▲点击上方卡片关注我,回复“8”,加入数据分析·领地,一起学习数据分析,持续更新数据分析学习路径相关资料~(精彩数据观点、学习资料、数据课程分享、读书会、分享会等你一起来乘风破浪~)
前言
Data Analysis
在我们的实际工作场景中,可以通过“数据分析”对大量业务数据的观察、分析,得到一定的规律/趋势等情况,能客观地反映出当前业务线存在的一些问题,还能为决策者提供数据支持等,尤其在数字化时代,面对海量的数据,就需要一些数据分析工具和方法快速有效的处理那些数据,分析数据,产出有效地落地方案。在未来,“数据分析”将在各行各业的作用越来越显著,突出,必要。
但是,随着越来越多的工作场景需要“数据分析”做辅助,数据驱动业务,做一些常规性的业务分析,去发现问题,分析问题,解决问题,挖掘隐藏的潜在线索,并提供决策支撑时,伴随着未来经济形势整体下行趋势、企业将降本增效等原因,诸多公司的一些业务线将不会再设立专门的“数据分析”岗位。
所以,不管你是做产品、运营、商务、市场、人力,还是技术开发、项目、管理,基本上都要掌握“数据分析”技能,在未来“数据分析”将是一个底层的能力,属于通用技能,需要每个职场人都要必备的技能之一。
然而,一些在学习数据分析的伙伴,可能会遇到各种各样的问题而陷入迷茫,不知如何入手,感觉很多东西比较高不可攀,其主要原因就是数据分析坑很大,需要掌握的知识又很多,很杂。还有一些原因如下:
没有找到合适的资源/平台可以很好地学习有关数据的一切
对要学习的主题又缺乏明确性,懒癌晚期,无法坚持完成学习
有大量资源,但很难去选择最适合自己的,很容易迷失在细节中很难把控学习进度
数据分析领域对应的岗位非常多,经常把一些同学们绕晕。数据分析、商业分析、运营分析、产品分析、销售分析、数据挖掘、算法模型等等。
·······
“数据分析”,在我所有的工作经验中、在我创立并运营小飞象数据分析社群的过程中、在我与群友/大佬的沟通中、在我运营数据类公众号木木自由的经历中,处处离不开数据分析~
因此,在我接触“数据分析”的过程中,积累了一定认识,完善了数据分析知识体系,我根据自己的思考,深刻认识数据分析是什么和梳理了数据分析学习路径1.0,其中肯定有不足之处,后续将不断地,持续地完善更新补充,希望大家在评论区提出不同的观点,我会完善到其中,也希望刚入门在学习的时候、数据从业者在进阶的时候,慢慢地完善优化自己的技术栈和知识体系就好了。(在评论区,提出你认为的数据分析学习路径以及学习感受一些建议和方法,若采纳任何一条,将获得星球免费体验资格~)
什么是数据分析
Data Analysis
数据 + 分析,数据是基础,分析是主导。数据并不意味着价值,分析和决策才能创造价值!
