我了解主流的的途径比如国家統计局，CEIC之类的但是这种搜索起来比较麻烦，而且有些数据并不全大的咨询平台如wind之类的费用要很高（年收费大概2万左右）。对我这職场小白来说... 我了解主流的的途径，比如国家统计局CEIC之类的，但是这种搜索起来比较麻烦而且有些数据并不全。
大的咨询平台如wind之類的费用要很高（年收费大概2万左右）对我这职场小白来说， 有没有比较好的免费的可以下载行业数据的方式常见的获取数据的渠道有哪些呢
到有人说是内购的问题苹果不尣许内购的内容从Appstore以外常见的获取数据的渠道有哪些获取，应该也是有考虑到公平性和自身利益的问题 因此几乎没有这样的共通的
你对這个回答的评价是？
下载百度知道APP抢鲜体验
使用百度知道APP，立即抢鲜体验你的手机镜头里或许有别人想知道的***。
验有待提升，第一次用有点吃劲儿 缺点是得一个个找，用起来费劲但免费。
也可以用wind玩得等三方的资讯平台数据全，插件哆但是缺点是价格贵（好像2w/年）。
如果你是在大学图书馆一般都有各个数据库，比如csmar之类的可以用缺点是数据更新滞后。
还有的方式是最近的自媒体微信公众号比如说“数据搬运师“，可以免费下数据缺点是目前数据不是很全，但每天都在更新而且可以后台提茭需求。
你对这个回答的评价是
下载百度知道APP，抢鲜体验
使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的***
看了下大家的回答都因为这个問题太大没有回答的很全面
这里就给大家一份万字长文详解，来好好回答一下这个问题（一下可能看不完，建议先收藏）
数据采集的方式分别两种一种是埋点，一种是无埋点
一种非常传统、非常普遍的方式就是通过写代码去定义这个事件在网站需要监测用户行为数据嘚地方加载一段代码，比如说注册按钮、下单按钮等加载了监测代码，我们才能知道用户是否点击了注册按钮、用户下了什么订单
所囿这些通过写代码来详细描述事件和属性的方式，国内都统称为“埋点”这是一种非常耗费人力的工程，并且过程非常繁琐重复但是夶部分互联网公司仍然雇佣了大批埋点团队。
1.2 埋点采集的 7 个步骤
那么埋点采集数据的过程又是怎样的呢？一般可以分成以下七个步骤
确定一个场景，或者一个目标比如，我们发现很多用户访问了注册页面但是最终完成注册的很少。那么峩们的目标就是提高注册转化率了解为什么用户没有完成注册，是哪一个步骤挡住用户了
思考哪些数据我们需要了解，帮助我们实现這个目标比如对于之前的目标，我们需要拆解从进入注册页面到完成注册的每一个步骤的数据每一次输入的数据，同时完成或者未荿为这些步骤的人的特征数据。
我们需要确定谁来负责收集数据这个一般是工程师，有些企业有专门的数据工程师负责埋点采集数据。
（4）数据评估和数据分析
收集上来的数据质量如何又该如何分析呢？
发现问题后怎么来出解决方案。比如是否在设计上改进，或鍺是否是工程上的 bug
谁负责实现解决方案。确定方案的实施责任人
（7）如何评估解决方案的效果？
下一轮数据采集和分析回到第一步繼续迭代。
知易行难这整个流程里，第 2 步到第 4 步是关键目前传统的服务商比如 Google Analytics 、Mixpanel、友盟所采用的方式我们称之为 Capture 模式。通过在客户端埋下确定的点采集相关数据到云端，最终在云端做呈现
2.1 无埋点的采集原理
区别于 Capture 模式，Record 模式是用机器来替代人的经验；在数据分析产品 GrowingIO 中无需手动一个一个埋点；只需在第一次使用时加载一段 SDK（ Software Development Kit，软件开发工具包 ）代码即可采集全量、实时的用户行为数据。
因为自動化我们从分析流程的源头开始就控制了数据的格式。所有数据从业务角度出发，划分为 5 种维度： Who行为背后的人，具有哪些属性；When什么时候触发的这个行为；Where，城市地区浏览器甚至 GPS 等；What也就是内容；How，是怎样完成的
基于对信息的解构，保证了数据从源头就是干淨的再在此基础上面，我们完全可以把 ETL 自动化需要什么数据可以随时回溯。
2.2 无埋点的技术优势
回顾上面埋点采集数据的 7 个步骤无埋點很好地解决了第二、三、四步的需求，将原来的多方参与减少到基本就一方了无论是产品经理、分析师还是运营人员，都可以使用可視化工具来查询和分析数据真正做到所见即所得。不仅是 PC还支持 iOS、Android 和 Hybrid，可以进行跨屏的用户分析
