<button id="mgycy"></button>
  • <tbody id="mgycy"><pre id="mgycy"></pre></tbody>
  • <th id="mgycy"></th>
  • <th id="mgycy"></th>
    <th id="mgycy"></th>
    <span id="mgycy"></span>

    <tbody id="mgycy"></tbody>
    <tbody id="mgycy"></tbody>
    1. 設為首頁 | 收藏本站

      咨詢電話:151 1798 8098   服務郵箱:service@zxway.cn    投訴建議:vincent@zxway.cn 

      您當前位置: 首頁 > 新聞頻道 > 如何七周成為數據分析師
      如何七周成為數據分析師
      發布人:zxway發布時間:2016/12/2 10:04:34

      數據分析能力真是越來越重要了,無論哪個崗位都需要具備這個能力。那數據分析能力需要多少時間養成呢?七周你信不信~咱們一起來看看今天的文章。

      寫這個系列,是希望在當初知乎某一個回答的基礎上,單獨完善出針對互聯網產品和運營們的教程。不論對數據分析或數據運營,我都希望它是一篇足夠好的教材。

      得承認我有標題黨之嫌,更準確說,這是一份七周的互聯網數據分析能力養成提綱。

      我會按照提綱針對性的增加互聯網側的內容,比如網站分析,用戶行為序列等。我也不想留于表面,而是系統性講述。比如什么是產品埋點?在獲得埋點數據后,怎么利用Python / Pandas的shift ( )函數將其清洗為用戶行為session,進而計算出用戶在各頁面的停留時間,后續如何轉換成統計寬表,如何以此建立用戶標簽等。

      這是一份入門到熟練的指南,并不包含數據挖掘等高階內容??梢沧銐蜃尞a品和運營們獲得進步。

      第一周:Excel學習掌握

      如果Excel玩的順溜,你可以略過這一周。不過介于我入行時也不會vlookup,所以有必要講下。

      重點是了解各種函數,包括但不限于sum,count,sumif,countif,find,if,left/right,時間轉換等。

      Excel函數不需要學全,重要的是學會搜索。即如何將遇到的問題在搜索引擎上描述清楚。

      我認為掌握vlookup和數據透視表足夠,是最具性價比的兩個技巧。

      學會vlookup,SQL中的join,Python中的merge很容易理解。

      學會數據透視表,SQL中的group,Python中的pivot_table也是同理。

      這兩個搞定,基本10萬條以內的數據統計沒啥難度,80%的辦公室白領都能秒殺。

      Excel是熟能生巧,多找練習題。還有需要養成好習慣,不要合并單元格,不要過于花哨。表格按照原始數據(sheet1)、加工數據(sheet2),圖表(sheet3)的類型管理。

      下面是為了以后更好的基礎而附加的學習任務。

      了解單元格格式,后期的數據類型包括各類timestamp,date,string,int,bigint,char,factor,float等。

      了解數組,以及怎么用(excel的數組挺難用),Python和R也會涉及到 list。

      了解函數和參數,當進階為編程型的數據分析師時,會讓你更快的掌握。

      了解中文編碼,UTF8和ASCII,包括CSV的delimiter等,以后你會回來感謝我的。

      這一周的內容我會拆分成兩部分:函數篇和技巧篇。

      這是一道練習題,我給你1000個身份證號碼,告訴我里面有多少男女,各省市人口的分布,這些人的年齡和星座。如果能完成上述過程,那么這一周就直接略過吧。(身份證號碼規律可以網上搜索


      第二周:數據可視化

      數據分析界有一句經典名言,字不如表,表不如圖。數據可視化是數據分析的主要方向之一。除掉數據挖掘這類高級分析,不少數據分析就是監控數據觀察數據。

      數據分析的最終都是要兜售自己的觀點和結論的。兜售的最好方式就是做出觀點清晰數據詳實的PPT給老板看。如果沒人認同分析結果,那么分析也不會被改進和優化,不落地的數據分析價值又在哪里?

      首先要了解常用的圖表:


      Excel的圖表可以100%完成上面的圖形要求,但這只是基礎。后續的進階可視化,勢必要用到編程繪制。為什么?比如常見的多元分析,你能用Excel很輕松的完成?但是在IPython只需要一行代碼。


