以【丁香医生新冠肺炎疫情地图】为例，拆解数据分析5步法

从疫情爆发到现在，你是不是也跟我一样，每天起床都要点开丁香医生，看一下疫情最新情况？截止现在，丁香医生疫情地图被浏览27亿次。如此火爆的背后，丁香医生的项目有没有借鉴性呢？本文以疫情地图为例，来讲讲数据分析师做项目的思路。

我将项目分析总结为五步法：数据收集、定义问题、数据清洗、数据分析、输出报告。今天我将对每一步进行业务上的拆解。

数据分析五步法

一、定义问题

分析的重中之重是定义问题。这个项目的需求是什么？想达到的效果是什么？

丁香医生想做一款实时更新疫情数据的产品，方便用户了解实时疫情动态。

那用户是谁？用户最关心什么？

丁香医生的用户是老百姓，咱老百姓最关心的呢，是今天又确诊多少人，疑似多少人，死亡多少人，以及治愈多少人，疫情是不是往好的方向发展……

依照《精益数据分析》提出的“第一关键指标法”，我们提炼出关键指标：确诊人数、疑似人数、死亡人数、治愈人数。

关键指标

同时，咱老百姓除了想知道整个疫情发展，也很关心自己城市的情况，因此将关键指标按省份、城市细分。疫情地图就包含了全国确诊人数热力图，各省、各市的关键指标。

各省份、城市关键指标

二、数据采集

数据真实可信是数据分析的前提。丁香医生的数据来源于国家卫健委、各省市卫健委、各省市政府、港澳台等官方渠道，来源权威。

咱们数据分析师日常怎么收集数据呢？

内部数据：天天需要。公司把数据存放在自家服务器或阿里云等第三方平台，通过SQL获取。

外部数据：也很重要，较难获取。可以用国家统计局、中国人民银行等公布的数据；使用第三方数据库，如万德、国泰安、锐思等数据库下载数据；或使用爬虫，爬到自己想要的数据。

三、数据清洗

数据清洗几乎占用数据分析师80%的时间。在这里，丁香医生主要涉及去重和口径一致。

（1）去重

上面收集来的数据，各个渠道会不会重复统计呢？比如国家卫健委、省卫健委和省政府公布的数据中，肯定有重复部分，需要我们去掉重复值。

丁香医生也曾重复统计过，导致新增确诊人数变多，不过很快纠正了。

（2）口径一致

报表上线后，口径变化是大忌。2月12日，确诊口径由单一核酸检测，新加入临床诊断，确诊人数大增，一下多了1万多人。

如果是数据分析师随意调整统计口径，那就要背锅走人了；如果是老板要改口径，数据分析师就得想想该怎么妥善处理了。

丁香医生是怎么做的呢？

当日确诊人数爆增，丁香医生用虚线表示增长，并且右上方备注“临床诊断病例的影响”。这样做既反映了真实情况，也解释了因统计口径变化，导致数据异常增长。

口径变化导致的激增

四、数据分析

数据收集和清洗是基本能力，数据分析才是核心竞争力。

我们在思考用什么指标来做分析时，可以参考《精益数据分析》里，关于“什么是好的数据指标”的总结：

好的数据指标是比较性的（较昨日、新增疑似、新增确诊……）；

好的数据指标是简单易懂的（确诊、死亡、治愈……）；

好的数据指标是一个比率（病死率=死亡人数/确诊人数、治愈率=治愈人数/确诊人数）；

好的数据指标会改变行为（通过新增确诊走势，了解疫情是否正在缓解，指定方针）。