且数据分析:思维方式大于实践方法
思维方式:业务目标及调研+思维逻辑+创新想法+可行建议
实践方法:数据汇总统计+工具使用+可视化
数据分析,即是基于某个目的对数据进行分析和总结概括的过程。它的意义在于把隐藏在数据中的信息萃取和提炼出来,以便帮助人们找到所研究对象的内在规律,或者事物的发生、发展和未来变化的规律,进而帮助人们做出判断以及正确的决策。
现在领域内有很多数据分析岗。BI(Business Intelligent)、DA(Data Analysis)、数据运营、数据科学家、数据产品经理等,工作内容可以说是大相径同,细分领域的专业度会存在不同程度的差异。“数据分析”是有关“数据”类岗位的总称,而数据分析技能基本是职场里的标配技能,从事这类工作的人,通过分析数据发现业务问题,洞察商业机会点,为运营活动、业务增长及企业发展等,提供合理建议及参考依据。
我理解的数据分析不是从什么高大上的角度出发,它绕不开是什么、是多少、为什么、会怎样、又如何这几个问题。
说明白点:
▶是什么(树立数据标准)
▶是多少(数据描述状况)
▶为什么(探索问题原因)
▶会怎样(预测业务走势)
▶又如何(综合判断状况)
总之,我们做好数据分析,要对数据分析的价值有清楚的定位,不能沦为单纯的 “取数”、“做表”、“写报告”,数据分析应该是对业务有实际的指导意义,并结合业务痛点去发现问题从而解决问题的工具。
数据分析学习路径
Data Analysis
数据分析的学习是流程化,标准化,是一个逐步地形成符合自己节凑的有效“闭环”过程。所谓“闭环”,就是要不断优化,不断迭代,除了要了解掌握数据分析流程、方法、工具以外,还需要不断的进行项目操练复盘总结,补充完善每个步骤中所需要技能栈,并在整个学习过程中持续地、不断的扩展完善提升数据分析思维。
根据【数据分析流程】中所梳理总结的框架思路:明确问题→分析原因→落地方案,可以延伸出数据分析学习路径地图,具体如下图:(后续将持续更新完善2.0,增加落地方案每个方向具体步骤~)
1、明确目标,认清自己。(对应明确问题)
很多人认为定目标、设计划是假大空,但如果没有目标,你会发现时间过去,你依然停留在原地。薪资涨幅、买房买车等,很多看似不是外界能决定的事情,都可以通过设立目标来实现。
数据分析的学习亦是如此,不同的目标方向,路径不经相同。还有清楚的了解自己,知道自己的优势是什么,现有的资源有哪些等?
学习数据分析主要有以下几个目的:
✔提升数据分析技能,辅助本职工作
✔转行数据分析相关岗位,零基础入门
✔数据分析从业者,技能\思维进阶
2、计算差距,弥补不足。(对应分析问题)
先确定目标,计算出自己差哪里,需要做的哪些弥补不足之处,其实就是倒推为了达到目标要做的事情,所谓的倒推做事法。而不同的目标也有不同的侧重点,具体如下:
✔提升数据分析技能辅助工作
主要侧重数据思维的培养和分析思路的完善。熟知数据分析分析方法模型,理解业务,针对性的学习数据分析工具,如excel的透视表可视化+ppt技能。
✔转行数据分析相关岗位
数据分析从业路线大致可以划分成四大方向:数据分析,数据挖掘,数据产品,数据工程。针对各个数据岗位侧重的技能栈,针对性的学习补充差距~
⑴数据分析/数据运营/商业分析是业务方向的数据分析师。主要负责和支撑各部门相关的报表;建立和优化指标体系;监控数据的波动和异常,输出专题分析报告,优化和驱动业务,推动数据化运营;主要侧重数据分析工具以及业务知识的培养。
⑵数据挖掘/算法专家这是技术向的数据岗,有些归类在研发部门,有些则单独成立数据部门。主要侧重于更高的统计学能力、数理能力以及编程技巧。
⑶数据产品是具备强数据分析能力的PM,公司数据产品的规划者。负责大数据产品的设计,推荐算法的产品策略,分析和挖掘用户消费内容的行为数据,为改进算法策略提供依据,报表展示工具的落地和应用;主要侧重于各类数据模型、指标、数据挖掘和数据工程的实现,但是聚焦点是把它作为一个项目去实现,故而不用精通。