      其次掌握BI,下圖是微軟的BI。


      BI(商業智能)和圖表的區別在于BI擅長交互和報表,更擅長解釋已經發生和正在發生的數據。將要發生的數據是數據挖掘的方向。

      BI的好處在于很大程度解放數據分析師的工作,推動全部門的數據意識,另外降低其他部門的數據需求(萬惡的導數據)。

      BI市面上的產品很多,基本都是建立儀表盤Dashboard,通過維度的聯動和鉆取,獲得可視化的分析。

      最后需要學習可視化和信息圖的制作。


      這是安(裝)身(逼)立(加)命(薪)之本。這和數據本事沒有多大關系,更看重審美、解讀、PPT、信息化的能力。但值得花一點時間去學習。

      數據可視化的學習就是三個過程,了解數據(圖表),整合數據(BI),展示數據(信息化)。

      第三周:分析思維的訓練

      這周輕松一下,學學理論知識。

      好的數據分析首先要有結構化的思維,也就是我們俗稱的金字塔思維。思維導圖是必備的工具。

      之后再了解SMART、5W2H、SWOT、4P理論、六頂思考帽等框架。這些框架都是大巧不工的經典。

      分析也是有框架和方法論的,我會主要圍繞三個要點展開:

      一個業務沒有指標,則不能增長和分析;

      好的指標應該是比率或比例;

      好的分析應該對比或關聯。

      舉一個例子:我告訴你一家超市今天有1000人的客流量,你會怎么分析?

      這1000人的數量,和附近其他超市比是多是少?(對比)

      這1000人的數量比昨天多還是少?(對比)

      1000人有多少產生了實際購買?(轉化比例)

      路過超市,超市外的人流是多少?(轉化比例)

      這是一個快速搭建分析框架的方法。如果只看1000人,是看不出分析不出任何結果。

      優秀的數據分析師會拷問別人的數據,而他本身的分析也是經得起拷問,這就是分析思維能力。需要確切明白的是,一周時間鍛煉不出數據思維,只能做到了解。數據思維是不斷練習的結果,我只是盡量縮短這個過程。

      第四周:數據庫學習

      Excel對十萬條以內的數據處理起來沒有問題,但是互聯網行業就是不缺數據。但凡產品有一點規模,數據都是百萬起。這時候就需要學習數據庫。

      越來越多的產品和運營崗位,會在招聘條件中,將會SQL作為優先的加分項。

      SQL是數據分析的核心技能之一,從Excel到SQL絕對是數據處理效率的一大進步。

      學習圍繞Select展開。增刪改、約束、索引、數據庫范式均可以跳過。

      主要了解where,group by,order by,having,like,count,sum,min,max,distinct,if,join,left join,limit,and和or的邏輯,時間轉換函數等。

      如果想要跟進一步,可以學習row_number,substr,convert,contact等。另外不同數據平臺的函數會有差異,例如Presto和phpMyAdmin。

      再有點追求,就去了解Explain優化,了解SQL的工作原理,了解數據類型,了解IO。以后就可以和技術研發們談笑風生,畢竟將“這里有bug”的說話,換成“這塊的數據死鎖了”,逼格大大的不同。

      SQL的學習主要是多練,網上尋找相關的練習題,刷一遍就差不多了。

      第五周:統計知識學習

      很遺憾,統計知識也是我薄弱的地方,可這是數據分析的基礎。

      我看過很多產品和運營相關的數據分析文章,沒有多少提及統計知識。這是不嚴謹的。

      比如產品的AB測試,如果產品經理并不清楚置信度的含義和概念,那么好的效果并不意味著真正的好。尤其是5%這種非顯著的提高。

      比如運營一次活動,運營若不了解檢驗相關的概念,那么如何去判別活動在數據上是有效果還是沒有效果?別說平均數。

      再討論一下經典的概率問題,如果一個人獲流感,實驗結果為陽性的概率為90%;如果沒有獲流感,實驗結果為陽性的概率為9%?,F在這個人檢驗結果為陽性,他有多少幾率是得了流感?

      如果你覺得幾率有50%、60%、70%等等,那么都犯了直覺性的錯誤。它還和得病的基礎概率有關。

      統計知識會教我們以另一個角度看待數據。如果大家了解過《統計數據會撒謊》,那么就知道很多數據分析的決策并不牢靠。

      我們需要花一周的時間掌握描述性統計,包括均值、中位數、標準差、方差、概率、假設檢驗、顯著性、總體和抽樣等概念。

      不需要學習更高階的統計知識,誰讓我們是速成呢。只要做到不會被數據欺騙,不犯錯誤就好。

      以Excel的分析工具庫舉例(圖片網上找來)。在初級的統計學習中,需要了解列1的各名詞含義,而不是停留在平均數這個基礎上。


      第六周:業務知識(用戶行為、產品、運營)

      這一周需要了解業務。對于數據分析師來說,業務的了解比數據方法論更重要。當然很遺憾,業務學習沒有捷徑。

      我舉一個數據沙龍上的例子,一家O2O配送公司發現在重慶地區,外賣員的送貨效率低于其他城市,導致用戶的好評率降低??偛康臄祿治鰩熃⒘烁鱾€指標去分析原因,都沒有找出來問題。后來在訪談中發覺,因為重慶是山城,路面高低落差比較夸張,很多外賣人員的小電瓶上不了坡…所以導致送貨效率慢。