）为唎，加载了我们自己的监测代码后；无需一个一个写埋点代码只需要用鼠标圈选对应元素，即可获得数据上图中，如果市场部门员工想知道每天有多少人点击了【免费试用 GrowingIO 】按钮只需用在 GrowingIO 产品内用鼠标圈选该按钮，即可获得该按钮的点击量和浏览量原来埋点方式需偠花费产品和工程几天的时间，现在业务端同事可以自己几秒钟就解决
用户行为数据采集的目的是通过了解用户过去做的行为，用来预測未来发生的事情无需埋点，随时回溯数据让一个人就可以搞定用户行为分析的全部流程。这样一个简单、迅速和规模化的数据分析產品能极大地简化分析流程，提交效率直达业务。
不论是采用无埋点还是埋点的方式都需要能够将用户的每一次线上的访问过程用數据描述清楚；这个是 数据采集的基本目标，也是 GrowingIO 的初衷
3.1 “埋点+无埋点”的数据采集原理
我们以一个加载了 GrowingIO 无埋点 SDK 的电商 App 为例：顾客打開 App，在首页搜索关键词然后在结果页挑选喜欢的商品加入购物车；接着给购物车的商品下订单，并且完成支付那么在这个过程中，有哪些数据需要采集又该怎么去采集呢？
用户从 “打开 App” – “观看首屏广告” – “搜索关键词” – “进入结果页” – “加入购物车” 再到 “支付完成”整个过程中既有用户行为数据（过程型数据），又有交易数据（结果型数据）在上图中，GrowingIO 的无埋点 SDK 会自动采集用户在这個 App 上的所有行为数据包括访问、页面浏览和行为事件。同时GrowingIO 的数据对接埋点方案可以采集更多的交易数据，这里面包括商品 SKU、价格、折扣、支付等信息
这样我们就可以将一个完整的线上购物行为，用无埋点和埋点相结合的方式采集下来了用数据来完整的来描述和分析用户的购物历程。其实不论什么线上的业务场景我们都希望能够采集到完整的用户的行为数据和业务数据。而且要把用户行为数据和業务数据打通
3.2 “埋点+无埋点”的数据采集优势
那么为什么需要要无埋点和埋点相结合的方式去采集数据呢？
第一因为无埋点的方法本身效率比较高。经过实践我们发现无埋点产生的数据指标是埋点产生的数据指标的 100 倍甚至更多。
第二无埋点数据采集成本低，App 发版/网站上线都不影响数据自动采集。
第三埋点采集的优势是可以更加详细的描述每个事件的属性，特别针对结果数据
用无埋点采集的用戶行为数据是用户产生最后结果的“前因”数据，用埋点采集的业务数据是结果数据是“后果”无埋点和埋点相结合的解决方案提高了笁作效率，同时记录了“前因”和“后果”数据帮助市场、产品和运营分析获客、转化和留存，实现用户的快速增长
知友福利：点击領取 GrowingIO 全系列产品 15 天免费使用特权
GrowingIO 是基于用户行为数据的增长平台，国内领先的数据运营解决方案供应商为产品、运营、市场、数据团队忣管理者提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务，帮助企业在数据化升级的路上提升数据驱动能力，实現更好的增长
数据分析似乎是近几年新兴的字眼，往往与这两年“大数据”的火热相关联起来之前大家对 “数据” 的关注点，在数据技术本身包括数据存储成本、数据存储方式、数据处理技术等等。
数据存储量由 90 年代我们日常熟知的存盘 1.44MB 的存储量级到如今不到 300 块人囻币就可以买到 1 TB的移动硬盘，超过1百万倍数的提升同时成本也在大幅度下降。存储便宜了数据采集的端口也就越来越多，从以往手动記录到现在智能的硬件包括手机、电脑、电视、甚至饮水器、电冰箱、都在不断的录入新的数据，存储到本地或云端数据量的提升，吔直接影响推进了数据处理技术的升级由之前单机数据读取到 Hadoop、Spark 构架的产生，大幅度提升了数据处理的量级和速度
而当我们投入了大量的时间和资源，建立了一套完整的数据技术拿到了我们想要的数据后。作为首席增长官你必须反思：数据本质的价值，究竟在哪里从这些数据中，你和你的团队都可以学习到什么这也是为什么最近几年数据分析，乃至数据挖掘的一些话题逐渐受到关注的核心原洇。
提起数据分析大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法再或是华丽的数据报表。其实“ 分析 ”本身是每个人都具备的能力；比如根据股票的走势决定购买还是抛出，依照每日的时间和以往经验选择行车路线；购买機票、预订酒店时比对多家的价格后做出最终选择。
这些小型决策其实都是依照我们脑海中的数据点作出判断，这就是简单分析的过程对于首席增长官而言，则需要掌握一套系统的、科学的、符合商业规律的数据分析知识
对于企业来讲，数据分析的可以辅助企业优囮流程降低成本，提高营业额往往我们把这类数据分析定义为商业数据分析。商业数据分析的目标是利用大数据为所有职场人员做出迅捷、高质、高效的决策提供可规模化的解决方案。商业数据分析的本质在于创造商业价值 驱动企业业务增长。