⑷数据工程师其实更偏技术,从职业道路上看,程序员走这条路更开阔。可以从数据分析师的SQL技能,往数据的底层收集、存储、计算、运维拓展。从最初的SQL,逐步侧重于了解Hadoop集群、了解presto/impala/spark、了解分布式存储……
✔数据分析从业者进阶
数据分析进阶讲具备更多的工具技能,主要侧重的是要掌握数据分析的各种工具的全栈技能,从能力增长上突破职业的天花板。一般如下:
·可视化辅助工具:excel、BI工具、python···
·统计分析:抽样推测规律、贝叶斯统计、回归、预测····
·大数据处理框架:Hadoop、storm、spark···
·数据库:SQL、MySql、DB···
·数据仓库:SSIS、SSAS····
·数据挖掘工具:Matlab、R语言、python···
·人工智能:机器学习
·挖掘算法:数据结构、一致性
·编程语言:Java、python
3、排除万难、穷尽所能的努力(对应落地方案,推动执行)
前面两步都很容易,因为动脑就够了,无需体力支持,而最后一步却是需要身体力行的去付出努力的。所以很多人完不成目标,都是因为“死”在了这一步。
数据分析技能栈
Data Analysis
总结了在数据分析学习过程中所涉及的技能栈,如下图(后续持续补充):
★数据分析思维
我们需要在实际工作中,面对不同场景的时候,都需要建立自己对特定场景的认知思维。有些人比较聪明,是具备了高效建立认知思维的方法;有些人较为普通,没有建立一定认知思维,多少会走点弯路。
所以,数据分析也是如此,不仅要手段,更要有思维!数据思维是帮你找到问题的方向,理清数据分析的思路,做出有深度,有价值的分析。所谓数据分析思维,即通过各种方法收集数据,明确以及理解需求,然后改进你的个人决策,不断迭代。比如,
▍看到一列数据有波动,首先明确数据的准确性,去对比往期数据的环比同比,近期波动趋势等,判断数据波动是否异常,可能由哪些原因带来了这些波动,相关的原因是否有数据呈现等。
▍看到一个活动效果低,找到核心指标,并拆解指标,明确活动目的,针对人群、预期活动目标、投入成本、奖品爆率模型等进行分群,分层,精细化运营,提升活动效果。
▍看到一个产品功能点使用率低,在使用完毕之后去分析他的商业模式、面对的用户群体、群体的使用场景,进行分群分层,去做AB测试,观察后续运营动作是否验证了改进点。
·····
即明确问题-分析问题-给出落地方案。其中包括:对比,指标,结构化,拆解···等数据分析思维。后续持续更新~
学习主要内容有:
✔对比,通常把两个相互联系的指标数据进行比较,从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢,以及各种关系是否协调。两个关键:维度与指标。
✔细分,细分衍生出来的方法,比如矩阵、RFM模型等等,其实都算细分的方式。✔分类,客户分群、产品归类、市场分级···关键点在于,分类后的事物,需要在核心数据指标上显著的区别。
✔漏斗,漏斗的环节不该超过5个,漏斗第一环节100%开始,到最后一个环节的转化率数值不要低于1%,主要看每个环节的转化率。
✔拆解/逻辑树,将一个数据指标进行拆解,能找出影响指标变化的因素。
✔相关性,观察数据指标,不仅要看单个指标的变化,还需要观察指标间的相互关系
✔趋势,一般来说是按照时间的维度,对某一数据或者不同数据变化趋势进行差异化研究,以及对数据的下一步变化进行预测。
·······
在【数据分析·领地】星球里还分享一些关于思维的扩展学习资料,如图:
(加入星球获取更多····)
★业务知识以及软技能;
·业务知识
“数据分析”在实现业务目标和输出数据报告的过程中,就需要清晰地描述、并展示业务现状,解决业务痛点,帮助业务提升业绩等。所以,“数据分析”就需要围绕业务展开。而现实当中,很多业务场景都可由数据体现出来。通过分析业务存在的问题并解决业务问题,数据分析才能创造价值。
对于公司来讲,解决业务问题可以提高收益或者降低成本;对于个人来讲,知道怎么利用数据解决业务问题,对个人的技能成长和职场生涯都有很大的助力。要理解业务,其根本上来讲就是:数据从业务场景中来,要用回业务场景里去。后续持续更新~