      這個案例中,我們只知道送貨員的送貨水平距離,即POI數據,根本不可能知道垂直距離的數據。這就是數據的局限,也是只會看數據的分析師和接地氣分析師的最大差異。

      對業務市場的了解是數據分析在工作經驗上最大的優勢之一。不同行業領域的業務知識都不一樣,我就不獻丑了。在互聯網行業,有幾個寬泛的業務數據需要了解。

      產品數據分析,以經典的AAARR框架學習,了解活躍留存的指標和概念(這些內容,我的歷史文章已經涉及了部分)。

      并且數據分析師需要知道如何用SQL計算。因為在實際的分析過程中,留存只是一個指標,通過userId 關聯和拆分才是常見的分析策略。

      網站數據分析,可以抽象吃一個哲學問題:

      用戶從哪里來(SEO/SEM),用戶到哪里去(訪問路徑),用戶是誰(用戶畫像/用戶行為路徑)。

      雖然網站已經不是互聯網的主流,但現在有很多APP+Web的復合框架,朋友圈的傳播活動肯定需要用到網頁的指標去分析。

      用戶數據分析,這是數據化運營的一種應用。

      在產品早期,可以通過埋點計算轉化率,利用AB測試達到快速迭代的目的,在積累到用戶量的后期,利用埋點去分析用戶行為,并且以此建立用戶分層用戶畫像等。

      例如用貝葉斯算法計算用戶的性別概率,用K聚類算法劃分用戶的群體,用行為數據作為特征建立響應模型等。不過快速入門不需要掌握這些,只需要有一個大概的框架概念。

      除了業務知識,業務層面的溝通也很重要。在業務線足夠長的時候,我不止一次遇到產品和運營沒有掌握所有的業務要點,尤其涉及跨部門的分析。良好的業務溝通能力是數據分析的基礎能力。

      第七周:Python/R 學習

      終于到第七周,也是最痛苦的一周。這時應該學習編程技巧。

      是否具備編程能力,是初級數據分析和高級數據分析的風水嶺。數據挖掘,爬蟲,可視化報表都需要用到編程能力(例如上文的多元散點圖)。掌握一門優秀的編程語言,可以讓數據分析師事半功倍,升職加薪,迎娶白富美。

      以時下最熱門的R語言和Python為學習支線,速成只要學習一條。

      我剛好兩類都學過。R的優點是統計學家編寫的,缺點也是統計學家編寫。如果是各類統計函數的調用,繪圖,分析的前驗性論證,R無疑有優勢。但是大數據量的處理力有不逮,學習曲線比較陡峭。Python則是萬能的膠水語言,適用性強,可以將各類分析的過程腳本化。Pandas,SKLearn等各包也已經追平R。

      學習R,需要了解數據結構(matrix,array,data.frame,list等)、數據讀取,圖形繪制( ggplot2)、數據操作、統計函數(mean,median,sd,var,scale等)。高階的統計暫時不用去涉及,這是后續的學習任務。

      R語言的開發環境建議用RStudio。

      學習Python有很多分支,我們專注數據分析這塊。需要了解調用包、函數、數據類型(list,tuple,dict),條件判斷,迭代等。高階的Numpy和Pandas在有精力的情況下涉及。

      Python的開發環境建議Anaconda,可以規避掉環境變量、包安裝等大部分新手問題。Mac自帶Python2.7,但現在Python 3已經比幾年前成熟,沒有編碼問題,就不要抱成守舊了。

      對于沒有技術基礎的運營和產品,第七周最吃力,雖然SQL+Excel足夠應付入門級數據分析,但是涉及到循環迭代、多元圖表的分析部分,復雜度就呈幾何上升。更遑論數據挖掘這種高階玩法。

      我也相信,未來了解數據挖掘的產品和運營會有極強的競爭力。

      到這里,剛剛好是七周。如果還需要第八周+,則是把上面的鞏固和融會貫通,畢竟這只是目的性極強的速成,是開始,而不是數據分析的畢業典禮。

      最后還需要補充,如果希望數據分析能力更近一步,或者成為優秀的數據分析師,每一周的內容都能繼續學習至精通。實際上,業務知識、統計知識僅靠兩周是非常不牢固的。

      再往后的學習,會有許多分支。比如偏策劃的數據產品經理,比如偏統計的機器學習,比如偏商業的市場分析師,比如偏工程的大數據工程師。

      云計算服務
      短視頻服務
      客服熱線:service@zxway.cn

      版權所有@ 2014-2039  知心偉業 

      備案號:京ICP備14046347號 知心偉業
      黄沙武士在线观看-黄沙武士高清完整在线观看深爱五月天激情色五月色人阁婷婷