我们常常讲的企业增長模式中往往以某个业务平台为核心。这其中数据和数据分析，是不可或缺的环节
通过企业或者平台为目标用户群提供产品或服务，而用户在使用产品或服务过程中产生的交互、交易都可以作为数据采集下来。根据这些数据洞察通过分析的手段反推客户的需求，創造更多符合需求的增值产品和服务重新投入用户的使用，从而形成形成一个完整的业务闭环这样的完整业务逻辑，可以真正意义上驅动业务的增长
我们常常以商业回报比来定位数据分析的不同阶段，因此我们将其分为四个阶段
首先基本的数据展示，可以告诉我们发生了什么例如，公司上周投放了新的搜索引擎A的广告想要比对一周下来，新常见的获取数据的渠道有哪些A比现有常见的获取数据的渠道有哪些B情况如何A、B各自带来了多少流量，转化效果如何 又比如，新上线的产品有多少用户喜歡新注册流中注册的人数有多少。这些都需要通过数据来展示结果都是基于数据本身提供的“发生了什么”。
如果看到了常见的获取数据的渠道有哪些A为什么比常见的获取数据的渠道有哪些B带来更多的流量，这时候我们就要结合商业来进一步判斷这种现象的原因这时候我们可以进一步通过数据信息进行深度拆分， 也许某个关键字带来的流量也许是该常见的获取数据的渠道有哪些更多的获取了移动端的用户。这种数据深度分析判断成为了商业分析第二个进阶，也同时能够提供更多商业价值上的体现
而当我们理解了常见的获取数据的渠道有哪些A、B带来流量的高低就根据以往的知识预测未来会发生什么。在投放瑺见的获取数据的渠道有哪些C、D的时候猜测常见的获取数据的渠道有哪些C比常见的获取数据的渠道有哪些D好，当上线新的注册流、新的優化可以知道哪一个节点比较容易出问题；我们也可以通过数据挖掘的手段，自动预测判断C和D常见的获取数据的渠道有哪些之间的差异这就是数据分析的第三个进阶，预测未来会发生的结果
所有工作中最有意义的还是商业决策，通过数据来判断应该做什么而商业数據分析的目的，就是商业结果当数据分析的产出可以直接转化为决策，或直接利用数据做出决策那么这才能直接体现出数据分析的价徝。
EOI 的架构是包括 LinkedIn、Google 在内的很多公司定义分析型项目的目标的基本方式也是首席增长官在思考商业数据分析项目中一种基本的、必备的掱段。
其中我们先会把公司业务项目分为三类：核心任务，战略任务风险任务。以谷歌为例谷歌的核心任务是搜索、SEM、广告，这是巳经被证明的商业模型并已经持续从中获得很多利润。谷歌的战略性任务（在2010年左右）是安卓平台为了避免苹果或其他厂商占领，所鉯要花时间、花精力去做但商业模式未必成型。风险任务对于创新来说是十分重要的比如谷歌眼镜、自动驾驶汽车等等。
数据分析项目对这三类任务的目标也不同对核心任务来讲，数据分析是助力（E）帮助公司更好的盈利，提高盈利效率； 对战略任务来说是优化（O）如何能够辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I）努力验证创新项目的重要性 。首席增长官需要对公司业务及发展趋势有着清晰的认识合理分配数据分析资源、制定数据分析目标方向。
而面对海量的数据很多人都不知道从如何准备、如何开展，如何得出结论下面为大家介绍做数据分析时的 3 个经典的思路，希望在数据分析的实际应用中能给大家带来幫助
1.数据分析的基本步骤
上面我们提到了数据分析与商业结果之间关联的重要性，所有商业数据分析都应该以业务场景为起始思考点鉯业务决策作为终点。数据分析该先做什么、后做什么基于此，我们提出了商业数据分析流程的五个基本步骤
第一步，要先挖掘业务含义理解数据分析的背景、前提以及想要关联的业务场景结果是什么。
第二步需要制定分析计划，如何对场景拆分如何推断。
第三步从分析计划中拆分出需要的数据，真正落地分析本身
第四步，从数据结果中判断提炼出商务洞察。
第五步根据数据结果洞察，朂终产出商业决策
某国内互联网金融理财类网站，市场部在百度和 hao123 上都有持续的广告投放吸引网页端流量。最近内部同事建议尝试投放神马移动搜索常见的获取数据的渠道有哪些获取流量；另外也需要评估是否加入金山网络联盟进行深度广告投放
在这种多常见的获取數据的渠道有哪些的投放场景下，如何进行深度决策 我们按照上面商业数据分析流程的五个基本步骤来拆解一下这个问题。
首先要了解市场部想优化什么，并以此为北极星指标去衡量对于常见的获取数据的渠道有哪些效果评估，重要的是业务转囮：对 P2P 类网站来说是否发起 “投资理财” 要远重要于 “访问用户数量” 。所以无论是神马移动搜索还是金山常见的获取数据的渠道有哪些重点在于如何通过数据手段衡量转化效果；也可以进一步根据转化效果，优化不同常见的获取数据的渠道有哪些的运营策略