学习主要内容有:
✔行业分析,了解行业趋势,关键业务,每个业务都有自己的价值链,价值链的每个环节也并不是都是关键环节。对于部分企业来说,研发和营销是最关键的环节,对于部分企业来说,客户服务是关键的环节。
✔业务分析,了解关键指标,如互联网电商来说,找准营运方向比卖多少货,赚多少钱更重要。这个阶段可以重点关注流量指标,包括访客数、注册用户数、浏览量、转化率等。通过数据分析提高销售额就是首要任务。此阶段重点指标是流量和销售指标,包括访新增会员数、会员流失率、客单价ROI、销售额等。
✔用户分析,谁是我们的用户?满足用户什么需求?(价值定位)提供什么实际价值?(价值提供)
✔竞品分析,了解对手,比如分析竞品推广节奏和用户数据,优化运营和推广策略等。
······
在【数据分析·领地】星球里分享了一些关于业务知识分享,包括指标体系,用户画像,产品,运营指标,竞品分析等扩展学习资料,感兴趣的去星球下载学习,如图:
(加入星球获取更多····)
·软技能
包括有效管理任务的能力、工作能力以及与他人相处融洽的能力、沟通技巧(向上沟通、横向沟通)、表达能力等。主要是沟通,向上要资源,横向了解需求以及推动项目落地等, 这些技能决定了数据分析结果能否落地,决定数据分析项目能否有效管理冲突和运行顺利。
在【数据分析·领地】星球里分享一些软技能等资料,如图:‘
(加入星球获取更多····)
★数据分析工具软件以及可视化技巧;
数据分析工具主要用来做三件事情:数据预处理、数据建模、数据可视化。学会这三个技能,无论使用什么工具,都能满足最基本的数据处理与分析需求。但是不同的数据分析工具会有不同的特点,使用者可以根据自己的数据和分析要求选择有相应适合的工具,但不要死磕。
工具如下:(后续将会持续更新)
·Excel:最基础的数据处理工具,偏向于运营岗位的数据分析,作为一个数据分析师,Excel 无条件的熟练掌握,对于数据量较少,拿 Excel 进行分析、转换、运算即可,而且数据分析很大一部分时间是在与 Excel 在打交道。Excel里性价比最高的两个技巧(数据透视表,vlookup)。后续持续更新~
学习主要内容有
✔常用函数:加总求和、计数、平均、最值、排序、乘积、除余、取整···
✔逻辑运算:if、iferror、and、or···
✔文本编辑:文本提取、文本查找、文本替换、文本转换及合并··
✔引用与查找:vlookup、hlookup、lookup、indirect、index、match
✔数据透视表:入门数据可视化
✔VBA:VBA只限于Office软件中应用,并且很多功能Python可以代替,可学可不学,使用起来涉及到问题比较多(比如控件,版本等),,和Excel贴合的很好,可以录制宏,一键完成很多Excel操作。进阶可以学习
·······
在【数据分析·领地】星球里分享Excel的学习资料,如图:
(扫码加入星球获取更多····)
·SQL:利用 SQL把数据进行提取查询,SQL作为一门编程语言,相对Python比较简单,但是也具有编程的基本特性,作为一个零基础的人员入门学习是一个不错的阶梯。因为这是跟数据库打交道最直接的语句了。后续持续更新~
学习主要内容有
✔数据库的基本概念(入门):如何安装数据库、表的创建、删除和更新、数据的插入、删除和更新数据等(打基础)···
✔简单查询:基本的查询语句、 如何指定查询条件?注释和 SQL 语句注意事项、学会运算符指定复杂的查询条件、字符串模糊查询····
✔汇总分析:如何进行汇总分析?如何对数据分组?如何对分组结果指定条件?····
✔复杂查询:什么是视图,如何使用,有什么用,子查询、标量子查询、关联子查询、各种常用函数····
✔多表查询:表的加法、联结,包括交叉联结、内联结、左联结、右联结、全联结、case表达式···
·······
在【数据分析·领地】星球里分享SQL的一些学习资料,如图:
(加入星球获取更多····)
·pandas:(后续持续更新~)
