘方法
幫助學員在實操中學會建立數據模型，掌握趨勢預測、轉化漏斗、聚類、RFM等實用挖掘方法，解決自身實際問題。
4. 說法——寫好數據分析報告
酒香**怕巷子深！報告人擁有數據化和邏輯化的生動表達力，才能說服領導、客戶和同伴。寫好數據分析報告是每個優秀員工必備基礎能力。
「課程收益」l 6套實戰案例及原始數據
曾老師從主持的能源（充電樁）規劃精算、新能源汽車共享出行和互聯網游戲運營等項目中，提煉了6套經典數據分析案例，涵蓋了數字產品轉化分析、數據驅動運營、客戶聚類分析和投資決策精算等熱門領域。數據模型可套用到學員工作中，現抓現用。
l 4節課后作業，練會為止
光說不練假把式！課程配備了與學員學習進展一一對應的課后作業，學員可以在線上方便提交作業，接受老師的答疑解難。
l 對優秀學員的免費輔導
教學相長！對能學化為用的優秀同學，曾老師很愿意提供幫助指導。
「課程模式」1. 課上面授
2. 分組互動
3. 課后作業
4. 微群輔導
「受眾對象」有數據分析工作需求為佳、非數據專業背景的企業執行層員工
「時間安排」入門班1天
普通班2天
工作坊4至6天
「課程目錄」 1 優秀數據分析師是怎樣煉成的？
1.1 數據分析師的前世
1.2 數據分析師的今生
1.3 我的數據分析師之路
1.4 易精之路
1.4.1 數據分析師立身之道
1.4.1.1 客戶之道
1.4.1.2 企業之道
1.4.2 數據分析師工作法
1.4.2.1 想法——數據化思維
1.4.2.2 看法——數據可視化
1.4.2.3 干法——數據挖掘技術
1.4.2.4 說法——數據分析報告
1.4.3 數據挖掘八術
1.4.3.1 橫切面x 4
1.4.3.2 縱貫線x 4
2 想法——養成數據化思維
2.1 什么是數據化思維
2.1.1 中國古代的數據化思維
2.1.2 客戶之道與企業之道
2.1.3 數據化思維定義
2.1.4 數據化思維公式
2.1.5 人與AI的認知融合
2.2 我們需要什么數據？
2.2.1 緊急的數據
2.2.2 重要的數據
2.2.3 緊要的數據
2.3 數據從哪里來？
2.3.1 現場調研
2.3.2 企業內部數據
2.3.3 交易/協作平臺
2.3.3.1 電商平臺
2.3.3.2 供應鏈
2.3.4 外部行業數據
2.3.4.1 免費/付費咨詢報告
2.3.4.2 行業數據統計網站
2.4 案例：中美四級產業股市數據分析
2.5 作業：Power BI電商銷售數據處理
3 看法——使用數據可視化工具
3.1 “工欲善其事，必先利其器”
3.1.1 數據工具概況和分類
3.1.2 Excel與Power BI——人手一份的數據分析工具
3.2 數據可視化
3.2.1 歷史著名可視化精品
3.2.2 圖表分類與應用
3.2.3 Power BI的Dashboard實操
3.2.4 數據可視化視頻經典案例
3.3 怎樣**數據對比做決策？
3.3.1 拉普拉斯與決策模式
3.3.2 五大對比方法
3.3.2.1 甲/乙對比
3.3.2.2 前/后對比
3.3.2.3 A/B測試對比
3.3.2.4 類比
3.3.2.5 回歸
3.4 分組游戲：決策私董會
3.5 案例：電力系統充電樁大數據規劃與運營
3.6 作業：Power BI電商銷售Dashboard
4 干法——實操數據分析方法
4.1 大數據探秘
4.1.1 大數據概念
4.1.2 大數據技術成熟度曲線分析
4.1.3 通用數據挖掘模式CRISP-DM
4.1.4 大數據“陷阱”
4.2 逆向大數據思維突破
4.3 不以贏利為目的的企業數據分析是“耍流氓”
4.4 數據挖掘八法：4橫4縱
4.4.1 橫截面
4.4.1.1 分類下鉆
4.4.1.2 杜邦分析
4.4.1.3 聚類分群
4.4.1.4 A/B測試
4.4.2 縱貫線
4.4.2.1 趨勢變化（Bar/Line Chart）
4.4.2.2 轉化漏斗（Funnel）
4.4.2.3 行為路徑（Sankey Chart）
4.4.2.4 運營干預（RFM）
4.5 易精數據決策導圖
4.6 案例：新能源汽車分時租賃
4.7 作業：超市RFM分析
5 說法——寫好數據分析報告
5.1 通天塔因為什么而倒塌？
5.2 酒香就怕巷子深
5.3 數據分析報告忌諱“三無”
5.3.1 胡言亂語——無邏輯
5.3.2 無病呻吟——無洞察
5.3.3 只挖不埋——無建議
5.4 優秀數據分析報告要素“2 2”
5.4.1 “痛”——量化問題——y
5.4.2 “病”——分解病因——x
5.4.3 “理”——數學模型——f（）
5.4.4 “藥”——解決方案——y’和x’
5.5 案例：一份救命的數據分析報告
5.5.1 分組互動：提取痛、病、理、藥
5.6 課后作業：“我的數據分析報告大綱”
6 大數據與AI未來已來
6.1 史上**次人類認知危機
6.2 從古典邏輯到機器學習
6.3 人類天生認知障礙
6.4 人工智能優勢和劣勢
6.5 人和AI的認知融合
6.6 人工智能應用：無人駕駛
6.7 AI驅動型組織機制
6.7.1 亞馬遜的“數字泰勒主義”
6.7.2 東西方融合：日本“現場主義”
6.7.3 A/B測試：數據驅動體制的試金石
6.7.4 數據決策分權機制激發執行層活力
6.8 數字孿生運營
6.9 案例：新能源汽車投資精算
6.10 人性與AI的順逆冷暖
6.11 總結：數據分析師的心
6.12 結業作業：“我的數據分析報告”