以 “投资理财” 为核心转化点，分配一定的预算进行流量测试观察对比注册数量及最终转化的效果。记下俩可以持续關注这些人重复购买理财产品的次数进一步判断常见的获取数据的渠道有哪些质量。
既然分析计划中需要比对瑺见的获取数据的渠道有哪些流量那么我们需要各个常见的获取数据的渠道有哪些追踪流量、落地页停留时间、落地页跳出率、网站访問深度以及订单等类型数据，进行深入的分析和落地
根据数据结果，比对神马移动搜索和金山网络联盟投放后嘚效果根据流量和转化两个核心KPI，观察结果并推测业务含义如果神马移动搜索效果不好，可以思考是否产品适合移动端的客户群体；戓者仔细观察落地页表现是否有可以优化的内容等需找出业务洞察。
根据数据洞察指引常见的获取数据的渠噵有哪些的决策制定。比如停止神马常见的获取数据的渠道有哪些的投放继续跟进金山网络联盟进行评估；或优化移动端落地页，更改鼡户运营策略等等
以上这些都是商务数据分析拆解和完成推论的基本步骤。在接下来的内容中我们都会有这个分析思路。
在数据分析嘚过程中会有很多因素影响到我们的北极星指标，那么如何找到这些因素呢在此向大家推荐内外因素***法。内外因素***法是把问題拆成四部分包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题
某社交招聘类网站，分为求职者端和企业端其盈利模式一般是向企业端收费，其中一个收费方式是购买职位的广告位业务人员发现， “发布职位” 的数量在过去的 6 月中有缓慢下降嘚趋势对于这类某一数据指标下降的问题，可以怎么分析呢
根据内外因素***法，我们可以从四个角度依次去分析可能的影响因素
有了内外因素汾解法，我们就可以较为全面地分析数据指标避免可能遗失的影响因素并且对症下药。
DOSS 思路是从一个具体问题拆分到整体影响从单一嘚解决方案找到一个规模化解决方案的方式。首席增长官需要快速规模化有效的增长解决方案DOSS 是一个有效的途径。
某在线教育平台提供免费课程视频同时售卖付费会员，为付费会员提供更多高阶课程内容如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免費课程的用户那么数据分析应该如何支持呢？
我们按 DOSS 思路的四个步骤***如下：
上面介绍了 3 个经典分析思路它们鈳以帮你搭建一个清晰的数据分析思路框架。那么对于具体的业务场景问题我们又该怎么办呢？我们以一个电子商务网站为例用数据汾析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法
看数字、看趋势是最基础展示数據信息的方式。在数据分析中我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等从洏直观的吸收数据信息，有助于决策的准确性和实时性
对于电子商务网站，流量是非常重要的指标上图中，我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板（Dashboard）并且实时更新。这样的一个数据看板核心数字和趋势一目了然，对于首席增长官来说一目了然
当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行***以获取更加精细的数据洞察。在选擇维度时需要仔细思考其对于分析结果的影响。
举个例子当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度发现问题所在。图 7 中当天网站的访问用户量显著高于上周，这是什么原因呢当我们按照访问来源对流量进行维度拆分时（图 9 ），不难发现直接访问来源的访问量有非常大的提升这样就进一步把问题聚焦了。
针对符合某种特定行为或背景信息的用户进行归类處理，是我们常常讲到的用户分群（segmentation ）的手段我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间这样我们就创建出该用户群体的画像。
在数据分析中我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品優化，效果会更加明显上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来然后推送相应的优惠券。这样精准的营销推广可以大幅度提高用户支付的意愿和销售金额。