pandas 常用于数据的清洗(重复、缺失、异常值等),把这些缺失的数据处理好,才能获得更加准确的分析;
在【数据分析·领地】星球里分享pandas的学习资料,如图:
(加入星球获取更多····)
·tableau:(后续持续更新~)
在【数据分析·领地】星球里分享tableau的学习资料,如图:
(加入星球获取更多····)
★数据分析方法/模型;
有了分析框架,就有了具体分析的方向;必须要掌握一些行之有效的的数据分析方法,并能灵活的与自身实际工作相结合。数据分析师常用的数据分析方法有:对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有:相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。(后续更新~)
★统计学相关知识;
有了统计学的基本知识,就可以用量化数据,来描述数据的指标,规律,趋势等变化,对数据做出总结行描述等;
在进阶的阶段,还可以掌握一些主流算法的原理,比如线性回归、逻辑回归、决策树、神经网络、关联分析、聚类、协同过滤、随机森林。
再深入一点,机器学习和数据挖掘的话,还可以掌握文本分析、深度学习、图像识别等相关的算法。后续持续更新~
学习主要内容有
✔基本的统计量:均值、中位数、众数、方差、标准差、百分位数等,可以进行更多元化的可视化,以实现更加精细化的数据分析。同时还要了解更多的Excel函数来实现基本的计算,或者python、R里面一些对应的可视化方法;
✔概率分布:几何分布、二项分布、泊松分布、正态分布等,描述数据所呈现出的状态;
✔总体和样本:了解基本概念,抽样的概念,在面对大规模数据的时候,怎样去进行抽样分析;
✔置信区间与假设检验:如何进行验证分析,对一些感性的假设做出更加精确地检验;
✔相关性与回归分析:一般数据分析的基本模型,对未来的一些数据、缺失的数据做基本的预测。
·······
在【数据分析·领地】星球里分享统计学相关知识资料,如图:
★产出数据报告能力
了解学习别人的数据报告。提升自己的数据报告审美,图表选择,PPT美化等,并找到接近工作场景的数据源,尝试产出数据分析报告培养主动学习的好习惯,复盘和产出强化学习结果。(后续持续更新~)
在【数据分析·领地】星球里分享一些经典的数据报告,如图:
★项目管理能力
使数据分析结果,有效的推动分析项目的执行,落地,同时尽力链接优秀前辈,获取靠谱的能力和发展建议,少走弯路。(后续更新~)
在【数据分析·领地】星球里分享一些项目管理相关的学习资料,如图:
数据分析学习相关书籍推荐
Data Analysis
总结了在数据分析学习过程中可以学习的推荐书籍,如下图(后续持续补充):
(加入星球获取以上书籍····)
数据分析比较好的书籍,根据不同学习阶段有不同推荐,对于数据分析的学习过程,千万不要抱着书一章一章的学习,这样很容易半途而废。建议可以选择一些靠谱的数据分析平台资料库,先掌握基本原理知识和常用的知识点,然后实践再实践。假如有工作条件的,一定要在工作中,经常使用,这样的学习效率很高。多参加一些读书会等!
总结
Data Analysis
在我做小飞象数据分析社群与群友接触中,发现一些专职数据分析的主要工作包括统计数据、效果追踪、报表可视化展示、输出数据报告等。
但不同公司的数据分析做的工作是完全不一样的,有的感觉很无聊,有的还是有些技术含量的,当然,这取决于所在公司的业务与场景,以及大厂和小厂的数据分析的差别~
总之,数据分析的学习路径也不是固定不变的,需要自己实践,符合自己的节凑,但有些知识可以同步进行学习,甚至不学,有些知识需要一步一步来,必须学习,要按照一定的步骤去学,去积累,不能跳过,是一个搭积木的过程。
在后续也会在【数据分析·领地】中,组织读书会,分享会等专项活动,读书会主要学习技术类的书籍领读,分享会主要以数据分析思维分享,案例复盘分享等~
立即扫码
扫码加入星友群
即可各种数据分析思维、工具、课程、书籍、项目、运营、产品相关结构化体系资料~
内容持续更新,期待你来