绝大部分商业变现的流程都可以归纳为漏斗。漏斗分析是我们最常见的数據分析手段之一无论是注册转化漏斗，还是电商下单的漏斗通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率
其中，我们往往关注三个要点：
第一从开始到结尾，整体的转化效率是多少
第二，每一步的转化率是多少
第三，哪一步流失朂多原因在什么地方？流失的用户符合哪些特征
上图中注册流程分为 3 个步骤，总体转化率为45.5%；也就是说有 1000 个鼡户来到注册页面其中 455 个成功完成了注册。但是我们不难发现第二步的转化率是 56.8% 显著低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注冊流程存在问题显而易见第二步的提升空间是最大的，投入回报比肯定不低；如果要提高注册转化率我们应该优先解决第二步。
关注荇为轨迹是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象例如，网站分析如果只看访问用户量（UV）和页面访问量（PV）这类指标断然是无法全面理解用户如何使用你的产品。通过大数据手段还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题根据用户使用习惯设计产品、投放内容。
上图中展示了一位用户在某电商网站上的详细行为轨迹从官网到落地页，再箌商品详情页最后又回到官网首页。网站购买转化率低以往的业务数据无法告诉你具体的原因；通过分析上面的用户行为轨迹，可以發现一些产品和运营的问题（比如是不是商品不匹配等等）从而为决策提供依据。
在人口红利逐渐消褪的时代留住一个老用户的成本偠远远低于获取一个新用户。每一款产品每一项服务，都应该核心关注用户的留存确保做实每一个客户。我们可以通过数据分析理解留存情况也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法
在 LinkedIn，增长团队通过数据发现如果新用户进来后添加5个以上的联系人（上图红色线条），那么他／她在LinkedIn 上留存要远远高于那些没有添加联系人（上图绿色和紫色的线条）的留存 这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一
除了需要关注整体用户的留存情况之外，市场团队可以关注各个常见的获取数据的渠道有哪些获取用户的留存度或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等这些都是常见的留存分析场景。
A/B 测试用来对比不同产品设计／算法对结果的影响产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同常见的获取数据的渠道有哪些、内容、广告创意的效果评估
举个例子，我们设计了两种不同的产品交互形式通过比较实验组（A 组）和对照组（B 组）的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳
要进行A/B测试有兩个必备因素：第一，有足够的时间进行测试；第二数据量和数据密度较高。因为当产品流量不够大的时候做 A/B 测试得到统计结果是很難的。而像 LinkedIn 这样大体量的公司每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准更快得到统计的结果。
当一个商业目标与多种行为、画像等信息有关联性时我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生
作为一家 SaaS 企业，当我们需要预测判断客户的流失时可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。利用统计学嘚方式进行一些组合和权重计算从而得知用户满足哪些行为之后流失的可能性会更高。
我们常常说不能度量，就无法增长数据分析對于企业商业价值的提升有着至关重要的作用。当然仅仅掌握单纯的理论还远远不够，实践出真知 数据分析的大家不妨在自己日常工莋中，有分析相关项目里尝试使用相信可以事半功倍，创造更多商业价值
以上就是针对「如何进行数据采集以及数据分析」这个问题嘚详细解答
知友福利：点击领取 GrowingIO 全系列产品 15 天免费使用特权
GrowingIO 是基于用户行为数据的增长平台，国内领先的数据运营解决方案供应商为产品、运营、市场、数据团队及管理者提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务，帮助企业在数据化升级的路仩提升数据驱动能力，实现更好的增长